高斯分布
- 樹指標(biāo)馬氏鏈關(guān)于高斯分布的一個強(qiáng)極限定理
標(biāo)馬氏鏈關(guān)于高斯分布的一個強(qiáng)極限定理任雙雙（鄭州科技學(xué)院 基礎(chǔ)部，河南 鄭州 450064）通過引入滑動相對熵的相關(guān)概念，對非齊次樹上馬氏鏈進(jìn)行研究，基于高斯分布給出了一個強(qiáng)極限定理.強(qiáng)極限定理；非齊次樹；高斯分布；滑動相對熵；馬氏鏈1 引言及預(yù)備知識若2 主要結(jié)果及證明證明由式（5），有由式（10）（11），有由式（12）（13），有則由式（19）（20），有由式（8）（9）（16）（21），有由式（22），有從而式（17）成立．從而式（18）成立． 證
高師理科學(xué)刊 2022年11期2023-01-13
- 基于超高斯函數(shù)的光纖耦合半導(dǎo)體激光器輸出光束橫向光強(qiáng)分布研究
表明，使用超高斯分布模型能清晰地反映出泵浦的實際狀態(tài)。因此，測量出光纖耦合半導(dǎo)體激光器在運轉(zhuǎn)過程中的實際光斑形狀和能量分布的變化情況，對正確評估激光光束質(zhì)量及在激光測距、跟蹤、加工等方面具有非常重要的意義。目前，國內(nèi)測量光強(qiáng)空間分布的方法眾多，有針孔掃描法、刀口掃描法、可變光闌法、CCD測量法［4］。其中，CCD測量法在測量中具有空間分辨率高、測量速度快、精度高的優(yōu)勢，且自身體積小、穩(wěn)定性好，使用簡單方便。本研究使用CCD探測器對光纖耦合半導(dǎo)體激光器輸出光
河南科技 2022年20期2022-11-23
- 400AMeV12C誘發(fā)乳膠核反應(yīng)α射彈碎片的角分布
分布符合一個高斯分布，而α射彈碎片的發(fā)射角分布需要用兩個分布寬度不同的高斯分布疊加擬合。發(fā)射角分布寬度與發(fā)射源的溫度、α粒子質(zhì)量和α粒子動量相關(guān)。由于α粒子每核子動量可以近似為彈核每核子動量，所以兩個分布寬度不同的高斯分布，認(rèn)為是由發(fā)射源溫度引起的。也就是說，在核-核碰撞時，存在兩個溫度不同的發(fā)射源[3-5]。3 α射彈碎片的橫動量分布假定射彈碎片每核子動量與入射束流每核子的動量相同。那么，第i個射彈碎片的橫動量的大小為[6]：這里θi為第i個射彈碎片的發(fā)
山西大同大學(xué)學(xué)報(自然科學(xué)版) 2022年2期2022-05-16
- 廣義Birnbaum-Saunders分布
rs分布是逆高斯分布和互補(bǔ)倒數(shù)的等權(quán)混合，通過將Birnbaum-Saunders分布中的逆高斯部分推廣到廣義逆高斯分布得到了廣義Birnbaum-Saunders分布，并給出了廣義Birnbaum-Saunders分布的參數(shù)的基本統(tǒng)計性質(zhì)和極大似然估計，最后通過實際數(shù)據(jù)集說明了模型的有效性．Birnbaum-Saunders分布；廣義逆高斯分布；極大似然估計Birnbaum-Saunders（BS）分布最初是由Birnbaum和Saunders于1969
溫州大學(xué)學(xué)報（自然科學(xué)版） 2022年1期2022-03-16
- 加速度地震記錄服從三維高斯分布的證明與應(yīng)用
速度記錄服從高斯分布的檢驗將初至P波的時間窗口劃分為5 s、10 s、15 s，再分別檢驗3個窗口內(nèi)P波NS、EW及UD分量的概率密度分布，其中每個窗口有3個分量，共9組數(shù)據(jù)樣本，每個樣本的期望μ和方差σ如表1所示。表1 加速度三分量記錄的期望μ與標(biāo)準(zhǔn)差σ利用假設(shè)檢驗方法判斷地磁低點時間是否服從高斯分布。設(shè)某一隨機(jī)變量x(-3a≥-3,b≤3(2)將表1中各組樣本的期望μ與標(biāo)準(zhǔn)差σ代入公式a=μ-σ、b=μ+σ中，求出a、b，再將a、b代入式(2)求出各組
大地測量與地球動力學(xué) 2022年2期2022-01-27
- 基于高斯分布的高鐵站最高聚集人數(shù)計算的動態(tài)規(guī)劃模型
高聚集人數(shù);高斯分布中圖分類號：U291.6 文獻(xiàn)標(biāo)識碼：A0 引言最高聚集人數(shù)指一晝夜在候車室內(nèi)瞬時出現(xiàn)的最大候車人數(shù)，是高鐵站客流組織管理及確定新建及改建鐵路客運站候車站房建筑規(guī)模的重要指標(biāo)。研究高鐵站最大聚集人數(shù)計算的主要的問題包括：（1）如何描述旅客到達(dá)及旅客疏散規(guī)律。（2）建立高鐵站聚集人數(shù)變化動態(tài)模型。參考前人研究經(jīng)驗和成果，本文使用高斯函數(shù)描述旅客到達(dá)規(guī)律、均勻分布描述旅客疏散規(guī)律，運用微積分思想建立聚集人數(shù)隨時間變化的動態(tài)模型，并通過ma
交通科技與管理 2021年34期2021-12-14
- 復(fù)雜曲面屋蓋脈動風(fēng)壓的非高斯特性及峰值因子研究
脈動風(fēng)壓符合高斯分布，然后采用統(tǒng)一的峰值因子計算其極值風(fēng)壓[3-7]。然而，隨著對大跨屋蓋風(fēng)荷載特性研究的逐步深入，國內(nèi)外學(xué)者發(fā)現(xiàn)在屋蓋迎風(fēng)前緣及拐角附近等存在流動分離的區(qū)域，脈動風(fēng)荷載呈現(xiàn)較顯著的非高斯特性[8-10]。若仍采用高斯分布描述該區(qū)域的脈動風(fēng)荷載，并按照規(guī)范給出的峰值因子進(jìn)行結(jié)構(gòu)特別是圍護(hù)結(jié)構(gòu)的抗風(fēng)設(shè)計，將低估其極值風(fēng)壓，給結(jié)構(gòu)設(shè)計帶來安全隱患。Kumar等[11-12]認(rèn)為任何屋蓋結(jié)構(gòu)的風(fēng)荷載分布都存在高斯區(qū)和非高斯區(qū)，指出了非高斯區(qū)常常位
振動與沖擊 2021年10期2021-06-03
- 基于高斯插值提高雷達(dá)測距精度的研究
