核空间散度阈值法

提出了一种核空间散度阈值分割方法。首先定义了一种参数型Bregman散度;其次提出了参数型Bregman散度阈值法,并将现有交叉熵阈值法和Otsu阈值法统一起来;再次基于参数型Bregman散度构造了核空间中一种新的不对称核函数,将图像灰度级从欧氏空间变换到再生核空间,获得了一种核空间的散度阈值分割法;最后研究了该分割法中核函数参数选取方法。实验结果表明,基于核空间的散度分割法具有一定的普适性,并能改善现有交叉熵阈值法和Otsu阈值法的分割性能,同时也可将这两种经典阈值分割法看做核空间散度阈值法的特殊情形。     

Extreme quantile estimation using order statistics with minimum cross-entropy principle

The paper presents a general approach to the estimation of the quantile function of a non-negative random variable using the principle of minimum cross-entropy (CrossEnt) subject to constraints specified in terms of expectations of order statistics estimated from observed data.Traditionally CrossEnt is used for estimating the probability density function under specified moment constraints. In such analyses, consideration of higher order moments is important for accurate modelling of the distribution tail. Since the higher order (>2) moment estimates from a small sample of data tend to be highly biased and uncertain, the use of CrossEnt quantile estimates in extreme value analysis is fairly limited.The present paper is an attempt to overcome this problem via the use of probability weighted moments (PWMs), which are essentially the expectations of order statistics. In contrast with ordinary statistical moments, higher order PWMs can be accurately estimated from small samples. By interpreting a PWM as the moment of quantile function, the paper derives an analytical form of quantile function using the CrossEnt principle. Monte Carlo simulations are performed to assess the accuracy of CrossEnt quantile estimates obtained from small samples.     

基于交叉视觉皮质模型的非结构化道路检测算法

针对传统非结构化道路检测算法对各种复杂路面环境通用性不强且计算复杂度高的问题,提出了一种基于交叉视觉皮质模型(ICM)的道路检测算法.ICM具有接近生物视觉信息处理机制的特点,能够根据像素及其邻域的相关性动态区分目标和背景.基于ICM分割算法需要解决的问题是最佳分割阈值和循环迭代次数的确定,提出了采用最小交叉熵判决机制...     

基于网格的最小交叉熵算法在PET图像重建中的应用

基于内容的自适应三角形网格模型是描述图像的一种有效方法,本文将网格模型与最小交叉熵算法相结合,并加入先验解剖信息,用于PET图像重建.在本文提出的新算法中,先将投影数据用滤波反投影方法(FBP)生成参考图像,再对参考图像提取网格节点,用加入先验解剖信息的最小交叉熵算法对网格节点灰度值进行迭代计算,最后利用迭代后的网格节点灰度值对象素点进行插值得到重建后的图像.在仿真实验中,将该算法与最大似然方法(MLEM)等算法作比较,并分析了参数对重建结果的影响.     

用比例因子改善Turbo码的译码性能

Turbo码译码算法中对分支度量的计算,默认信道软信息与信源信息(先验信息)的比例关系为1,这种均等的比例关系并不能使译码性能达到最佳。在研究这2种信息关系的基础上,引入了共用的比例因子,发现比例因子与暗示译码性能的交叉熵(cross entropy)有着密切的联系;给出了比例因子的算法结构及计算机仿真结果,仿真结果表明:比例因子的引入可加速交叉熵的收敛,减少译码迭代次数,进一步提高Turbo码的译码性能。     

软件可靠性评估的重要抽样方法

基于统计测试的马尔可夫使用模型对软件可靠性评估提出了一种有效的估计方法.该方法利用重要抽样技术在保证可靠性估计无偏性的条件下,利用交叉熵度量操作剖面与零方差抽样分布之间的差异,通过启发式迭代过程调整各个状态之间的转移概率来修正测试剖面.从理论上证明了利用修正测试剖面测试估计的可靠性是方差为0的无偏估计.最后给出了软件可靠性估计的最优测试剖面生成的启发式迭代算法.仿真结果表明,该方法与模拟退火算法相比,能够明显降低估计的方差,在提高估计精度的同时加快统计测试速度.     

