多输入单输出逆高斯分布流域汇流模型

本文将逆高斯分布应用于由水库和区间组成的复杂的流域汇流系统，并建立了多输入单输出逆高斯单位线模型。讨论了模型参数的估计方法，并对沾益流域的雨洪资料进行了实例分析。     

一种简便的评定引战配合效率方法

在导弹近炸引信起爆延时具有随机性基础上，本文建立了一种用延时及其数学特征表示的评定引战配合效率的简便方法，并对有关应用问题进行了讨论。     

用基函数神经网络实现多阈值图象分割

本文介绍了一种用基函数神经网络实现多阈值图象分割的新方法。它从函数逼近的角度研究基于灰度直方图的多阈值分割问题，提出了一种模糊反向传播学习算法，采用该算法的高斯基函数网络能够准确检测直方图中包含的子区域和它们的分布函数，而且速度很快。实验表明本文的方法在实际图象分割中是有效的。     

图像序列中的自动点目标空时快速检测*

提出了一种新的序列图像中点状运动目标空时快速检测方法,该方法假设经过背景杂波抑制预处理后图像已转换为类SPGWN(信号加高斯白噪声)模型.自动目标检测时图像序列被划分为多组检测单元,每单元包含两帧相邻的图像.根据目标速度限制条件,采用在单元内以及两相邻单元间沿轨迹集成像素灰度的检测算法.在付出同等运算量的代价下,克服了二维投影检测性能较差的弱点,同时也具备可检测多速率目标的优点.理论分析和仿真试验表明了该检测方法的有效性.     

基于新型混合模型的欠定盲分离方法

针对欠定盲分离问题,提出了一种新的源恢复方法. 在时频域局部区域采用复高斯分布对源信号进行建模,将语音信号的稀疏性和局部平稳性结合在一起,提出了一种新的混合模型来描述观测信号在局部区域的概率分布.通过该模型,将每个时频点的源信号状态的判断问题转换成模型的参数估计和后验概率的计算问题,最后通过子混合矩阵的逆恢复出源信号. 实验结果表明,该方法具有很快的收敛速度,并且比已有方法具有更好的分离性能.     

基于NSST和RI-LPQ的纹理图像检索

针对采用单一方法提取图像特征时检索率不高的问题,结合非下采样剪切波变换(NSST)统计特征和旋转不变的局部相位量化(RI-LPQ)原理,提出一种纹理图像检索方法。非下采样剪切波不仅具有方向选择性及平移不变性,而且可以对图像进行有效的稀疏表示,与传统小波相比,可有效捕捉图像的边缘轮廓等纹理信息,与非下采样轮廓波相比,具有更高的计算效率。利用广义高斯分布函数对图像NSST高频子带系数的统计特征进行分析,RI-LPQ描述算子直接提取图像特征,采用具有权重系数的相似性测度公式对Brodatz图像库进行纹理图像检索。实验结果表明,与传统小波和轮廓波的方法相比,NSST统计特征方法的平均检索率分别提高4.77%和1.44%,纹理图像检索方法的平均检索率分别提高7.36%和1.98%。     

β衰变中共振跃迁高斯分布谱的研究

针对弱相互作用β衰变在恒星演化晚期的重要作用,讨论了晚期恒星状态下β衰变反应中Gamow-Teller(GT)共振跃迁强度的高斯分布,基于核的壳层模型着重计算了高斯分布函数的半宽度,分别给出了核56Fe,56Co,61Ni等元素的GT跃迁宽度,结果与部分核素实验的GT跃迁强度分布谱相近.采用高斯强度分布计算β衰变率较为简单,这对于β衰变率的计算和进一步精确研究恒星晚期演化有一定的意义.     

粗糙目标光外差信号特性对探测阈值的影响

传统目标回波光外差探测使用高斯分布等简单模型来描述,这常常导致判决误差.笔者提出利用多项式对实际目标测量数据进行拟合,给出较准确的概率分布曲线.通过对某装甲车表面样块多组测量数据的统计分析显示,利用多项式拟合来确定判决阈值,比起用简单的高斯分布来确定阈值,可以获得更高的检测概率和更低的误警概率.研究表明,对实测中频信号的统计直方图进行多项式拟合,有利于精确设置探测阈值,可以使检测概率提高6.02%,误警概率降低7.7%.文中结果为粗糙面回波外差探测系统设计提供定量参考,也为探测系统性能评估仿真提供依据.     

机载跟踪器的逃逸目标图像快速识别模型仿真

机载跟踪器进行逃逸目标识别跟踪的过程中,目标往往是高速移动的,为了逃逸跟踪,运动的速度和方向具有较大的突变性,与跟踪器之间会形成较大的跟踪距离差.传统的视觉方法为了弥补这种距离差,通过减少采集图像的样本,以提高跟踪的准确性,但是一旦样本数量过少,将会导致识别跟踪的准确性降低.提出基于高斯分布的动态逃逸目标识别跟踪方法.对跟踪目标图像进行归一化处理,获取与数据库中的样本图像具有同样的尺寸和分辨率的图像.计算动态目标图像的形心,根据高斯分布原理建立动态目标的识别跟踪模型,并对模型中的相关参数进行及时更新,保证了动态目标识别跟踪的及时性和准确性.实验结果表明,利用改进算法能够有效提高动态目标识别跟踪的准确性,缩短了识别跟踪的时间.     

斯坦福大学公开课：机器学习课程——Open Stanford Course Engineering Everywhere-MachineLearning

随着"智能制造"概念的普及,人工智能技术的研究与应用变的越来越被人们关注。人工智能在制造中的运用已经成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。机器学习无疑是最有希望实现这个"智能"的研究方向之一。斯坦福大学的"Stanford Engineering Everywhere"免费提供学校里最受欢迎的工科课程给全世界的学生和教育工作者。得益于这个项目,我们有机会和全世界站在同一个数量级的知识起跑线上。