采用RAM加权技术的自适应模式识别系统

简要介绍了利用ＲＡＭ网络实现的自适应模式识别系统（ＷＩＳＡＲＤ）的结构和工作原理,提出了利用ＲＡＭ加权技术优化系统性能的方法,就该方法对系统性能的优化给出了简例,并从理论上作了初步的证明。     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

基于K-均值聚类的协同进化粒子群优化算法

针对粒子群优化（PSO）算法优化高维问题时,易陷入局部最优,提出一种基于K-均值聚类的协同进化粒子群优化（KMS-CCPSO）算法。该算法通过引入K-均值算法扩大种群的局部搜索范围,采用柯西分布和高斯分布相结合的方法更新粒子的位置。实验结果表明,该算法具有较好的优化性能,其优势在处理高维问题上更为明显。     

纵横比自适应的时空正则化相关滤波算法（英文）

在目标跟踪中,传统相关滤波算法无法感知运动目标尺度纵横比变化,且易受复杂环境影响导致跟踪失败。为此,提出了纵横比自适应的时空正则化相关滤波算法。首先,参考平均峰值相关能量（Average peak-to-correlation energy, APCE）和响应峰值对每个特征的响应图进行加权融合,以实现对目标的精确跟踪。其次,结合近正交性和空间正则化提出一种新的一维边界滤波器,通过定位目标包围框的四个边界位置实现对目标尺度和纵横比变化的自适应检测,有效抑制了边界效应带来的负面影响。最后,根据响应输出的峰值旁瓣比（Peak-to-sidelobe ratio, PSR）独立地调节各边界滤波器的学习率,防止模型退化。在OTB数据集上进行了测试,该算法表现出理想的跟踪效果,在各个挑战属性上相较于其他优秀算法均取得了更优结果。     

融合残差连接与通道注意力机制的Siamese目标跟踪算法

针对Siamese跟踪算法在目标形变、相似物体干扰等复杂情况下容易跟踪漂移或丢失的问题,提出一种融合残差连接与通道注意力机制的目标跟踪算法.首先,通过残差连接将模板分支网络提取的浅层结构特征与深层语义特征进行有效的融合,以提高模型的表征能力;其次,引入通道注意力模块,使模型自适应地对不同语义目标特征通道加权,以提高模型...     

一种非参数回归图像去噪方法

为了在图像去噪时进一步提高信噪比从而增强去噪效果,提出了一种空域自适应的高稳定性去噪滤波器。将数值分析中的非参数回归模型应用于图像去噪处理,推导了基于该方法的算法模型。在双边核的基础上,提出一种自适应的Steer核滤波方法,该算法根据边缘的方向可以调整模板的方向和曲率,做到了完全白适应。最后,在相同条件下实现该算法与Nadaraya—Waatson Kernel Regression算法、Bilateral Kernel Regression算法的Madab实验比较,实验结果表明,基于非参数同归模型的去噪算法具有良好的去噪效果,与其他算法相比,可以得到更高的信噪比。     

渐近真值的标签分布表情识别算法

歧义表情是表情识别中的常见现象,由于歧义表情的存在,表情识别的效果严重受限,主要的原因是数据的单标签无法有效的描述其中复杂的感情倾向,因而标签分布学习是解决该问题的一个可能的方向.针对表情分类中单标签信息量不足的问题,提出了一种渐近真值的标签分布表情识别算法.在不引入额外信息的前提下,充分利用数据库的原本信息完成标签分布的生成和利用.首先,在数据训练时,利用单标签学习,收集数据整体分布的均值;然后,在数据批次的粒度上,逐步逼近数据标签真值;最后,利用生成的数据标签分布重新训练整个网络模型.实验结果表明,该方法对网络模型的精度提升有明显的作用,在与先进算法的对比中也有一定的竞争力.     

基于高斯曲面特征矩阵的扩展目标形状估计

针对传统方法难以准确估计扩展目标形状的问题,提出一种新的基于高斯曲面拟合的量测模型和基于高斯曲面特征矩阵的形状估计算法。首先,建立能反映目标真实形状的结构点,并产生多个高斯曲面,通过曲面叠加形成任意形状的量测空间分布模型;然后,根据高斯曲面拟合原理,用矩阵表示该拟合曲面主要区域的分布特征,并通过映射方程建立矩阵坐标与笛卡尔坐标的映射关系;最后,通过贝叶斯滤波体系更新拟合矩阵。与现有算法相比,本文算法不需要准确预设目标形状,在量测噪声较大的环境下,可以自适应的拟合目标真实形状。并且,在不需要预设目标形状方程的情况下,可以估计包括空心形状在内的任意不规则目标形状。实验结果表明,在目标初始形状参数不准确的情况下,本文算法正确估计了飞机形状、空心形状和集群目标形状,并且具有较好的扩展目标形状估计性能和较强的鲁棒性。     

分布式传感器多目标跟踪改进算法

利用分布式传感器网络进行目标跟踪,能够有效增加传感器的覆盖范围,提高对运动目标的检测和跟踪能力,但如何充分利用相邻传感器之间的信息进行有效的融合,仍然是一个难点问题。本文在多伯努利滤波框架下,提出了一种改进的分布式融合跟踪算法用于目标数未知且变化的多目标跟踪。提出算法包含三种精度提升策略,即特征级融合反馈、决策级融合输出及交互反馈;其中,决策级融合输出策略可以提取更加准确的估计状态,特征级融合反馈策略可以降低错误融合结果对后续滤波过程的不良影响,交互反馈策略可以避免单传感器因漏检而导致的滤波失败。实验结果表明,提出算法的跟踪精度明显要优于传统的基于GCI分布式融合算法以及粒子多伯努利跟踪算法,具有较好的跟踪性能。