基于FLM的特征检测算法在手势识别中的应用

提出一种用于特征检测的基于高斯函数的特征相似度函数 (FeatureLikelihoodmap(FLM) ) ,该函数是归一化为[0 ,1]的一个函数 ,它模拟了在尺度空间中各点的图像特征的相似度 .FLM继承了一些基于特征的图像描述方法的特点 ,避免了模型和数据匹配算法中所需要的大量的搜索 ,它还淘汰了基于特征的传统方法中的阈值需要 .本文推导了对称圆状特征的相似度函数 ,并且将它运用于手势识别中 ,实验结果表明该方法能很好地检测出手形特征并且进行手区域定位和手形识别 .     

复杂环境下结合EMD的GPS-IR水位反演方法

利用法国布雷斯特(Brest)港BRST测站和英国塞文大桥监测系统GNSS双频观测数据,分别在静态和高动态环境下进行GPS-IR水位反演,探究传统GNSS监测系统进行水位反演的可行性与精度.结果表明:L1波段反演精度高于L2波段;在静态场景下,GPS-IR水位反演结果与验潮站数据相关系数大于0.98,在高动态场景下,桥梁GPS-IR水位反演精度稍低.利用经验模态分解(EMD)方法对算法进行改进,提高了在桥梁复杂环境下GPS-IR水位反演结果的精度,均方根误差(RMSE)相比经典方法降低约50%.本文方法提高了GPS-IR技术在不同水域环境下的适用性,在水位监测中具有很好的应用前景.     

GNSS/SINS/视觉导航鲁棒算法

全球导航卫星系统(Global Navigation Satellite System,GNSS)、捷联惯性导航系统(Strapdown Inertial Navigation System,SINS)和视觉传感器优势互补,3者信息融合可获得高精度、无漂移的导航定位信息.针对GNSS／SINS／视觉融合导航易受运动速度、光照变化、遮挡等影响导致定位精度和鲁棒性降低问题,本文在图优化框架的代价函数中加入SoftLOne鲁棒核函数,设置量测值粗差检验程序,降低离群点带来的负面影响.进一步,对量测值计算残差进行卡方检验,对超限残差降权处理,提高系统精度和鲁棒性.实验结果表明,本文算法较不施加鲁棒核函数、不采用异常值剔除策略和卡方检验的传统算法,以及加入其他鲁棒核函数的算法精度更高、鲁棒性更好,能够较大程度提升GNSS／SINS／视觉导航定位精度和鲁棒性,在大尺度环境下,未出现较大漂移误差,绝对位姿均方根误差0.735 m,绝对位姿误差标准差0.336 m.     

组合核函数SVM在网络安全风险评估中的应用

核函数是SVM的关键技术,核函数的选择将影响着支持向量机的学习能力和泛化能力。各个普通核函数各有利弊,在分析各个普通核函数的基础上,采用了一种新的组合核函数,它既具有很好的泛化能力,也具有很好的学习能力,并将其构造的支持向量机应用到网络安全的风险评估中,与普通核函数构造的支持向量机的评估效果进行比较。结果表明组合核函数支持向量机不仅提高了分类速度,而且具有较高的分类精度。     

动态核的形态分解联想算法及抗随机噪声研究

在灰度图像分解算法和动态核形态联想记忆网络的基础上,提出了一种新的联想记忆算法--动态核的形态分解联想算法.该方法显著地提高了联想记忆抗随机噪声的能力,较好地解决了灰度图像在含噪时的联想记忆和识别的问题,从而给出了一种恢复含噪灰度图像的途径,并把该方法推广到了彩色图像的处理.通过实验,验证了该方法的良好性能,取得了理想的结果.     

截尾数据下一类半参数回归模型的估计

讨论了一类半参数回归模型y =x′β+g(t′α) +e .假定y被随机变量T右侧截尾 ,T与y独立 ,T～G。在G已知和未知两种情况下 ,构造了α、β和g(·) 的强相合估计     

基于Rough集方法的RS-MAXNET网络分类器模型

Rough集（RS）理论中如何补偿或拓展Rs约简的局部决策规则使之更加接近全局规则是一个重要的议题。本文提出RS与MAXNET网络结合拓展建立盼MAXNET全局网络分类器模型。基于上述模型进行的脱机手写模式识别算法说明了其有效性。     

基于掩模金字塔的高精度全局运动估计算法

在视频序列的全局运动估计中,前景运动对象的存在常常会大幅度地降低估计的精度,为此提出一种对前景对象自适应的高精度全局运动估计算法.该算法以像素块为单位,利用块内外点的比重判定前景区域,同时引入马尔可夫聚类方法进行后处理,有效地提高了运动对象的定位精度;通过对目标函数引入权重系数增强对残差的鲁棒性,以进一步提高算法的估计精度.此外,基于像素掩模的3层金字塔构建序列图像,并将改进的梯度方法引入到优化过程中,提高了算法的实时性.对不同运动类型的标准视频序列的实验结果表明,该算法有效地提高了全局运动估计的精度和速度.     

基于全局自注意力的小麦图像识别

在实际应用场景下,通过图像识别的方式来识别小麦的病虫害具有极大的挑战性。与以往纯粹基于卷积神经网络（Convolutional Neural Network, CNN）的方法相比,将小麦图像转换成一系列视觉语言,并从全局视角进行小麦识别的方法是更可行和实用的。运用Convolutional Visual Transformers（CVT）来解决小麦识别分为2个环节。首先,利用2分支CNN生成的2种特征图来实现注意选择性融合(Attentional Selective Fusion, ASF)。ASF通过融合多个特征和全局-局部注意力来获取有区别的信息,并投射成一系列的视觉语言。其次,受Transformers在自然语言处理方面的成功启发,用全局自注意力来建模这些视觉语言之间的关系。将CVT与经典分类网络LeNet-5、ResNet-18、VGG-16、EfficientNet对比,识别率有所提升,同时该方法具有良好的泛化能力。     

一类具有时滞的广义Hopf ield 神经网络的全局稳定性

通过引入能量泛函，分析了一类具有时滞的广义Hopfield神经网络的全局稳定性．从理论上给出了该类网络为全局稳定的充分条件，证明了当时滞满足一个可计算的边界条件时，具有时滞的该类神经网络与相应的无时滞网络具有同样的全局稳定特性．仿真结果进一步证明了结论的有效性。