模拟煤层气泄露扩散的高斯改进模型

为准确预测煤层气泄露污染的扩散路径及范围,结合了我国煤层气低压、管网密集和地处山区的特点,以高斯扩散模型为基础,提出适合煤层气泄露扩散模拟的高架点源模型和山谷模型,根据第二代大气扩散模型对地形产生影响的处理方法,研究了适合山区的扩散模型。以山西省沁水盆地南部潘河区块煤层气集输工程为例,模拟了煤层气泄露扩散,并与野外实验数据进行比较,发现提出的煤层气泄漏扩散模式能够较好地模拟煤层气在空气中的扩散分布状况。     

高斯烟羽模型扩散面积的算法研究

高斯烟羽模型在研究非重气云扩散方面应用越来越广泛,但是计算高斯烟羽模型扩散面积却没有特别精确有效的方法。因此对高斯烟羽模型计算扩散面积提出一种合理、科学的算法显得十分必要。本文提出了一种计算高斯烟羽模型扩散面积的算法,并介绍了该算法的理论基础和思路实现。应用该算法于工程实例中,并对结果进行验证,表明该算法方便、精确、便于应用,是计算高斯烟羽模型扩散面积的一种行之有效的算法。     

基于高斯的大气污染评价模型

研究城市防治问题,采用大气污染的经典高斯扩散模制,结合气象因素对污染物浓度的影响,分别估算由污染源排放所造成的大气污染物SO<,2>、NO<,x>和颗粒物的浓度值,根据国家标准,分析各污染物之间的数量关系,建立模糊评价矩阵,最终划分该地区的大气污染等级.结果表明,两种方法的有效结合能够准确地得出某一污染源对该地区大气污染情况影响的综合评价.测试结果表明.符合实际情况.对大气监测有实际意义.     

一种改进的放射性气体扩散高斯预估模型算法*

通过对放射性气体扩散的特征描述,针对高斯预估模型存在的缺点,引入了动态变化的泄漏强度,并通过夹角系数的方式将风速和放射性气体自身的扩散速度合成,得到对气体扩散起到关键作用的合成扩散速度,进而更好地模拟了放射性气体扩散过程中在不同时段、不同区域、不同气流状态下的气体浓度。最后通过实验仿真模拟,表明该算法在一定条件下能够有效地计算出放射性气体泄漏后的不同时间点和不同气流状态下的扩散浓度空间分布,能够较好地模拟放射性气体扩散的动态变换过程,对放射性气体泄漏事故现场的预测和评估具有很好的辅助决策作用。     

基于高斯混合模型的脑部MR图像自动分割

将脑部组织从MR图像中提取出来是脑部图像处理的一个重要环节,如何精确地将脑组织从非脑组织中分离出来成为研究的难点。传统的水平集方法仅依赖梯度信息,由于脑部图像含有噪音、过度区域等因素的影响,使得分割效果不是很理想。文章提出了一种脑部MR图像的自动分割方法,它利用模糊各向异性扩散方法对图像进行平滑,结合直方图分析得到了图像的全局信息自动构造初始曲线,并利用高斯混合模型构造水平集演化的速度函数,得到较好的分割结果。对脑部MR图像分割的实验表明该方法准确度高、抗噪性能良好。     

基于高斯混合模型的区域颜色迁移

针对具有多种颜色区域图像以及灰度图像的颜色迁移合成问题，提出了一种基于高斯混合模型的区域颜色迁移算法，以用于将一幅源图像的颜色迁移到一幅目标图像中。该算法首先在lαβ颜色空间中，采用高斯混合模型对源图像的颜色样本空间进行聚类拟合来得到具有源图像颜色信息的参考色彩模型；然后利用该参考色彩模型对目标图像的颜色样本集进行分类决策，以确定目标图像与源图像各区域的色彩匹配关系；最后，提出了一组新的基于区域的颜色迁移公式，用于完成对目标图像的颜色迁移。实验结果表明，该算法不仅能实现两幅彩色图像之间的颜色迁移．而且能实现对灰度图像的上色处理，并均取得了较好的迁移效果。     

