检索结果-内蒙古大学图书馆

信号处理 2022年第2期38卷 300-308页

作者：王亚方伟创马尽文北京大学数学科学学院信息与计算科学系和数学及其应用教育部重点实验室北京100871

基于运动数据的动作定量评价是体育科学智能化发展的基础,但是传统的动作评价方法通常是将待评价的动作信号或模式与标准样式进行整体匹配和分析,很难抓住动作的本质特性,也难以对动作进行精细化评价和分析。为了从结构和本质特性上对... 详细信息

基于运动数据的动作定量评价是体育科学智能化发展的基础,但是传统的动作评价方法通常是将待评价的动作信号或模式与标准样式进行整体匹配和分析,很难抓住动作的本质特性,也难以对动作进行精细化评价和分析。为了从结构和本质特性上对动作进行综合评价,本文首先采用SWAB(Sliding Windows and Bottom-up)曲线切割算法对动作过程进行细粒度的分割,使之分解成一列姿态片段,然后针对各姿态片段从标准性、速度和完整性方面进行综合评价,并最终得到动作的整体评价指标。由于姿态片段对比中存在着关键点匹配问题,本文将其转化成为一个动态规划问题并通过传统的优化算法进行求解。在基于传感器的羽毛球动作数据集上的实验结果表明,本文所提出的基于姿态分解的动作评价方法能够对动作进行细粒度的综合评价,并且能够有效地指导运动员在日常练习中提高动作的准确性。

关键词：动作评价姿态分解曲线切割动态规划羽毛球动作

来源：评论

学校读者我要写书评

暂无评论

高斯过程混合模型在含噪输入预测策略下的煤矿瓦斯浓度柔性预测

引用

信号处理 2021年第11期37卷 2031-2040页

作者：李晓燕李弢马尽文北京大学数学科学学院信息与计算科学系数学及其应用教育部重点实验室北京100871

高斯过程回归是机器学习中解决非线性回归的一种典型回归方法。然而,单一的高斯过程难以拟合非平稳、多模态的时序数据。另外,在实际应用中需要预测的输入数据会受到噪声的干扰。为了克服这些问题,本文提出了含噪输入预测策略下的高斯... 详细信息

高斯过程回归是机器学习中解决非线性回归的一种典型回归方法。然而,单一的高斯过程难以拟合非平稳、多模态的时序数据。另外,在实际应用中需要预测的输入数据会受到噪声的干扰。为了克服这些问题,本文提出了含噪输入预测策略下的高斯过程混合回归预测方法(niMGP),并针对煤矿瓦斯浓度数据进行了参数学习和柔性预测。与其他传统回归方法相比,这种柔性预测方法是在测试输入数据具有噪声干扰的情况下进行预测,使其结果更为鲁棒和准确。本文首先通过模拟实验验证了在具有固定信噪比的测试输入数据上,高斯过程混合模型在含噪输入预测策略下的回归结果在稳定性上优于其传统预测策略下的回归结果。本文进一步选取松藻煤矿中打通一矿的333944号传感器获取的实际瓦斯浓度数据片段,对其进行了适当的数据增强之后,通过实际数据的实验进一步表明,高斯过程混合模型采用含噪输入预测策略在数据回归分析的预测上相比传统预测策略具有更好的稳定性。实际中还可以通过调节测试输入数据中噪声分布的方差来调节预测的灵敏度,达到分级预警的效果。

关键词：高斯过程混合模型含噪输入策略瓦斯浓度预测机器学习噪声干扰

来源：评论

学校读者我要写书评

暂无评论

基于特征提取和机器学习的文档区块图像分类算法

引用

信号处理 2019年第5期35卷 747-757页

作者：李翌昕邹亚君马尽文北京大学数学科学学院信息科学系和数学及其应用教育部重点实验室

文档区块图像分类对于文档版面图像的理解和分析至关重要。在传统机器学习分类模型中,直接使用图像作为输入会导致学习模型参数量过大而无法进行有效的训练。为了克服这个困难,我们针对文档区块图像设计了一组有效的特征,并提出了基于... 详细信息

文档区块图像分类对于文档版面图像的理解和分析至关重要。在传统机器学习分类模型中,直接使用图像作为输入会导致学习模型参数量过大而无法进行有效的训练。为了克服这个困难,我们针对文档区块图像设计了一组有效的特征,并提出了基于这些特征和机器学习的文档区块分类算法。在特征设计上,我们提取了几何、灰度、区域、纹理和内容五方面在内的32种特征,以增强特征针对区块类别的分辨能力。在分类器方面,我们在所提出的特征上对传统机器学习分类模型、自动机器学习方法以及深度学习均进行了实验。在公开数据集上的实验结果表明,我们提出的文档版面区块分类算法具有很高的分类准确率,并且效率很高。另外,我们实现了一个简单的分步文档版面分析算法,以展示所提出的区块分类算法的推广能力。