波形可近似為高斯分布，通過利用高斯插值算法來預(yù)估脈壓波形真實峰值出現(xiàn)的位置，實現(xiàn)了減小距離量化誤差，提高雷達(dá)測距精度的目的。1 雷達(dá)測距量化誤差的產(chǎn)生在雷達(dá)測距過程中，影響距離跟蹤精度的因素主要包括以下幾個方面：熱噪聲[4]、多路徑、大氣傳播誤差、距離量化誤差、目標(biāo)閃爍以及定時脈沖抖動[5]。本次研究主要針對減小距離量化誤差來提高雷達(dá)測距精度[6-7]。脈沖法雷達(dá)測距的一般公式為(1)式(1)中：c為電磁波傳播速度(在自由空間傳播時約等于光速)；tR為回波
火控雷達(dá)技術(shù) 2021年1期2021-04-20
- 在高斯分布下優(yōu)化仿射變換的極限學(xué)習(xí)機(jī)
紹了一種基于高斯分布來優(yōu)化激活函數(shù)中輸入數(shù)據(jù)的縮放和轉(zhuǎn)換參數(shù)，在不需要調(diào)整隱含層輸入權(quán)重和偏置的基礎(chǔ)上，調(diào)整仿射參數(shù)來適應(yīng)隱含層輸入的分布方式，讓隱藏層輸出的分布在映射后近似于高斯分布。文中采用基于梯度下降的迭代算法來優(yōu)化仿射參數(shù)。本文的主要貢獻(xiàn)概述如下：（1）利用基于高斯分布計算的仿射參數(shù)的方法能夠避免激活函數(shù)映射之后產(chǎn)生飽和狀態(tài)，通過調(diào)節(jié)梯度下降參數(shù)迭代優(yōu)化仿射參數(shù)，能夠使激活函數(shù)主要映射在[0.2，0.8]之間。如圖1（b）所示，例中采用gisett
計算機(jī)與生活 2021年4期2021-04-11
- 利用Box-Cox變換對移動通信中小區(qū)級業(yè)務(wù)流量分布的研究
據(jù)處理成符合高斯分布或接近高斯分布的過程叫正態(tài)化處理[8]。高斯分布又叫正態(tài)分布，是一種非常經(jīng)典的分布[9]。高斯分布是人們了解非常透徹且豐富的處理方法。在大數(shù)據(jù)處理中，很多時候都是把分布處理成高斯分布，然后利用其豐富的處理方法、各種庫函數(shù)進(jìn)行進(jìn)一步的分析。高斯分布的分布密度函數(shù)為[9]：式中，μ為期望值；σ為標(biāo)準(zhǔn)差。μ=0，σ=1時的高斯分布成為標(biāo)準(zhǔn)高斯分布，其分布密度函數(shù)為：高斯分布的檢測方法有很多，其中最常用的是Q-Q圖方法。Q-Q圖方法把數(shù)據(jù)分布和
數(shù)字通信世界 2021年3期2021-04-09
- 基于遙測數(shù)據(jù)的浮標(biāo)漂移位置建模
概率密度; 高斯分布中圖分類號： U644 ? ?文獻(xiàn)標(biāo)志碼： AAbstract： In order to analyze the drifting rule of buoys in Xiamen Port main channel under external force， and to prevent the ship navigation error caused by excessive deviation， according to the t
上海海事大學(xué)學(xué)報 2021年4期2021-01-06
- 數(shù)理統(tǒng)計在西語專四考試成績分析及提升中的應(yīng)用?
;數(shù)理統(tǒng)計;高斯分布;通過率眾所周知，對于西班牙語專業(yè)的學(xué)生來說，一年一度的全國專業(yè)四級考試是一次非常重要的大考，無論學(xué)校系部還是學(xué)生本人，都非常重要西語四級考試。以四川外國語大學(xué)為例，針對學(xué)生，從大一入校開始，就制定了學(xué)習(xí)和訓(xùn)練計劃，使其能夠在大二結(jié)束前順利的通過考試。但基于歷史的數(shù)據(jù)看，考試的成績和通過率受生源、低年級任課老師的專業(yè)方向、考試難易程度、課程設(shè)置、考試復(fù)習(xí)側(cè)重點等因素影響。這種影響一般表現(xiàn)是隨機(jī)性的，更多的取決于系上工作的安排;而并非取決
散文百家·下旬刊 2020年5期2020-10-23
- EM算法在閃爍噪聲分布參數(shù)估計中的應(yīng)用
用時，常采用高斯分布和較小概率出現(xiàn)的大方差拉普拉斯分布噪聲混合進(jìn)行建模，該分布模型是研究跟蹤濾波算法的重要基礎(chǔ)[6-7]。本文專門研究角閃爍噪聲的分布參數(shù)估計，基于混合分布模型，采用EM算法估計分布參數(shù)，給出了分布參數(shù)估計的理論推導(dǎo)，列出了參數(shù)估計的計算流程，并進(jìn)行了仿真驗證。理論推導(dǎo)和仿真結(jié)果表明，采用EM算法可以估計得到混合分布模型的參數(shù)。1 閃爍噪聲分布參數(shù)的EM估計算法1.1 角閃爍噪聲的混合分布模型角閃爍噪聲，一般認(rèn)為服從混合分布模型為f(x;σ
火控雷達(dá)技術(shù) 2020年3期2020-10-13
- 2種非對稱廣義高斯分布模型的構(gòu)造
信號被假定為高斯分布(即正態(tài)分布)[1].但是，在實際的信號處理問題中，很多隨機(jī)過程都是服從廣義高斯分布(Generalized Gaussian Distribution,GGD)的.GGD在高斯分布的基礎(chǔ)上增加了自適應(yīng)系數(shù)，是高斯分布的拓展形式，且二者都是嚴(yán)格對稱的分布[2].以GGD為特例的非對稱廣義高斯分布(Asymmetric Generalized Gaussian Distribution,AGGD)突破了對稱性的限制，在處理不對稱數(shù)據(jù)樣本時
湖北理工學(xué)院學(xué)報 2020年4期2020-08-22
- 三階隨機(jī)張量高斯分布
15009）高斯分布作為一類連續(xù)概率分布在概率統(tǒng)計學(xué)中的重要地位不言而喻，其重要性主要是因自然界中大樣本的普遍性以及大樣本遵從高斯分布的趨勢性。從過去已知的各類隨機(jī)變量的大樣本研究以及自然現(xiàn)象規(guī)律性研究中，可看出人類對從隨機(jī)現(xiàn)象中的規(guī)律性汲取無法離開這種高斯分布的假設(shè)。隨著人類科技進(jìn)步和信息技術(shù)的發(fā)展，人們獲取的信息數(shù)據(jù)開始趨向于超高維（階）和超大樣本集合，這時，傳統(tǒng)的數(shù)據(jù)統(tǒng)計分析和數(shù)據(jù)分布的概率模型假設(shè)似乎出現(xiàn)了一些問題。矩陣高斯（正態(tài)）分布是多元正態(tài)分