基于均匀分布的高斯云模型

云模型实现了定性概念与其定量表示之间的不确定转换。高斯分布与高斯隶属度函数的普适性奠定了高斯云模型的普适性,目前云模型的理论与应用研究主要集中在高斯云模型。将均匀分布引入到云模型中,扩展了高斯云模型,分别得到了均匀分布云模型和均匀高斯云模型,两类扩展的云模型为不确定性的形式化描述提供了新的途径。最后利用多维均匀高斯云模型模拟分形树生长过程,实验结果表明云模型能有效模拟自然界中不确定的分形现象。     

基于高斯混合模型的阴影消除算法

关于阴影消除是智能监控系统的重要组成部分,且对后续的识别和跟踪有很大的影响。根据改进的高斯混合模型检测出目标,用高斯混合阴影模型来检测阴影,并用高斯平滑滤波处理检测的结果。然后动态选择合适的阈值对图像做二值化处理,进一步对结果进行形态学滤波。经过整个过程的处理,得到了较为完整的轮廓,很好的消除了阴影,提高后续的识别和跟踪的准确性和可靠性。实验表明,算法能较好地消除阴影,且具有较好的实时性和鲁棒性。     

各向异性扩散与高斯差分模型的多聚焦图像融合方法

利用各向异性扩散模型具有良好的边缘保持特性,提出一种基于各向异性扩散滤波与高斯滤波差分规则的图像融合算法。各向异性扩散方程对图像进行滤波操作,在图像的同质区域实施正向扩散以平滑图像,而在图像边缘实行较弱平滑以保护边缘细节信息。将通过各向异性扩散模型处理的图像与经过高斯函数滤波的结果图像进行差分操作,可以得到图像的高频系数信息。为提高健壮性,对高频系数进行小窗口累加,其作为像素选择准则,再分别从原始图像中直接获取对应的像素值组成融合结果图像。实验结果表明,所提出的方法可以有效地融合源图像信息,非常适合多聚焦     

高斯模型与区域生长相结合的景物识别算法

研究景物图像特征提取,光照环境因素变化时,室外场景光学成像也随之发生很大变化,景物特征复杂,严重影响了景物识别的精度.为了解决上述问题,提出一种高斯模型与区域生长相结合的景物识别算法.先提取图像区域的底层视觉特征以及空间位置特征,并通过高斯分布为每类景物建立模型,然后根据模型测试图像中区域属于每一类景物的概率,把概率值较大的区域加入到模型中,更新模型参数,最后,把概率值较大的区域作为种子点进行区域生长得到景物识别的结果.采用Matlab 7.0软件对Pasadena 数据库中景物进行仿真识别.结果表明识别目标景物的有效性,为复杂场景下景物识别提供了一种有效的算法.     

自适应混合高斯背景模型的运动目标检测方法

提出了一种静止摄像机条件下自适应的运动目标检测方法。该方法基于同一像素点被同一灰度车辆覆盖几率小的假设构建初始背景,为每个像素点在线选择高斯分布个数。根据像素点与其邻域像素间存在联系的思想,在线更新学习率。最后用背景差分法检测出运动目标。实验结果表明,同基于传统混合高斯模型的运动目标检测方法相比,该方法有较好的自适应性,能快速适应场景的变化。     

基于高斯核密度模型的运动目标检测

运动目标检测是当前计算机视觉的研究热点之一,本文在研究了现有大量算法的基础上,提出了一种改进的基于高斯核密度模型的运动目标检测方法,引入面积阈值来消除大的噪声和判断背景是否发生了突变,从而重新更新背景样本集。实验结果表明,该方法可以很好地适应背景中存在周期运动干扰的情况,并且可以适应背景突变的情况。     

