改进型ICA和SVM相结合的火山灰云遥感检测

针对独立分量分析(ICA)模型在火山灰云遥感检测中的不足,提出了一种改进型ICA即变分贝叶斯ICA (VBICA)和支持向量机(SVM)相结合的火山灰云遥感检测算法,实现了火山灰云信息的近似分离.实验结果表明,所提算法能够从中分辨率成像光谱仪(MODIS)遥感图像中检测出火山灰云目标信息,且总检测精度和Kappa系数分别达到了88.4％和0.801 1,取得了较好的检测效果.     

基于热红外卫星遥感的火山灰云监测研究

热红外卫星遥感技术能够准确地进行火山灰云监测。针对火山灰云热红外卫星遥感图像,通过利用主成分分析（Principal component analysis,PCA）方法解决了热红外卫星遥感数据具有波段相关性和数据冗余问题,并提高了火山灰云的监测精度。以 MODIS 热红外卫星遥感图像为例,利用PCA方法对火山灰云进行监测研究,并采用USGS标准光谱数据库对监测出的火山灰云光谱特征进行验证。结果表明：PCA方法能够有效地提取出火山灰云信息,且得到的火山灰光谱特征与USGS标准光谱数据库的光谱匹配度达到了81.65%,具有较高的精度。     

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析( ICA)能够实现图像的去相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA( VBICA)的遥感图像分析方法,并利用遥感图像进行验证,结果表明：VBICA方法提取的独立分量具有均方根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了91.55%,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很好的应用前景。     

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析(ICA)能够实现图像的去 相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律 的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA(VBICA) 的遥感 图像分析方法,并利用遥感图像进行验证,结果表明：VBICA方法提取的独立分量具有均方 根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了9155% ,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很 好的应用前景。     

基于卫星图像的火山灰云识别方法研究

大规模的火山灰云既会引起全球气候和环境系统的巨大变化,又会威胁航空安全。卫星遥感技术能够快速准确地获取大范围的空间变化信息,实现对火山灰云发生、扩散状况的识别和预警。首先阐述了火山灰云的光谱特征和常用的卫星图像类型;然后从紫外吸收法、模式识别法、分裂窗量温差和改进型分裂窗量温差算法方面系统地介绍了火山灰云的识别方法;最后对国内现有的基于卫星图像的火山灰云的研究进行了评述,并对其发展趋势进行了总结和讨论。     

基于ICA的多维贝叶斯分类器

多维贝叶斯分类器是处理多维分类问题的概率图形模型,其中属性变量可决定一个或多个类变量。文中针对属性变量维数较高和信息冗余问题,采用Fast ICA算法对属性变量进行降维,从而将高维属性变量约减为能较完整描述数据信息的低维属性变量。然后根据约减后的属性变量构建多维贝叶斯分类器;最终,通过理论分析得到基于ICA的多维贝叶斯分类器的性能较好。实验结果表明,对3组基准数据集的分类,基于ICA的多维贝叶斯分类器相比于其他算法具有较高的分类准确率。     

基于变分贝叶斯估计的相机抖动模糊图像的盲复原算法

在曝光过程中由于相机抖动而导致的运动模糊,是一种常见的图像降质现象。该文提出了一种基于变分贝叶斯估计和自然图像梯度统计特性的盲复原算法,用于恢复相机抖动模糊图像,同时针对图像复原过程中出现的振铃效应,设计了一种基于分区域检测和Fuzzy滤波器的去振铃效应方法。实验结果表明,该文提出的盲复原算法能够有效地去除图像中因相机抖动而产生的模糊,而且在保持图像边缘和细节的同时,可以较好地降低振铃效应对图像复原质量的影响。     

