基于自适应多特征融合的红外图像增强算法

针对红外图像纹理不清晰、亮度低、高噪声的问题,提出了一种自适应多特征融合的红外图像增强算法。首先,通过用自动线性映射的方法对14位红外图像进行有效特征提取得到了16位图像,提升了图像可视化效果。其次,引入广义反锐化掩模(Generalized Unsharp Masking, GUM)算法与带色彩恢复的多尺度视网膜(Multi-Scale Retinex with Color Restoration, MSRCR)增强算法联合处理的方法,获得图像不同尺度的有效信息,提升了图像的对比度。最后设计了自适应权重图,并结合图像金字塔结构的特性,对不同特征层进行有效信息的互补融合,提升了图像亮度,丰富了图像的纹理信息。实验结果表明,此算法有效提升了红外图像的对比度和视觉效果;相较于现有的几种算法,其平均梯度(Average Gradient, AG)约提升0.6%,峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)约提升10%,图像的边缘信息有效率约提升11%,图像的清晰度约提升10%。     

结合缓冲区与三元组损失的孪生网络目标跟踪

针对SiamRPN(Siamese Region Proposal Network)在目标被短时遮挡以及外观剧烈变化的情况下存在定位不准确的问题,提出一种结合目标跟踪缓冲区与三元组损失的目标跟踪算法.该算法首先将原有的固定模板改为动态模板,提升复杂环境下相似度判别的可靠性;然后在模板缓冲区稀疏地缓存目标外观以应对跟踪过程中非语义样本的干扰,增强目标跟踪的鲁棒性;最后应用三元组损失以充分利用目标的正负样本特征,使跟踪更加具有判别能力.使用OTB100数据集进行实验,结果表明所提算法的成功率曲线下面积较SiamRPN提高了0.021,平均中心位置误差降低了25.56 pixel,平均重叠率提高了25.2％.     

一种学习稀疏BN最优结构的改进K均值分块学习算法

目前贝叶斯网络(Bayesian networks, BN)的传统结构学习算法在处理高维数据时呈现出计算负担过大、在合理时间内难以得到期望精度结果的问题.为了在高维数据下学习稀疏BN的最优结构, 本文提出了一种学习稀疏BN最优结构的改进K均值分块学习算法.该算法采用分而治之的策略, 首先采用互信息作为节点间距离度量, 利用融合互信息的改进K均值算法对网络分块; 其次, 使用MMPC (Max-min parent and children)算法得到整个网络的架构, 根据架构找到块间所有边的可能连接方向, 从而找到所有可能的图结构; 之后, 对所有图结构依次进行结构学习; 最终利用评分找到最优BN.实验证明, 相比现有分块结构学习算法, 本文提出的算法不仅习得了网络的精确结构, 且学习速度有一定提高; 相比非分块经典结构学习算法, 本文提出的算法在保证精度基础上, 学习速度大幅提高, 解决了非分块经典结构学习算法无法在合理时间内处理高维数据的难题.     

贝叶斯网络的结构学习综述

贝叶斯网络是一种描述变量间不确定性因果关系的概率图模型,广泛应用于预测、推理、诊断、决策风险及可靠性分析等领域.结构学习作为构建贝叶斯网络的基础,被证实为非确定多项式难题.文中将贝叶斯网络结构学习按照数据量大小分为完备数据和缺失数据,将完备数据下的贝叶斯网络结构学习分为近似学习算法和精确学习算法.根据上述分类方法,对现...     

融合先验知识的BP神经网络锂电池剩余寿命预测

针对锂电池数据为小样本条件下构建的神经网络模型泛化性差、预测误差大的问题,文中提出了一种融合先验知识的BP神经网络的建模方法。利用自适应权重粒子群算法优化网络的初始权值和阈值,以惩罚函数法的形式将单调性约束加入网络性能函数中,完成神经网络优化设计。实验采用NASA锂电池失效数据集,增加单调性的先验知识,对所提算法进行验证。仿真结果表明：在锂电池数据为小样本条件下,文中所提算法与其他常用锂电池预测算法相比平均误差下降5%,建立了预测误差与单调性约束项系数之间的关系,有效地解决了锂电池数据为小样本条件下模型预测精度低等问题。     