关键词：文档版面分析文档区块分类特征提取机器学习图像分类

来源：评论

学校读者我要写书评

暂无评论

基于全卷积网络的遥感图像自动云检测

引用

信号处理 2019年第4期35卷 556-562页

作者：安捷马尽文北京大学数学科学学院信息科学系和数学及其应用教育部重点实验室

气象卫星图像云检测是气象预报领域中的一项重要任务。包含降水预测,气象灾害预测在内的若干气象预报任务都依赖精确的云检测结果。依据气象卫星遥感图像数据,本文提出了一种基于全卷积网络模型的遥感图像云分割算法,实现了高分辨率、... 详细信息

气象卫星图像云检测是气象预报领域中的一项重要任务。包含降水预测,气象灾害预测在内的若干气象预报任务都依赖精确的云检测结果。依据气象卫星遥感图像数据,本文提出了一种基于全卷积网络模型的遥感图像云分割算法,实现了高分辨率、大尺度、多通道遥感图像的云分割。我们的算法包含:1)图像分块;2)块状图像分割;3)分割图像拼接三个主要步骤,实现了像素级精度的云分割。相比传统算法,我们的算法不依赖人工经验,完全由数据驱动,并在极端数据情形下具有更好的鲁棒性。测试数据结果显示,我们的算法能够满足气象预报的需要,且具有商业应用的潜力。

关键词：遥感图像语义分割全卷积网络深度学习云检测

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的酒标分割研究

引用

信号处理 2019年第4期35卷 623-630页

作者：邹亚君李翌昕马尽文北京大学数学科学学院信息科学系和数学及其应用教育部重点实验室

红酒图像中的酒标区域含有重要的红酒品类信息,而对酒标区域的定位与分割可以有效去除背景区域对图像匹配算法的干扰。传统图像分割算法大多基于局部图像特征和人工设计规则,对噪声较为敏感,并且难以应对大规模数据的处理。针对传统算... 详细信息

红酒图像中的酒标区域含有重要的红酒品类信息,而对酒标区域的定位与分割可以有效去除背景区域对图像匹配算法的干扰。传统图像分割算法大多基于局部图像特征和人工设计规则,对噪声较为敏感,并且难以应对大规模数据的处理。针对传统算法的不足,本文首先构造了一个大规模酒标分割数据集,然后提出了一种基于深度学习的酒标分割方法。我们构造了一个基于残差网络的语义分割模型,并且在模型中加入跨层连接,实现低层特征和高层特征的有效融合,使得分割的边缘细节更加清晰和准确。另外,我们采用了带孔卷积金字塔池化结构整合多尺度信息,在增大模型感受野的同时使得模型适应不同尺度的酒标区域。在我们构造的酒标数据集上的实验结果表明,本文提出的酒标分割网络能够进行实时的酒标图像分割,并且达到了相当高的分割准确率。

关键词：酒标分割深度学习语义分割特征融合带孔卷积金字塔池化

来源：评论

学校读者我要写书评

暂无评论

基于高斯过程混合模型的国债收益率预测

引用

信号处理 2019年第5期35卷 831-836页

作者：曾鑫赵龙波马尽文北京大学数学科学学院信息科学系和数学及其应用教育部重点实验室

债券分析的核心问题是发现偿还期限与到期收益率之间的关系,即利率期限结构,而实际上国债利率期限结构是最为重要和基本的模式。目前人们对于利率期限结构的分析主要采用经济理论模型和数量模型进行,但是这两种方法都难于对国债收益率... 详细信息

债券分析的核心问题是发现偿还期限与到期收益率之间的关系,即利率期限结构,而实际上国债利率期限结构是最为重要和基本的模式。目前人们对于利率期限结构的分析主要采用经济理论模型和数量模型进行,但是这两种方法都难于对国债收益率进行有效的预测。基于高斯过程混合模型强大的数据拟合和分析能力,本文将其应用于国债收益率的建模和预测。本文采用国债收益率数据作为输出变量,筛选出对国债收益率影响最强的一组作用因子作为驱动或输入变量,然后利用高斯过程混合模型对数据进行学习和建模,并依此对国债收益率进行建模和分析。实验结果表明高斯过程混合模型能够更好的描述国债利率期限结构。相比于其他机器学习模型和算法,高斯过程混合模型在国债收益率的测试数据上获得了更好准确的预测结果。