部分云覆盖下红外辐射传输模型及对火山灰云的敏感性研究

针对我国新一代地球同步气象卫星FY-4的预期发射和数据应用,本文借助与FY-4卫星成像仪类似的Meteosat-8卫星的SEVIRI仪器数据资料开展先期研究,建立了一种部分云覆盖条件下红外辐射传输模型,模拟了不同大气条件、火山灰云高度、有效云量和观测天顶角情况下卫星观测的红外通道的亮度温度的变化.美国标准气候态大气廓线和火山灰区实时大气廓线两种模拟结果都表明,模型模拟的8.3～9.1μm,9.8～11.8μm,11～13μm,12.4～14.4μm的入瞳亮度温度对云高度、有效云量较为敏感,基本呈线性相关;卫星天顶角对模拟的辐射亮温的影响相对较小.通过不同大气廓线状态和火山灰云发射率情景下的测试结果表明,只有同时考虑大气条件和火山灰云通道发射率的差异后,模式才能够较好地模拟出火山爆发情景下火山灰云中酸性物质在11μm和12μm的反吸收特性.与大气条件相比,通道的发射率差异对火山灰云的遥感建模更为重要.因此,可在传统的分裂窗通道的基础上,通过热红外多通道亮温及亮温差异信息联合反演火山灰云高度和有效云量等因子,提高部分覆盖下火山灰云的微物理参数的反演精度.本研究为建立基于我国新一代静止气象卫星FY-4数据的火山灰云浓度定量反演模型提供了理论基础.     

具有新目标函数的改进型变分贝叶斯

针对变分贝叶斯迭代运算中参数集分解所带来的问题,定义表观信息作为新的目标函数,提出了一种改进型的变分贝叶斯方法.该方法应用于线性高斯动态系统时,等价于Kalman滤波方法.推导过程还得出了Kalman增益的简化计算方程.     

MIMO-OFDM系统中基于变分贝叶斯EM算法的联合符号检测与信道估计

基于变分贝叶斯期望最大化(VBEM, variational Bayes expectation maximization)算法和Turbo原理,提出了时变信道条件下MIMO-OFDM系统中的联合符号检测与信道估计算法.设计的软入软出空时检测器在采用列表球形译码避免穷尽搜索的同时,考虑了信道估计误差方差矩阵的影响;利用空时检测获得的发送信号后验概率分布估计,推出了新的Kalman前向后向递归信道估计器.仿真结果表明,在时变多径信道条件下,提出的算法比传统EM算法和面向判决算法更加具有顽健性.     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

一种改进的基于ICA特征空间的高空间分辨率影像的目标识别

为解决高空间分辨率影像目标的识别问题,一种好的方式是将充分考虑高阶累积量的独立分量分析方法引入高空间分辨率影像进行特征提取,但由于基于传统独立成分分析方法提取的特征空间不能最优区分不同类别的样本。为此,提出一种改进的基于独立成分分析的目标识别方法（Multi-ICA）。该方法为每个类别的样本构造单独的特征空间,通过投影到特征空间,得到表征该类别样本特征的特征向量集合。Multi-ICA方法提取的特征空间是基于某类样本图像的共性特征建立的,同一类别样本间的欧式距离要小于不同类别样本之间的欧式距离。因此,可以将待识别样本分类到具有最小欧式距离的特征空间所对应的类别上。现以北京地区的高分辨率卫星Quickbird影像为例,进行了Multi-ICA、传统ICA方法、主成分分析（PCA）方法,以及Multi-PCA方法的目标识别对比实验。结果表明,提出Multi-ICA算法的识别率有明显的提高,并且在一定程度上缓解了由于样本数量增加导致样本特征向量维数增加的问题。     

基于ICA的雷达目标二维结构提取方法研究

雷达目标一维距离像反映了其散射中心在雷达径向上的分布,对同一目标多角度的一维距离像分别提取其散射中心相对位置,经过散射中心匹配后再利用独立成分分析对其处理,可以得到该目标的二维结构,为进一步的目标识别创造了条件。通过对具有多散射中心的简单雷达目标一维距离像进行仿真实验,结果表明算法有效。     

基于ICA的雷达目标3D成像方法研究

雷达目标一维距离像反映了其散射点在雷达径向上的分布,对同一目标多角度的一维距离像分别提取其散射点相对位置,经过配准后再利用ICA对其处理,可以得到该目标的二维结构,为进一步的目标特征提取与识别分行了条件。通过仿真实验,结果表明算法简单有效。     

基于ICA的脑电信号P300少次自动提取

提出一种基于Infomax ICA少次自动提取脑电信号P300成分的方法.为了提高ICA分解的有效性,对原始数据中的自发脑电信号和P300成分进行了均衡.混合信号经过ICA分解后,根据IC的固定时间模式的标准差来自动选择P300成分IC,最后重构得到P300成分.实验结果是:利用6试次实验数据经过本文方法处理后能自动得到P300成分,与29试次平均结果(标准信号)相比,它们之间的Pearson相关系数达0.9035,而6试次实验数据平均的结果与标准信号之间的Pearson相关系数为0.5105.结果表明,该方法能有效的获取P300成分,同时增强了P300成分少次提取的客观性.