基于帧差分块的混合高斯背景模型

针对混合高斯背景模型计算量过大、对复杂场景的适应能力较差等问题,提出了一种基于帧差分块和自适应学习率的混合高斯背景模型改进算法。引入分块模型思想,有效结合了像素的空域信息;根据帧间差分结果,判断可疑前景区域和背景区域,提高了检测灵敏度;针对前景可疑区域采用复杂模型,保证运动目标检测的精度,反之采用简单模型降低计算量;通过自适应学习率,加速背景的形成与消退。实验结果证明该算法较好地兼顾了检测精度和计算代价。     

混合高斯模型的自适应前景提取

复杂场景下的运动前景提取是计算机视觉研究领域的研究重点。为解决复杂场景中的前景目标提取问题,本文提出一种应用于复杂变化场景中的基于混合高斯模型的自适应前景提取方法。本方法可以对视频帧中每个像素的高斯分布数进行动态控制,并且通过在线EM算法对高斯分布的各参数进行学习,此外每个像素的权值更新速率可根据策略进行调整。实验结果表明本方法对复杂变化场景具有较好的适应性,可有效、快速地提取前景目标,提取结果具有较好的查准率和查全率。     

基于多阶抽样的高斯混合模型彩色图像分割

针对传统高斯混合模型应用于彩色图像分割时计算复杂度高等问题, 提出一种多阶抽样的高斯混合模型的彩色图像分割算法。首先,给出采样数定理及其证明,并推导出与聚类类别数和最小聚类相关的最小采样数目;其次,设计一罚函数判断抽样优劣,消除抽样对聚类模型影响,根据最小采样数数目,对像素点进行均匀采样,并利用高斯混合模型对采样像素点进行聚类;最后,定义像素点和类之间的距离,对剩余的像素点按距离最近原则进行划分。实验结果表明算法具有有效性。     

A hybrid Gaussian process approach to robust economic model predictive control

This paper proposes a hybrid Gaussian process (GP) approach to robust economic model predictive control under unknown future disturbances in order to reduce the conservatism of the controller. The proposed hybrid GP is a combination of two well-known methods, namely, kernel composition and nonlinear auto-regressive. A switching mechanism is employed to select one of these methods for disturbance prediction after analyzing the prediction outcomes. The hybrid GP is intended to detect not only patterns but also unexpected behaviors in the unknown disturbances by using past disturbance measurements. A novel forgetting factor concept is also utilized in the hybrid GP, giving less weight to older measurements, in order to increase prediction accuracy based on recent disturbances values. The detected disturbance information is used to reduce prediction uncertainty in economic model predictive controllers systematically. The simulation results show that the proposed method can improve the overall performance of an economic model predictive controller compared to other GP-based methods in cases when disturbances have discernible patterns.     

基于混合高斯模型的窄带目标跟踪方法

基于混合高斯模型的轨迹分布融合方法适用于窄带目标跟踪系统.这种算法针对宽带跟踪结果的不精确,目标模糊,窄带跟踪需要依赖人工实现的问题,提出了一种基于混合高斯模型的自动窄带目标跟踪技术.该方法首先将目标方位分布看做是混合高斯模型,利用期望最大化算法估计混合高斯模型中的参数,然后利用混合高斯模型对目标方位进行聚类,最后利用平均加权法对目标方位进行融合,得到清晰稳定的目标跟踪结果.     

于混合高斯莫型与联合特征的行人检测方法

针对视频环境下行人检测多数采用窗口滑动方法识别慢、不能快速找到行人窗口的缺点,提出了一种基于组合算法的行人目标识别方法,利用高斯混合模型方法提取视频中的运动前景,划定一个泛目标窗口,再使用HOG-l bp联合特征训练的分类器对泛目标窗口进行分类,得到分类结果,对行人目标进行标记.经实验验证:该方法相对于当前行人检测方法,检测速度和正确率都取得了很好的效果.