关键词：高斯过程混合模型利率期限结构国债收益率参数学习预测

来源：评论

学校读者我要写书评

暂无评论

GPFR混合模型的动态模型选择算法

引用

信号处理 2019年第5期35卷 786-794页

作者：赵龙波马尽文北京大学数学科学学院信息科学系和数学及其应用教育部重点实验室

作为一种有效的数据建模和分析工具,高斯过程混合(MGP)模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程(GP)的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均... 详细信息

作为一种有效的数据建模和分析工具,高斯过程混合(MGP)模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程(GP)的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均值函数学习的高斯过程函数回归(GPFR)模型及其混合模型(MGPFR)进行更为精细的数据建模。与MGP模型一样,MGPFR模型同样存在着模型选择的问题。为了解决MGPFR模型的模型选择问题,本文将同步平衡准则进行了推广,并提出了相应的模型选择和动态模型选择算法,并通过实验发现了惩罚项系数的合理区间。实验表明,这些算法在模型选择和预测上均有很好表现,并且能够有效地应用于曲线聚类。

关键词：高斯过程混合模型高斯过程函数回归混合模型动态模型选择算法同步平衡准则

来源：评论

学校读者我要写书评

暂无评论

PCA联合子空间理论的规范化与扩展

引用

信号处理 2013年第12期29卷 1638-1643页

作者：徐斌马尽文北京大学数学科学学院信息科学系和数学及其应用教育部重点实验室北京100871

对于高维数据的分类,主成分分析(PCA)联合子空间可为每类数据建立更为细致的概率模型,从而可有效地提高贝叶斯分类的准确性。本文首先对PCA联合子空间理论进行了规范化,提出了两个基本假设,并从理论上证明了残差子空间参数"代表特... 详细信息

对于高维数据的分类,主成分分析(PCA)联合子空间可为每类数据建立更为细致的概率模型,从而可有效地提高贝叶斯分类的准确性。本文首先对PCA联合子空间理论进行了规范化,提出了两个基本假设,并从理论上证明了残差子空间参数"代表特征根"的启发式取值正是其极大似然估计。本文进一步对样本残差的概率模型进行了扩展,提出了扩展型逐类联合子空间算法。最后,本文通过在真实数据上实验结果证明了扩展型逐类联合子空间算法的优越性。

关键词：主成分分析(PCA) 贝叶斯分类联合子空间

来源：评论

学校读者我要写书评

暂无评论

对角型广义RBF神经网络与非线性时间序列预测

引用

信号处理 2013年第12期29卷 1609-1614页

作者：马尽文青慈阳北京大学数学科学学院信息科学系和数学及其应用教育部重点实验室北京100871

径向基函数(RBF)神经网络在非线性时间序列预测方面发挥着重要作用。本文提出了对角型广义RBF神经网络模型,并利用贝叶斯阴阳(BYY)和谐学习算法进行隐层单元个数的确定和参数初始值的选取,并且建立了同步LMS算法进行参数学习。进一步,... 详细信息

径向基函数(RBF)神经网络在非线性时间序列预测方面发挥着重要作用。本文提出了对角型广义RBF神经网络模型,并利用贝叶斯阴阳(BYY)和谐学习算法进行隐层单元个数的确定和参数初始值的选取,并且建立了同步LMS算法进行参数学习。进一步,将对角型广义RBF神经网络应用于非线性时间序列预测,得到了预测准确率高和速度快的效果。

关键词： RBF神经网络贝叶斯阴阳和谐学习非线性时间序列预测

来源：评论

学校读者我要写书评

暂无评论

基于改进粒子群算法的压缩感知

引用

信号处理 2017年第4期33卷 488-495页

作者：陈江琦马尽文北京大学数学科学学院信息科学系和数学及其应用教育部重点实验室北京100871

在稀疏信号处理中,压缩感知能够用较低的采样频率对稀疏信号进行压缩采样,而信号重建的问题则可归结为一个最优化问题,并可采用粒子群算法进行求解。针对压缩感知问题,本文对传统的粒子群算法进行了深入的分析和改进,得到了粒子数目的下... 详细信息

在稀疏信号处理中,压缩感知能够用较低的采样频率对稀疏信号进行压缩采样,而信号重建的问题则可归结为一个最优化问题,并可采用粒子群算法进行求解。针对压缩感知问题,本文对传统的粒子群算法进行了深入的分析和改进,得到了粒子数目的下界,并提出了三维环形邻域结构和多群协作机制,依此建立了有效的压缩感知重建方法,且将其应用于二维稀疏信号的重建。最后,本文通过在模拟和真实数据上实验结果验证了这种新型压缩感知方法的有效性和优越性。

关键词：信号采样压缩感知稀疏信号粒子群算法多群协作机制

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：