基于改进粒子群优化算法的贝叶斯网络结构学习

贝叶斯网络结构学习是数据挖掘和知识发现领域的重要研究技术之一,在网络结构的搜索空间较大的情况下,传统的二值粒子群优化算法往往存在收敛速度慢,容易陷入局部最优,学习精度较差的缺陷。在传统二值粒子群优化算法基础上,利用互信息限制粒子群算法的初始化,缩小算法的搜索空间,同时构建新的进化模型代替原有的进化公式,使得改进后的算法具有更强的寻优能力。采用ASIA网络作为仿真模型,并与原有算法比较,结果表明,改进算法能够在较少的迭代次数下找到较优的解,并且基本没有增加算法的复杂度。     

基于加性协同的离散贝叶斯网络参数学习

针对小数据集条件下离散BN参数学习的问题,为了将加性协同约束融入到BN参数学习过程中,通过借鉴经典保序回归算法的思想,提出四种处理加性协同约束的方法,进而利用经典的草地湿润模型对改进算法进行仿真,并与最大似然估计算法进行对比,仿真结果表明,改进算法在精度上有一定优势,能够很好的对最大似然估计算法进行修正,得到相对准确的参数,然而时效性则劣于最大似然估计算法.进一步将改进算法应用到弹道导弹突防模型的参数学习中,通过推理分析验证算法的有效性.     

机械工艺卡非规则表格元素识别算法

在现有纸质机械工艺卡中,表格元素存在纵向线段不连续、框线错位、跨页等不规则现象,导致传统的光学字符识别(OCR)算法无法准确定位识别表格元素,由此提出一种融合局部特征的非规则表格识别算法。首先,进行区域分块阈值求解,包括分块提取、局部横向线段检测、行距均值聚类求解,以及基于行距阈值的分块区域纵向线段检测;其次,进行表格区域预定位识别,包括源文件腐蚀、灰度二值化、自适应基础阈值的横向线段提取、基于行距阈值的纵向线段预提取、纵向分块图像特征融合、自定义掩膜处理,以及轮廓预提取;最后,使用区域重检测的方法,对预提取表格区域进行精准判别。经实验验证,该方法可以有效地解决未校正、纵向线段不连续、表格跨页等复杂表格难以准确定位提取的问题。在12 840张表格图像构成的测试集样本中进行了测试,平均识别准确率可达98.03%以上。该算法简洁有效,并在QT集成开发环境上得到了实现,该OCR软件已在某研究所信息化中心得到了成功应用。     

小数据集BN建模方法及其在威胁评估中的应用

贝叶斯网络是数据挖掘领域的主要工具之一。在某些特定场合,如重大装备的故障诊断、地质灾害预测及作战决策等,希望用少量数据得到较好的结果。因此,本文针对小数据集条件下的贝叶斯网络学习问题展开研究。首先,建立基于连接概率分布的结构约束模型,提出I-BD-BPSO（Improved-Bayesian Dirichlet-Binary Particle Swarm Optimi-zation）结构学习算法;其次,建立单调性参数约束模型,提出MCE（Monotonicity Constraint Estimation）参数学习算法;最后,应用所提算法构建威胁评估模型并应用变量消元法进行推理计算。实验结果表明,在小数据集条件下,本文的结构学习算法优于经典的二值粒子群优化算法,参数学习算法优于最大似然估计、保序回归及凸优化算法,并能够构建有效的威胁评估模型。     

小数据集条件下贝叶斯网络自适应参数学习方法

针对小数据集条件下贝叶斯网络参数学习问题,约束最大似然(CML)和定性最大后验概率(QMAP)方法是两种约束适用性较好的方法.当样本数量、约束数量、参数位置不同时,上述两种方法互有优劣,进而导致方法上的难以选择.因此,本文提出一种自适应参数学习方法:首先,利用CML和QMAP方法学习得到两组参数;然后,基于拒绝–接受采样和空间最大后验概率思想自定义计算得到样本权重、约束权重、参数位置权重;最后,基于上述参数和权重计算得到新的参数解.实验表明:在任何条件下,本文方法计算得到参数的精度接近甚至优于CML和QMAP方法的最优解.