蘇州科技大學(xué)學(xué)報(自然科學(xué)版) 2019年3期2019-09-20
- 基于蒙特卡羅方法的核衰變實驗數(shù)據(jù)分析
】 核衰變;高斯分布;實驗數(shù)據(jù)分析;蒙特卡羅方法【中圖分類號】 O571 【文獻(xiàn)標(biāo)識碼】 A【文章編號】 2096-4102（2019）03-0094-03 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：1引言核衰變統(tǒng)計規(guī)律分析是近代物理實驗的重要內(nèi)容之一。其實驗?zāi)康氖橇私夥派湫杂嫈?shù)的性質(zhì)，學(xué)習(xí)檢驗測量數(shù)據(jù)的分布類型，加深對衰變物理過程的認(rèn)識。因此，核衰變實驗除了要進(jìn)行大量的數(shù)據(jù)采集之外，更主要的是應(yīng)用統(tǒng)計方法分析實驗數(shù)據(jù)，并從中尋找核衰變符合的物理規(guī)律。由于核
山西能源學(xué)院學(xué)報 2019年3期2019-09-10
- 靜態(tài)存儲器用非晶硅薄膜晶體管輸出特性研究
態(tài)和類受主態(tài)高斯分布的增大而減小，減小而增大；漏電流隨著定義模型的溫度升高而增大，溫度降低而減小?！娟P(guān)鍵詞】非晶硅薄膜晶體管；漏電流；摻雜濃度；高斯分布；態(tài)密度；能帶密度中圖分類號： TP333 文獻(xiàn)標(biāo)識碼： A 文章編號： 2095-2457（2018）20-0225-002DOI：10.19694/j.cnki.issn2095-2457.2018.20.1020 引言隨著低溫技術(shù)和大面積制備技術(shù)的發(fā)展，非晶硅薄膜晶體管的應(yīng)用也越來越廣泛[1]。除了應(yīng)
科技視界 2018年20期2018-11-21
- 基于高斯分布的檢測算法在居民用電行為異常分析中的應(yīng)用
工作量。其中高斯分布的檢測算法能夠進(jìn)行對用電行為進(jìn)行分析，因此希望通過高斯分布的檢測算法對居民用電行為異常進(jìn)行分析。1 居民用電行為異常分析常用算法分析1.1 規(guī)則制定法這是比較常用的一種方法，即通過歷史經(jīng)驗或者對數(shù)據(jù)進(jìn)行一定的處理并且得到閾值，并且制定一系列規(guī)則，在用戶用電量在一定條件下高于該閾值的時候便自動判定為異常。該方法優(yōu)點為簡單快捷，可以通過規(guī)則一步得出用電異常的用戶或者通過閾值得到用電嫌疑用戶，但是缺點也十分明顯，即根據(jù)歷史經(jīng)驗或者對數(shù)據(jù)簡單處
電子測試 2018年21期2018-11-08
- GQPSO算法在動態(tài)環(huán)境優(yōu)化問題中的應(yīng)用
提出一種基于高斯分布的量子行為粒子群優(yōu)化算法（GQPSO）。在改進(jìn)算法中，種群中粒子的吸引子由高斯公式產(chǎn)生。通過對比3種吸引子對算法的影響，確定了產(chǎn)生吸引子的最佳更新公式。此外，GQPSO算法中粒子的位置由概率密度函數(shù)以一定概率分散在搜索空間內(nèi)，處于束縛狀態(tài)，因此可以增加種群多樣性以達(dá)到全局搜索，從而提高GQPSO算法在求解動態(tài)環(huán)境優(yōu)化問題上的收斂能力。關(guān)鍵詞：高斯分布；粒子群算法；動態(tài)環(huán)境；優(yōu)化問題DOIDOI：10.11907/rjdk.173334中
軟件導(dǎo)刊 2018年8期2018-10-29
- 航空發(fā)動機(jī)附件機(jī)匣齒輪磨損振動統(tǒng)計分析
振動響應(yīng)滿足高斯分布特征，此分析方法可為其它型號發(fā)附機(jī)匣齒輪副磨損故障提供工程經(jīng)驗。關(guān)鍵詞：附件機(jī)匣；振動；頻譜；高斯分布中圖分類號：V233文獻(xiàn)標(biāo)識碼：A文章編號：2095-6487 （2018） 01-0081-020 引言鑒于外場某型發(fā)動機(jī)附件機(jī)匣近期頻繁出現(xiàn)滑油光譜鋁含量超標(biāo)問題，專門組織開展排故工作。振動瞳[2]作為排故工作其中的切入點，主要研究振動與發(fā)附機(jī)匣光譜超標(biāo)關(guān)聯(lián)性問題。從振動響應(yīng)幅值角度分析振動與光譜超標(biāo)的關(guān)聯(lián)性，同時通過振動頻域特征[
今日自動化 2018年1期2018-10-21
- 改進(jìn)的快速遺傳算法在函數(shù)優(yōu)化中的應(yīng)用
度以S曲線和高斯分布曲線形式進(jìn)行非線性自適應(yīng)調(diào)整。通過案例仿真分析，證明了該方法的可行性和有效性，且具有更快的收斂速度和更可靠的穩(wěn)定性。關(guān)鍵詞： 遺傳算法； 高斯分布； 自適應(yīng)； 收斂； 性能仿真； 函數(shù)優(yōu)化中圖分類號： TN911.1?34； TP18 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）17?0153?05Abstract： Genetic algorithm （GA）， as a global stochastic optim
現(xiàn)代電子技術(shù) 2018年17期2018-09-12
- 基于混合高斯模型的生豬個體檢測算法
有像素對應(yīng)的高斯分布個數(shù)都保持固定不變，在實際高斯背景建模場景中，不同區(qū)域?qū)?yīng)場景的狀態(tài)變化是不同的，隨著場景變化，同一區(qū)域的狀態(tài)個數(shù)也會改變，若對所有像素點都保持相同的模型個數(shù)，算法效率低造成大量的資源浪費，難以實現(xiàn)實時性。（2）模型中采用固定學(xué)習(xí)率，當(dāng)學(xué)習(xí)率與場景速度不匹配時，檢測結(jié)果會出現(xiàn)誤判點、漏檢以及“鬼影”現(xiàn)象。Stauffer與Grimson構(gòu)建自適應(yīng)的混合高斯背景模型，利用在線估計來更新模型，有效地解決了光照變化和背景混亂等外界干擾所產(chǎn)生的
中國農(nóng)業(yè)文摘-農(nóng)業(yè)工程 2018年4期2018-06-22
- 指數(shù)和高斯隨機(jī)粗糙表面光散射特性數(shù)值研究?
