医学肝脏图像Gabor小波纹理特征研究

针对肝脏图像自身特点,研究了Gabor小波纹理特征在医学肝脏图像识别中的意义,提出一种基于Gabor小波纹理特征的医学肝脏图像识别方法.实验表明:引进Gabor小波纹理特征能较好地实现医学肝脏图像识别问题;与其它典型图像识别方法对比结果验证,新方法可以取得更高的识别率.     

基于PSO的Fisher准则下小样本最佳鉴别变换

小样本条件下,Fisher准则中类内散布矩阵一般是奇异的,无法直接求解.本文提出利用粒子群优化理论,在无需求类内散布矩阵逆的情况下求解Fisher准则下小样本最佳鉴别变换的方法.讨论了通过粒子群优化算法的位置-速度搜索模型获取最佳鉴别投影向量的方法和步骤.实验对比类内散布矩阵非奇异时,采用计算特征向量方法和本文方法的差异.分析验证小样本条件下类内散布矩阵奇异时,通过本文方法进行最佳鉴别变换的分类效果.实验证实本文算法的有效性.     

基于k-最近邻的支持向量预选取方法

在所有的训练样本中只有支持向量(SVs)能对支持向量机分界面优化结果产生显著影响.基于七一最近邻规则.提出了一种训练样本的预选取方法.针对一些典型人工数据集、公用基准数据集以及TM遥感数据的实验结果表明.该方法能够有效减少训练样本数目.显著加快学习速度,并保证理想的分类精度.     

一种过程支持向量机及其在动态模式分类中的应用

针对一般SVM在机制上难以直接对动态模式进行分类的问题,提出了一种基于函数正交基展开的过程支持向量机.该模型的输入为时变函数,输出为模式类别.在输入函数空间中选择一组适当的正交函数基,将输入函数在该组函数基下进行有限项展开,把展开式系数作为核函数的输入.由于时变函数在基函数映射下与展开式系数一一对应,从而可利用SVM的变换机制实现动态模式分类.给出了基于SMO的求解算法,实验结果验证了模型和算法的有效性.     

黄金分割法结合UTD计算机载天线方向图

机载天线辐射特性的研究,对机载天线的一体化设计、布局以及机载电子系统的电磁兼容性(EMC)具有非常重要的意义.应用一致性几何绕射理论(UTD)分析机载天线的辐射特性,利用黄金分割法(0.618法)优化二阶射线寻迹,并考虑了遮挡的判断问题,提高了运算的速度和精度.以机载单极子天线为例.给出了机载天线远场方向图的仿真结果.结果比较令人满意,证明了方法是正确的,并对机载天线耦合分析有一定参考意义.     

一种RBF网络结构调整的稳健增量学习方法

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的,给出了一种RBF网络增量学习算法.算法首先对初始数据集进行聚类得到初始的RBF网络结构,然后采用GAP-RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习.RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响,增强了其增量学习的稳健性.IRIS数据集和雷达实测数据集仿真实验表明,算法具有较好的增量学习能力.     

基于表面波激励的等离子体单极天线的研究

等离子体天线是一种新型的非金属介质天线,在电控、隐身等方面具有优异性能.在等离子体天线基本工作原理的基础七,利用非磁化冷等离子体理论,为了研究柱型等离子体表面波的产生方式,得出了维持稳定等离子体的能量关系.又采用等离子体表面波的色散关系理论,计算了不同激励功率下表面波波数沿等离子体天线轴向的变化,通过改变激励功率和碰撞频率来控制等离子体天线方向图.结果表明,等离子体天线具有良好的辐射性能,并且通过改变激励源功率可以实现等离子体天线参数的电控.     

演示文稿中填充效果在VB编程中的应用

利用Visual Basic1来调用PowerPoint演示文稿中的填充效果的对象,通过对填充效果属性的分析,找到了各个属性的数值,并结合Access数据库,编写了一个"填充效果"对话框,实现了"填充"效果的设置功能。     

等腰三角形的模式识别

本文应用语言模式识别的方法,对三角形语言识别模式中的等腰三角形的语言识别模型进行识别。取三角形的三条边作为特征因子集,主要根据三角形的特点建立隶属函数并给出建立隶属函数的理论依据。     

Unsupervised and simultaneous training of multiple object detectors from unlabeled surveillance video

Object detection is an essential component in automated vision-based surveillance systems. In general, object detectors are constructed using training examples obtained from large annotated data sets. The inevitable limitations of typical training data sets make such supervised methods unsuitable for building generic surveillance systems applicable to a wide variety of scenes and camera setups. In our previous work we proposed an unsupervised method for learning and detecting the dominant object class in a general dynamic scene observed by a static camera. In this paper, we investigate the possibilities to expand the applicability of this method to the problem of multiple dominant object classes. We propose an idea on how to approach this expansion, and perform an evaluation of this idea using two representative surveillance video sequences.