基于平滑帧差法的混合高斯模型的研究与应用

鉴于传统混合高斯模型在光照突变、噪声干扰时鲁棒性不高,易造成检测错误等问题,提出一种改进的监控视频前景运动目标提取算法.该算法将帧差法平滑化,再与混合高斯模型相结合,分别采用正序和倒序对样本灰度矩阵处理,增强识别准确度.通过基于灰度图的协方差矩阵导出仿射不变量,根据已有的仿射不变量对灰度图进行识别、分析,得到在晃动视频下的前景运动目标的较准确提取.不同场景的视频检测结果表明,改进算法有效克服了监控摄像头晃动或偏移、光照突变、噪声干扰、"空洞"及"双影"现象,与同类算法相比,具有更高的准确度和鲁棒性.     

一个有效两阶段最优控制问题的算法

讨论了一类动态连续系统的最优控制问题,提出了一种两级最优控制算法.该算法首先把原问题转化为参数最优控制问题,然后从参数最优控制问题的解集中挑出原问题的最优控制.建立了算法的理论基础,证明了算法的收敛性.仿真结果表明算法是有效的.     

监控图像中的人体识别

在变电站的安防范围中有不少无人危险区域,采取视频监控的方式发现闯入危险区域的人并做出预警与警告是主要的监控安防手段.监控图像对人体的识别是一种动态模式识别,采用模糊聚类的方法将视频图像中的静态图像元素过滤,针对动态的像素区域采用对图像识别鲁棒性好的卷积神经网络来识别人体形态,能够快速地对形态多变的人体进行有效识别.     

一种快速感知器学习算法

给出一种快速感知器学习算法——变步长感知器学习算法 ,这种学习算法依公式 W(k+1) =W(k) -2 W(k) XTk X(k)调整权值和阈值。定理表明这种算法必然在有限步内收敛。     

用于机械手的涉及模型关节控制器神经网络连接权矩阵的计算

CMAC神经网络已被广泛用于机械手的控制,但这种网络的连接权矩阵通常由学习得到,有时因学习时间长而影响控制的适时性。本文提出一种连接权矩阵的计算方法,不用学习可直接计算求得连接权矩阵,其均方根误差近似为零,从而实现了用于机械手控制的机械手CMAC神经网络的记忆。保证了机械手控制的适时性。     

模糊神经网络的二阶段变半径随机搜索算法

研究基于正态隶属函数的模糊神经网络的学习算法.将模糊神经网络对一组样本的逼近误差表示为两组相互独立,可分批学习的可调参数的非负函数之和.其中一组可调参数可通过令相应的非负函数为零直接求得,而与另一组可调参数相对应的非负函数就是用于这组参数学习的性能指标.经对性能指标性质的分析给出了一种模糊神经网络的学习算法--二阶段变半径随机搜索法.实例表明,这种方法简便易行,可使模糊神经网络达到较高的逼近精度.     

基于Grad-CAM与KL损失的SSD目标检测算法

鉴于Single Shot Multibox Detector（SSD）算法对中小目标检测时会出现漏检甚至错检的情况,提出一种改进的SSD目标检测算法,以提高中小目标检测的准确性.运用Gradient-weighted Class Activation Mapping（Grad-CAM）技术对检测过程中的细节作可视化处理,并以类激活图的形式呈现各检测层细节,分析各检测层的类激活图发现SSD算法中待检测目标的错检以及中小目标的漏检现象与回归损失函数相关.据此,采用Kullback-Leibler（KL）边框回归损失策略,利用Non Maximum Suppression（NMS）算法输出最终预测框.实验结果表明,改进算法相较于已有检测算法具有更高的准确率以及稳定性.     

神经网络输出两阶段优化及其应用

1　引言随着计算机在生产控制中的广泛应用 ,钢铁企业在其生产过程中必然搜集了大量的热轧数据 .这些数据实际上是企业的经验和知识积累 ,当其积累到一定程度时 ,必然会反映出生产和决策的规律性 .同时 ,在大多数情况下用户对热轧产品质量的要求往往越高越好 .这就要求钢铁企业     

一类优化问题的分解算法

讨论一类大规模系统的优化问题,提出一种递阶优化方法．该方法首先将原问题转化为多目标优化问题,证明了原问题的最优解在多目标优化问题的非劣解集中,给出了从多目标优化问题的解集中挑出原问题最优解的算法,建立了算法的理论基础．仿真结果验证了算法的有效性．     

基于HHUI的旅游产品套餐模式挖掘

针对效用关联规则容易导致从交易数据中找出高效项目集所指向的产品有价无市的问题,设计了一种HHUI(高效频繁项集),它不仅考虑交易中每个项目的利润和数量,还考虑了旅游产品套餐的热门时间段。提出了一种两阶段的挖掘方法,以有效地发现HHUI。首先,找到每个时间段内可能的候选HHUI;然后,通过再次扫描数据库以找到候选HHUI的实际效益值。实际旅游数据结果表明该方法是有效的。