文獻(xiàn)采用的是高斯分布隨機(jī)粗糙表面，而對指數(shù)分布隨機(jī)粗糙表面的散射特性研究較少，指數(shù)分布隨機(jī)粗糙表面適用于描述具有尖峰的不規(guī)則表面，通過對指數(shù)分布隨機(jī)粗糙表面的光散射性質(zhì)的研究，可以幫助我們了解這類表面的光學(xué)性質(zhì)。因此本文生成采用線性濾波法分別生成高斯分布和指數(shù)分布的隨機(jī)粗糙表面，采用矩量法數(shù)值計算兩類隨機(jī)表面的平均差分散射系數(shù)，對比兩類表面的光散射特性。2 隨機(jī)粗糙表面一般可認(rèn)為隨機(jī)粗糙表面高度可由許多不同頻率的諧波疊加而成，因此可采用線性濾波法來生成隨機(jī)
計算機(jī)與數(shù)字工程 2018年4期2018-04-26
- 在航集裝箱船搖擺姿態(tài)的概率模型
模型近似服從高斯分布，僅其相關(guān)參數(shù)不同。該方法從在航集裝箱船搖擺姿態(tài)的角度為船舶航行安全研究提供一定的理論依據(jù)。關(guān)鍵詞： 集裝箱船； 船舶搖擺； 航行安全； 高斯分布中圖分類號： U674.131；U661.321 文獻(xiàn)標(biāo)志碼： AAbstract： In order to research the swaying attitude of container ships， especially the rolling attitude， the metho
上海海事大學(xué)學(xué)報 2017年4期2018-01-10
- 在航集裝箱船舶搖擺姿態(tài)的概率模型
模型近似服從高斯分布，僅其相關(guān)參數(shù)不同.該研究方法從在航集裝箱船舶的搖擺角度方向為船舶航行安全的研究提供了一定的理論依據(jù)。關(guān)鍵詞：集裝箱船舶；船舶搖擺；高斯分布；航行安全中圖分類號：U661.42 文獻(xiàn)標(biāo)識碼：A 文章編號：1006—7973（2017）09-0022-04為適應(yīng)現(xiàn)代航運發(fā)展的要求，集裝箱船舶得到了廣泛使用，并且正向高速化、大型化及多用途方向發(fā)展，但隨之產(chǎn)生的安全問題也受到各界的廣泛關(guān)注。在船舶航行過程中，由于風(fēng)浪等原因引起的船舶劇烈搖擺尤
中國水運 2017年9期2017-09-15
- 不同分布特性隨機(jī)噪聲的FPGA實現(xiàn)
、瑞利分布、高斯分布的噪聲樣本的FPGA實現(xiàn)方法，經(jīng)仿真驗證設(shè)計方法有效并可應(yīng)用于工程實現(xiàn)?！娟P(guān)鍵詞】隨機(jī)噪聲；均勻分布；瑞利分布；高斯分布；FPGA【Abstract】In the field of Electronic Countermeasure Technology， random noise is the basis for achieving various types of noise interference， which has the
科技視界 2017年7期2017-07-26
- 改進(jìn)的自適應(yīng)高斯混合模型運動目標(biāo)檢測算法
值；不斷更新高斯分布，刪除不滿足要求的模型，創(chuàng)建新的分布。實驗結(jié)果表明，改進(jìn)的自適應(yīng)高斯混合模型較傳統(tǒng)高斯混合模型，顯著提高了運動物體檢測的準(zhǔn)確性。關(guān)鍵詞： 高斯混合模型； 運動物體檢測； 高斯分布； 學(xué)習(xí)率取值中圖分類號： TN911.72?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）11?0065?03Moving target detection algorithm for improved adaptive Gaussian
現(xiàn)代電子技術(shù) 2017年11期2017-06-12
- 改進(jìn)RRT在汽車避障局部路徑規(guī)劃中的應(yīng)用
徑模型，采用高斯分布描述隨機(jī)采樣點，并引入啟發(fā)式搜索機(jī)制，改進(jìn)RRT算法.與原算法仿真對比，結(jié)果表明：改進(jìn)算法所規(guī)劃的路徑質(zhì)量顯著提高，規(guī)劃時間縮短一倍.同時，在Prescan軟件中搭建直道和彎道仿真場景，跟隨規(guī)劃路徑，結(jié)果表明：改進(jìn)后RRT算法所得路徑具有很好的跟隨效果，且側(cè)向加速度在車輛穩(wěn)定性要求范圍內(nèi)，說明采用改進(jìn)后的RRT算法進(jìn)行汽車局部路徑規(guī)劃可行實用.關(guān)鍵詞：快速搜索隨機(jī)樹；汽車局部路徑規(guī)劃；高斯分布；路徑跟隨中圖分類號：TP242 文獻(xiàn)標(biāo)志碼
湖南大學(xué)學(xué)報·自然科學(xué)版 2017年4期2017-05-18
- 一種基于改進(jìn)混合高斯模型的前景檢測
區(qū)域像素點的高斯分布數(shù)量，進(jìn)而降低算法運算量；建立臨時高斯分布，運用更簡單的加減運算進(jìn)一步減少運算量，最后將符合條件的臨時高斯分布轉(zhuǎn)化為正式高斯分布，避免模型無意義的頻繁更新，提高了準(zhǔn)確性。實驗結(jié)果表明，改進(jìn)后的算法與原算法相比，具有更好的實時性和很好的準(zhǔn)確性。前景目標(biāo)檢測 混合高斯模型 模型清理機(jī)制 臨時高斯分布0 引 言Stauffer和Grimson[1-2]提出的基于混合高斯模型GMM的前景檢測方法，是前景檢測領(lǐng)域的經(jīng)典算法和研究熱點。GMM通過為
計算機(jī)應(yīng)用與軟件 2017年4期2017-04-24
- 一種機(jī)械振動信號的結(jié)構(gòu)化隨機(jī)測量矩陣構(gòu)造方法
合，提出一種高斯分布循環(huán)測量矩陣，其是一種結(jié)構(gòu)化隨機(jī)測量矩陣。高斯分布循環(huán)測量矩陣的第一行元素由服從高斯分布的序列生成，通過循環(huán)移位生成剩余的所有行向量；隨機(jī)取出除第一行的其他所有行的部分元素，每個元素再乘不同的隨機(jī)數(shù)或者同一個隨機(jī)數(shù)，并放回原位置；基于高斯分布循環(huán)測量矩陣得到的機(jī)械振動信號壓縮測量值采用正交匹配追蹤算法對原始振動信號進(jìn)行重構(gòu)。高斯分布循環(huán)測量矩陣的所有元素的隨機(jī)性可以滿足測量矩陣對隨機(jī)性的要求，循環(huán)原理的內(nèi)在確定性又可滿足測量矩陣硬件實現(xiàn)