建立在图像识别基础上的体绘制加速方法

提出了一种新算法——IRVR（Image Recognition Volume Rendering）,该算法能大幅降低冗余数据,从而提升体绘制速度。IRVR算法首先利用交叉熵阈值分割法从三维数据集中将物体像素和背景像素识别出来,然后将迭代光线追踪方法和物体检测采样策略结合起来对原始三维数据集进行采样。接着运用快速迭代法对分类数据集进行采样,从而定位视线与原始数据集的交点。IRVR算法还应用了准确正规采样方法（例如,三线性插值、样条插值等）在体绘制过程中对原始数据集进行插值。经过实验得出的结论证明IRVR算法既能提高体绘制的速度,又可以保证体绘制图像的质量。     

基于关联分析的文本分类特征选择算法

提出一种在选取特征时考虑特征与特征之间联系的算法。对特征词之间的关联关系进行挖掘,找出那些对类别有重要影响的特征词组,而这些特征词组中的每个单词在传统单独打分策略的特征选择算法中很可能会因分值过低而被丢弃。在Ruters21578、20Newsgroup文本数据集上进行实验,将算法与广泛应用的特征选择算法(信息增益、CHI等)进行对比、分析。实验结果表明该方法是一种有特点、有效的特征选择方法。     

An Enhanced Markov Chain Monte Carlo-Integrated Cross-Entropy Method with a Partially Collapsed Gibbs Sampler for Probabilistic Spinning Reserve Adequacy Evaluation of Generating Systems

Probabilistic adequacy evaluation of allocated spinning reserve is beneficial to economically regulating this foremost auxiliary service to counterbalance unforeseen generation-demand mismatches. As the time horizon for a probabilistic spinning reserve adequacy investigation task may vary from several to dozens of minutes, adaptive importance sampling methods, such as the classical cross-entropy method and its variants, are appealing instead of the classical non-sequential Monte Carlo to estimate desired reliability indices due to the rareness of demand-not-supplied contingencies. In this article, a new adaptive cross-entropy method is proposed, particularly, nesting a specially optimized partially collapsed Gibbs sampler to help in avoidance of locally trapped Markov chain samples which may be encountered by traditional cross-entropy methods. RTS-79 is utilized for illustrating the superiority of the proposed method, termed E-MICEM, against its parent method, i.e., the Markov chain Monte Carlo-integrated cross-entropy method. Two traditional indices including loss of load probability and expected demand not supplied are comparatively evaluated and the simulation results suggest that the E-MICEM is superior in the efficiency of estimating the two indices. Some advices are also given on the build-in-parameter regulation for the E-MICEM applicable to the systems of different dimensions.     

基于多分类及特征融合的静默活体检测算法

现有的静默活体检测研究忽略不同非活体攻击方式之间的差异,以及不考虑活体和非活体样本类别不均衡对模型学习的不利影响. 本研究将非活体攻击类别细分成打印攻击和展示攻击,将静默活体检测由传统的二分类问题转变为多分类问题,并提出采取交叉熵作为损失函数对网络模型进行训练的方案,用以克服二分类和类别不均衡问题,使得模型训练中能更准确发现和抽象出非活体人脸样本共同的欺诈特征,提高网络模型对非活体识别的精准度. 构建双流特征融合网络模型,采取注意力机制对从RGB和YCrCb这2种不同色彩空间提取到的特征向量进行自适应加权融合,以进一步提升网络模型的特征表示能力. 在CASIA-FASD、Replay-Attack、MSU-MFSD和OULU-NPU 4个公开数据集进行大量的对比实验,实验结果表明,采取多分类策略以及特征融合的静默活体检测模型能够有效降低分类错误率并提升泛化能力.