振動與沖擊 2017年7期2017-04-21
- 基于雙向分析的KGMM運動目標(biāo)檢測算法
模型共享一個高斯分布集， 減少了高斯分布個數(shù)， 保證了算法的運行速度. 實驗結(jié)果表明, 改進(jìn)的算法檢測效果更理想.混合高斯模型; 雙向建模; 運動目標(biāo)檢測0 引言基于圖像序列的運動目標(biāo)檢測是智能視頻監(jiān)控、 交通檢測及步態(tài)識別等領(lǐng)域的重要研究內(nèi)容. 目前主要的運動目標(biāo)檢測方法有光流法、 幀差法、 背景差分法. 光流法需多次迭代運算， 計算復(fù)雜耗時， 一般難以實現(xiàn)實時檢測， 算法抗噪聲等干擾能力較差， 實際應(yīng)用較少[1]. 幀差法檢測出的運動目標(biāo)位置不精確，
福州大學(xué)學(xué)報（自然科學(xué)版） 2016年1期2016-10-14
- PPM 與LDPC 光通信系統(tǒng)中脈沖展寬效應(yīng)補(bǔ)償辦法
從指數(shù)分布與高斯分布兩種情況的脈沖展寬，分別采用指數(shù)似然比補(bǔ)償和高斯似然比補(bǔ)償兩種方法進(jìn)行似然比計算。仿真結(jié)果表明，脈沖展寬服從標(biāo)準(zhǔn)差為0.46的高斯分布時，采用似然比補(bǔ)償?shù)姆椒梢允拐`碼率性能提高1.3 dB。在一定抖動范圍內(nèi)，高斯補(bǔ)償和指數(shù)補(bǔ)償具有很好的互換性?？臻g光通信；脈沖展寬；泊松信道；似然比補(bǔ)償0 引 言深空通信具有距離遠(yuǎn)、信道環(huán)境復(fù)雜和功耗要求嚴(yán)格等特點?；赑PM（脈沖相位調(diào)制）的光通信技術(shù)便作為一種優(yōu)秀的深空通信方式進(jìn)人了人們的視線。PP
光通信研究 2016年4期2016-09-20
- 一種基于高斯分布的SVM回歸方法
1）一種基于高斯分布的SVM回歸方法郭金玲（山西大學(xué)商務(wù)學(xué)院信息學(xué)院，太原 030031）核函數(shù)參數(shù)選擇是支撐向量機(jī)（SVM）研究的主要問題之一。提出檢驗樣本是否呈高斯分布的方法，確定最優(yōu)核參數(shù)選擇的依據(jù)，采用兩組數(shù)據(jù)集分別進(jìn)行回歸實驗，驗證所提出方法的有效性。支撐向量機(jī)；回歸；高斯分布0 引言支撐向量機(jī)是上世紀(jì)90年代V.Vapnik提出的一種機(jī)器學(xué)習(xí)方法，該方法可用于解決大數(shù)據(jù)領(lǐng)域中的單分類、多分類以及預(yù)測問題等[1-3]。許多學(xué)者將該技術(shù)應(yīng)用于空氣監(jiān)
現(xiàn)代計算機(jī) 2016年19期2016-09-06
- 光譜曲線概率的高光譜影像小目標(biāo)探測算法
該算法是基于高斯分布理論，可以在目標(biāo)光譜已知或未知條件下對小目標(biāo)進(jìn)行探測。經(jīng)過定性實驗和與CEM算法探測結(jié)果的定量比較分析得出，SCP算法對小目標(biāo)探測率高、探測效果好；并能有效抑制背景，不再需要白化處理，降低算法的復(fù)雜性。SCP是一種簡單、高效的高光譜影像小目標(biāo)探測算法。關(guān)鍵詞：高光譜影像；小目標(biāo)；探測算法；光譜曲線概率；高斯分布高光譜遙感影像因包涵豐富的空間、輻射和光譜三重信息而成為當(dāng)今遙感研究的熱點，高光譜遙感影像目標(biāo)探測是高光譜遙感應(yīng)用的重要研究內(nèi)容
黑龍江工程學(xué)院學(xué)報 2016年3期2016-07-19
- 基于音節(jié)時間長度高斯擬合的漢語音節(jié)切分方法
長度服從某種高斯分布和相鄰語音音節(jié)之間存在短時能量波谷兩個假設(shè)，提出了基于音節(jié)時間長度高斯擬合的漢語音節(jié)切分方法。對算法進(jìn)行分析，根據(jù)初步切分短時能量波谷分散到各分語音段的特性，提出了簡化算法，有效降低了該音節(jié)切分方法的時間復(fù)雜度。實驗結(jié)果表明，音節(jié)切分準(zhǔn)確度（與人工標(biāo)注切分時間距離平方的均值）達(dá)到小數(shù)點后3位，在臺式機(jī)Matlab環(huán)境下運算時間均不超過1s，可以達(dá)到應(yīng)用要求。關(guān)鍵詞：漢語；自然語音；音節(jié)切分；時間長度；波谷；高斯分布中圖分類號：TP391
計算機(jī)應(yīng)用 2016年5期2016-05-14
- 導(dǎo)體電阻率的統(tǒng)計動力學(xué)機(jī)制
模擬，給出了高斯分布、lévy分布等條件下導(dǎo)體的電阻率特征及機(jī)制。關(guān)鍵詞：統(tǒng)計動力學(xué)；高斯分布；lévy分布；溫度；電阻率On the Statistical Dynamics Mechanism of the Conductor ResistivityZHANG Tai-rong，LIU Song-hong (Physics and Electronic Sciences Department, Liupanshui Normal University,
遵義師范學(xué)院學(xué)報 2016年1期2016-04-18
- 魚雷彈道定位精度仿真研究*
; 定位; 高斯分布Simulation Study on the Ballistic Trajectory of TorpedoLU YangLI WeihuaZHANG ShihaiMA Jinyin(No. 91439 Troops of PLA, Dalian116041)AbstractAccording to existing problems in the measurement of underwater acoustic measurem
艦船電子工程 2016年3期2016-04-15
- 基于混合高斯模型的運動目標(biāo)跟蹤算法
有效代表它的高斯分布是否為背景模型的一部分進(jìn)行分類。本文最后得到一個穩(wěn)定、實時并且對于輕微變化不敏感和長時間的場景變化的跟蹤器，滿足24h×7的基本工業(yè)要求。概述過去較低的計算能力限制了復(fù)雜的、實時性的視頻處理應(yīng)用，導(dǎo)致許多機(jī)器視覺系統(tǒng)實時性太差難以投入實用或者對于實際的工況過多的限制條件。近年來隨著硬件計算能力的提升，研發(fā)人員越來越多的考慮采用更加復(fù)雜、健壯的數(shù)學(xué)模型完成流數(shù)據(jù)的實時分析。在安防領(lǐng)域，一個健壯的系統(tǒng)不能過度依賴攝像機(jī)安裝位置，而應(yīng)該對出現(xiàn)
中國科技信息 2015年2期2015-11-16
- 改進(jìn)粒子群算法應(yīng)用于鍋爐汽包水位控制
提出一種基于高斯分布的粒子群優(yōu)化算法，該算法利用高斯分布隨機(jī)數(shù)選取的特性，若選擇合適的參數(shù)，不僅有利于算法收斂速度增快，而且增加了跳出局部最優(yōu)的機(jī)制。應(yīng)用于四個標(biāo)準(zhǔn)測試函數(shù)表明，當(dāng)高斯分布選取μ=0.5，P=97%(σ2=0.23)時，性能較優(yōu)秀。之后將改進(jìn)的粒子群算法應(yīng)用于鍋爐汽包水位串級三沖量PID控制系統(tǒng)的參數(shù)整定當(dāng)中，經(jīng)過matlab中的simulink模塊仿真，取得較好的效果。粒子群優(yōu)化算法；收斂速度；高斯分布；鍋爐汽包水位鍋爐汽包水位是工業(yè)鍋爐
太原科技大學(xué)學(xué)報 2015年6期2015-05-11
- 基于高斯混合模型的運動目標(biāo)檢測
該圖像灰度的高斯分布。這些分布中，由于背景和目標(biāo)存在差異，可以將這些高斯分布分為背景描述分布和前景描述分布。實際應(yīng)用中攝像頭捕捉到的視頻圖像比較復(fù)雜，背景中有可能存在目標(biāo)運動或背景晃動、光照變化等情況，對應(yīng)的圖像的像素區(qū)域就會呈現(xiàn)出多個峰值的特性，可以認(rèn)為此特性是幾個高斯分布相疊加共同作用的結(jié)果并將其稱為高斯混合模型［3］。通過當(dāng)前圖像與當(dāng)前時刻的背景進(jìn)行加權(quán)平均從而更新背景，如圖1所示，其中高斯分布的數(shù)目常用K來表示，一般是3～7個。圖1 基于高斯混合模
機(jī)械設(shè)計與制造工程 2015年10期2015-05-07
- 一種兩步高斯混合模型的運動目標(biāo)檢測方法
現(xiàn)自適應(yīng)調(diào)整高斯分布個數(shù)。引入光照變化參數(shù)，根據(jù)光照的變化動態(tài)更新學(xué)習(xí)率。利用上述方法得到圖像的背景與前景分割，通過像素點的計算來優(yōu)化高斯混合模型檢測結(jié)果。實驗結(jié)果顯示，該方法能有效可靠地分離目標(biāo)，并獲得較好的檢測效果。高斯混合模型；目標(biāo)檢測；背景建模；高斯分布；背景差DO I：10.3969/j.issn.1000-3428.2015.10.0461 概述運動目標(biāo)檢測［1-3］是在圖像序列中對運動目標(biāo)進(jìn)行判斷，并準(zhǔn)確分割出運動目標(biāo)。常用的運動目標(biāo)檢測方法
計算機(jī)工程 2015年10期2015-03-07
- 基于高斯分布判決的SAR原始數(shù)據(jù)壓縮方法
緩變的零均值高斯分布信號這一特性，將原始數(shù)據(jù)沿方位向和距離向分成若干小塊(如32×32)，使小塊數(shù)據(jù)的動態(tài)范圍小于整個數(shù)據(jù)塊的動態(tài)范圍，再對每個數(shù)據(jù)塊進(jìn)行歸一化處理，利用標(biāo)準(zhǔn)高斯信號的最優(yōu)量化器Lloyd-Max［2］實現(xiàn)整個數(shù)據(jù)塊的自適應(yīng)量化，達(dá)到數(shù)據(jù)壓縮的目的。由于其在壓縮性能與硬件實現(xiàn)復(fù)雜度之間的良好折中，成為SAR原始數(shù)據(jù)壓縮算法事實上的標(biāo)準(zhǔn)。由于受BAQ算法思想的影響，陸續(xù)出現(xiàn)了一系列BAQ的變異和改進(jìn)算法。這些算法包括BFPQ 算法［3］，BA
現(xiàn)代雷達(dá) 2015年2期2015-01-01
- 基于改進(jìn)型混合高斯模型的運動目標(biāo)檢測
性看作是多個高斯分布的疊加，文獻(xiàn) ［3－5］提出了利用混合高斯模型（GMM）來建立背景模型，文獻(xiàn) ［6，7］對混合高斯建模方法做了詳細(xì)的分析，文獻(xiàn) ［8，9］對此方法在智能交通系統(tǒng)中的應(yīng)用做了詳細(xì)介紹。但是傳統(tǒng)混合高斯模型也有它的缺點，例如，更新背景噪聲較大，參數(shù)更新運算量大，實時性不夠，文獻(xiàn) ［10］就是將參數(shù)更新率設(shè)定為固定值，從而增強(qiáng)了該算法的實時性。本文在傳統(tǒng)混合高斯模型的基礎(chǔ)上，對模型匹配和參數(shù)更新兩方面做了改進(jìn)，不僅提高了混合高斯模型的檢測效果
計算機(jī)工程與設(shè)計 2014年3期2014-12-23
- 基于自適應(yīng)閾值的運動目標(biāo)檢測方法
提出利用多個高斯分布構(gòu)建背景模型的方法得到了廣泛的應(yīng)用，但該方法收斂速度比較慢，計算量大，易受光照變化和噪聲的影響。近年來，許多學(xué)者對其進(jìn)行了大量的研究。例如，文獻(xiàn)[4]提出對均值和方差采用不同的學(xué)習(xí)速率；文獻(xiàn)[5]用混合高斯模型對前景進(jìn)行粗分割，然后采用結(jié)構(gòu)梯度互相關(guān)系數(shù)對粗分割結(jié)果進(jìn)行校正，以提高目標(biāo)檢測的精度；文獻(xiàn)[6]提出對 混合高斯模型檢測出的前景和背景，采用不同的更新策略，以實現(xiàn)背景模型的實時更新；文獻(xiàn)[7]針對傳統(tǒng)混合高斯背景僅對單個像素建模
計算機(jī)工程與應(yīng)用 2014年12期2014-04-03
- 視覺數(shù)控安全監(jiān)控技術(shù)研究
這些數(shù)值服從高斯分布，其均值和方差分別為:若考慮燈光、機(jī)床震動等因素，就會有多個高斯分布，將這些高斯分布根據(jù)權(quán)重疊加在一起就構(gòu)成了該像素最終的背景模型，也即混合高斯模型［2］?；旌细咚鼓Ｐ偷?span id="j5i0abt0b" class="hl">高斯分布個數(shù)由以下兩種情況確定:(1)燈光變化。假設(shè)燈光照度穩(wěn)定的話，不開機(jī)床燈和開機(jī)床燈的兩種情況，就產(chǎn)生了兩個高斯分布。(2)機(jī)床震動。每臺機(jī)床震動頻率不同，這種情況是客觀存在的。對一種機(jī)床，有其固定震動頻率nm。相機(jī)拍攝圖片也有頻率(比如普通攝像機(jī)1 s 有30
機(jī)床與液壓 2014年5期2014-03-18
- 基于q－高斯分布的投資組合實證分析
［1］。q－高斯分布是q－分布家族中重要的一員，實質(zhì)上可以看作是在約束條件下Tsallis熵最大化而得到的一種概率密度函數(shù)，亦可以看作是一種廣義高斯分布［2］。q－高斯分布可以由多種模型或隨機(jī)微分方程推導(dǎo)出來，而且表達(dá)形式也稍有差異。其中由線性隨機(jī)微分方程推導(dǎo)出的密度函數(shù)表達(dá)形式易于理解和應(yīng)用，參數(shù)對分布的影響也很直觀［3－4］。q－高斯分布比高斯分布更加靈活，其參數(shù)可以靈活地控制其尖峰厚尾分布，這對研究具有尖峰厚尾分布特性的金融時間序列有重要意義。為了研
統(tǒng)計與信息論壇 2014年5期2014-01-01
- 基于改進(jìn)的混合高斯模型背景減除算法
作.1.2 高斯分布背景模型背景減除法中經(jīng)常使用混合高斯模型作為背景模型進(jìn)行目標(biāo)檢測，它可以自適應(yīng)學(xué)習(xí)和表示分布復(fù)雜的背景.基于混合高斯模型的目標(biāo)檢測核心在于高斯模型參數(shù)的確定.(1)單高斯分布背景模型單高斯分布背景就是為背景圖像中每個像素點建立一個高斯分布表示的模型η(x,μt,∑t)，其中t表示時間.設(shè)像素點的當(dāng)前灰度值為Xt，若η(xt,μt,∑t)≤Tp，則該點被判定為前景點，否則為背景點，這里的Tp為概率閾值.但隨著時間的推移，高斯分布模型需要根
河南工程學(xué)院學(xué)報(自然科學(xué)版) 2013年3期2013-11-20
- 基于逆高斯分布的復(fù)合高斯海雜波建模研究
計特性偏離了高斯分布，為此人們提出了諸如對數(shù)正態(tài)分布，Weibull分布，K分布，t分布等非高斯分布模型[1,2]。然而，復(fù)合高斯分布模型可以作為一種更為廣義的非高斯分布模型，其合理性已通過實測雜波數(shù)據(jù)的統(tǒng)計分析得到驗證。在復(fù)合高斯分布模型中，其紋理分量決定了雜波的非高斯特性，其中K分布假定其服從Gamma分布而得到了廣泛的應(yīng)用。然而，K分布模型存在以下兩個缺點：(1)其概率密度函數(shù)曲線在峰值后段不能與海雜波幅度的統(tǒng)計直方圖精確地吻合；(2)服從Gamma
雷達(dá)學(xué)報 2013年4期2013-10-03
- 基于高斯混合模型的光照自適應(yīng)背景減法
包含背景的單高斯分布,只更新感興趣的那部分高斯分布,另一部分不感興趣的高斯分布在高斯混合模型中的權(quán)重很小,幾乎不影響像素點場景的整體分布和背景分布,可以忽略其對背景提取的影響,這樣可以在不影響背景更新的情況下減少要更新的高斯分布. 由于引入了背景圖像光照補(bǔ)償,由光照變化引起的輸入視頻圖像亮度的變化而引起的前景提取錯誤的情況可以得到更好的處理.1 算法分析1.1算法思想為了在光照快速變化時能得到更好的分割效果,并且減少運算量,本文中考慮用一種改進(jìn)的基于高斯混
湖北大學(xué)學(xué)報(自然科學(xué)版) 2012年3期2012-11-22
- 基于高斯隨機(jī)性的彈道軌跡仿真
和將產(chǎn)生一個高斯分布隨機(jī)數(shù)。1 高斯隨機(jī)性生成算法中央極限定理指出K個在區(qū)間［－1，1］均勻隨機(jī)數(shù)的和將逼近一個以0為中心、標(biāo)準(zhǔn)偏差為的高斯分布。比如說，如果你將3個均勻隨機(jī)數(shù)相加，它們的分布將以0為中點，標(biāo)準(zhǔn)偏差=1.0(這樣非常便利，因為中點和標(biāo)準(zhǔn)偏差與一個標(biāo)準(zhǔn)的正態(tài)分布一致)。以下的偽代碼通過將3個32位的帶符號隨機(jī)數(shù)(通過一個非?？焖俚漠惢蛞莆籔RNG［4］生成)相加來生成一個高斯分布。函數(shù)gaussrand()返回一個區(qū)間［－3.0，3.0］內(nèi)的
電子科技 2012年12期2012-06-23
- 基于對比度分析及矢量匹配的混合高斯模型*
基于像素的。高斯分布是背景建模的一種常用方法。因為背景不穩(wěn)定，僅僅使用單高斯模型是不夠的，STAUFFER C和GRIMSON W對每個像素點使用K個高斯分布進(jìn)行描述，提出了混合高斯模型MoG(Mixture of Gaussians)[1-2]?；旌细咚鼓Ｐ屠肒-均值近似法[3]替代了期望最大化EM(Expectation-Maximization)方法。該方法后來被不斷改進(jìn)和拓展。例如，HARVILLE M等使用YUV顏色編碼方式并利用立體相機(jī)加入了
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2012年24期2012-02-28
- 一種基于混合高斯的雙空間自適應(yīng)背景建模方法
，學(xué)習(xí)率根據(jù)高斯分布對場景的貢獻(xiàn)程度進(jìn)行自適應(yīng)更新，以解決運動目標(biāo)緩慢運動或暫時停止問題;記憶空間存儲曾經(jīng)的背景模型，以提高算法對背景突變的適應(yīng)性，故采用固定學(xué)習(xí)率進(jìn)行更新。試驗結(jié)果表明了所提方法的優(yōu)越性。背景建模;混合高斯模型;運動目標(biāo)分割;背景減除;背景突變運動目標(biāo)檢測是實現(xiàn)目標(biāo)分類、目標(biāo)跟蹤和行為理解等中高層次處理的基礎(chǔ)。常用的方法主要有相鄰幀差法、光流法、背景減除法等［1］。背景減除法操作簡單，檢測準(zhǔn)確且速度快，背景建模是其關(guān)鍵。目前常用的背景模型
中國石油大學(xué)學(xué)報（自然科學(xué)版） 2012年5期2012-01-03
- 一種基于視頻識別的錢塘江涌潮檢測方法
的概率模型有高斯分布(正態(tài)分布)，在復(fù)雜環(huán)境下，一般采用多模態(tài)的混合高斯背景模型進(jìn)行建模。高斯模型認(rèn)為，對于一個背景圖像，其特定象素亮度的分布滿足高斯分布?；旌细咚鼓Ｐ褪且环N多模態(tài)的背景模型，它的基本思想是:對每一個象素點，定義K個高斯分布來表示它的狀態(tài)，K取值越大，單態(tài)模型的個數(shù)就越多，模型對場景的描述能力也就越強(qiáng)，但是相對應(yīng)所需的處理時間也就越長［3］。因此，K值體現(xiàn)了象素值多峰分布的峰的個數(shù)，K值的選取依賴于象素值的分布情況。在檢測的過程中只要象素點
杭州電子科技大學(xué)學(xué)報(自然科學(xué)版) 2011年4期2011-03-26
- Alpha穩(wěn)定分布隨機(jī)變量仿真及模型參數(shù)估計
類分布。常規(guī)高斯分布的動因也是中心極限定理，可見α穩(wěn)定分布在理論上的合理性與高斯分布是一樣的。α穩(wěn)定分布能夠描述更加廣泛的數(shù)據(jù)，甚至可以描述很多不滿足中心極限定理的數(shù)據(jù)，因此具有更普遍的意義。α穩(wěn)定分布能夠非常好的和數(shù)據(jù)相吻合。Stuck等人已經(jīng)證明，電話線路中的噪聲可以有效地利用α穩(wěn)定分布描述[1]。Nikias等人證明了α穩(wěn)定分布是描述大氣噪聲的非常好的模型[2]。Ilow的研究表明穩(wěn)定分布與無線網(wǎng)絡(luò)中的多徑干擾和雷達(dá)系統(tǒng)的反向散射回波相符合[3]。M
電子設(shè)計工程 2011年11期2011-03-14
- 一種改進(jìn)的混合高斯模型背景估計方法＊
4]人利用單高斯分布進(jìn)行背景更新，但不能有效地處理室外頻繁變化的場景。Stauffer等[5]人利用混合高斯模型來建立背景模型，在每幀中對各個像素點建立由多個高斯分布組成的背景模型。該方法能魯棒性地克服光照變化、樹枝擺動等造成的影響，但是由于在每幀圖片中要對所有的像素點都建立多個固定的高斯分布，在處理時會消耗大量的系統(tǒng)資源。近年來，Zivkovic等[6]人利用最大似然估計提出了一種高斯模型個數(shù)的選擇方法。該方法由于人為地引入了負(fù)的先驗系數(shù)，使得在更新過程
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2011年11期2011-02-28
- 基于遙感數(shù)據(jù)隨機(jī)模型的空間結(jié)構(gòu)分析與蝕變信息提取
與形態(tài)、二維高斯分布的橢圓幾何參數(shù)特征等。在此基礎(chǔ)上，系統(tǒng)分析了由不同類型直方圖生成的二維散點圖的空間幾何結(jié)構(gòu)特征，以及異常信息空間定位等問題。最后，通過應(yīng)用實例闡述了遙感數(shù)據(jù)空間結(jié)構(gòu)分析在蝕變信息提取中的重要性與實用性。遙感數(shù)據(jù);隨機(jī)模型;空間結(jié)構(gòu)分析;蝕變信息提取0 引言筆者曾在文獻(xiàn)［1］中較為詳細(xì)地討論過遙感蝕變信息檢測中光譜數(shù)據(jù)點陣空間的幾何結(jié)構(gòu)問題，在文獻(xiàn)［2］中闡述了基于光譜數(shù)據(jù)點陣空間遙感圖像的背景、干擾與蝕變異常等3個研究對象的定義、相互關(guān)
自然資源遙感 2010年4期2010-09-23
- 非高斯系統(tǒng)下卡爾曼濾波算法誤差性能分析
利分布3種非高斯分布下的狀態(tài)估計系統(tǒng)采用卡爾曼濾波算法進(jìn)行濾波。仿真結(jié)果表明，在噪聲均值和方差相同的條件下，盡管幾種非高斯分布和高斯分布的信息距離大小不同，然而其濾波結(jié)果誤差基本一致。這一結(jié)果是對非高斯系統(tǒng)下卡爾曼濾波內(nèi)容的補(bǔ)充，對工程實踐人員有一定的參考價值。1 噪聲分布模型高斯分布是統(tǒng)計學(xué)中最常用的一個分布，它是描述圍繞均值的一組數(shù)據(jù)集合，屬于連續(xù)型分布，它是解決許多實際統(tǒng)計問題模型中的一個較為理想的統(tǒng)計模型。然而，現(xiàn)實世界往往存在一些不符合高斯分布的
電光與控制 2010年9期2010-08-05
- 穩(wěn)定分布模型的自相似特征分析
驗方式均基于高斯分布假設(shè)，然而，許多情況下，試驗數(shù)據(jù)常常是非高斯分布的，如Pareto發(fā)現(xiàn)，占97%的個人收入分布接近對數(shù)正態(tài)分布，但剩下的3%收入迅速增加，且服從逆冪規(guī)律，從而產(chǎn)生厚尾特征。這說明存在中心極限定理并不適用的分布。大多數(shù)物理試驗數(shù)據(jù)的變化存在很明顯的尖峰現(xiàn)象，即相對高斯分布而言，在均值附近的數(shù)據(jù)點特別多，同時取極端值（過大或過小的數(shù)據(jù)點)的數(shù)據(jù)點也特別多[1,2]，在統(tǒng)計分析中常將這些“異常值”去掉，Mandelbrot B認(rèn)為這樣做是不可
統(tǒng)計與決策 2010年3期2010-05-22
- 視頻中運動目標(biāo)檢測算法研究及實現(xiàn)
建模，由多個高斯分布組成，可以在包括運動目標(biāo)的視頻中自適應(yīng)地提取背景模型，對背景模型的描述更加準(zhǔn)確。最終通過OpenCV實現(xiàn)對目標(biāo)的準(zhǔn)確檢測和跟蹤。2.運動目標(biāo)檢測運動目標(biāo)檢測是視頻圖像跟蹤中的重要環(huán)節(jié)。目前常用的運動檢測算法有光流法，幀間差法和背景差法。光流法運算量較大，不適合實時處理。幀間差法雖實時性好，但檢測目標(biāo)內(nèi)部容易產(chǎn)生空洞。背景差法克服了上述方法的缺點，但對動態(tài)場景的變化較為敏感。本文在背景差法的基礎(chǔ)上，提出自適應(yīng)混合高斯背景模型的概念。2.1
電腦與電信 2010年5期2010-04-16