基于选择性模型更新与卡尔曼滤波的目标模型更新算法

选择性模型更新算法不能准确地更新目标模型,在外观变化、遮挡、场景光线变化等因素影响的运动目标跟踪中,不能有效地处理目标模型。因此,提出了一种选择性模型更新与卡尔曼滤波的目标模型更新算法。根据可靠性阈值和分量更新比例精确选取更新分量,并与Kalman滤波相结合,对目标模型分量进行预测,根据不同干扰和目标外形变化,将两种算法的跟踪结果线性加权得到新的跟踪目标模型。实验结果表明该算法具有良好的跟踪效果。     

一种新的Gabor滤波器在笔迹鉴别中的应用

针对Gabor滤波器在进行笔迹特征提取时,局部特征不显著和速度慢的问题,提出利用一种新的Gabor滤波器提取笔迹图像的特征,另外,考虑到滤波器参数的设置的重要性,详细分析了各参数对滤波后笔迹图像的影响,最后利用笔迹库进行实验取得满意的识别率。     

基于小波阈值去噪的方法研究

在地震资料处理中,提高地震资料信噪比是处理追求的目标,对于不同的信号特征需要用不同的处理方法。信号处理中难度较大的问题是频带重叠的有效信号与随机干扰信号的分离。在传统的匹配滤波方法中,总是假定有效信号和噪声均为平稳信号,并且对信号的先验知识要求较多,但在实际问题中,随机噪声信号众多而又复杂,它们会呈现许多不同的统计特性,如非平稳过程具有的时变性质。对于这一类信号由于对先验知识已知甚少,使用传统的匹配滤波处理方法则显得力不从心。     

基于重要性评分的多级随机森林网络语音情感识别

在源数据不充分或不平衡的情况下,深度学习方法在小样本集上难以取得令人满意的语音情感识别效果。因此,本研究构造了一种三层随机森林情感识别网络,在每一层都单独剥离易于区分的情感类别,并通过重要性评分方法,为每一层网络都构造一个识别特定类别的特征集,该特征集的每一个特征都依据贡献度大小得到赋权,以确保对分类贡献越多的特征因子对结果影响越大。本研究构建的多级情感识别网络,在小样本集语音情感识别的整体识别率上,较单层随机森林网络和支持向量机分别提高了5%和7%,较流行的深度学习方法卷积神经网络提高了12%。实验结果和理论分析表明:基于重要性评分的多级随机森林网络相较于其他方法,在源数据样本量较少和部分不平衡的情况下,有更高的识别准确率,具有语音情感识别方向的实际应用意义。     

m相依样本均值的随机加权估计

本文利用随机加权法建立了m相依样本均值的随机加权估计,并且证明了这种估计的相合性。     

基于Markov链的随机需求预测模型

随机需求预测是供应计划工作的重点和难点，应用马尔柯夫链分析法和蒙特卡洛仿真技术，可以建立一个有效实用的随机需求预测模型。     

关于共单调定理的一个注记

给出了一个新的共单调定理,利用这个定理讨论了倒向随机微分方程的解zt的一些性质.本文的结果推广了已有的结果.     

基于减弱信息量滞后影响的RED算法

大量的测量表明,实际的网络业务普遍存在着在统计意义上的不可聚集性.在这种业务特性下,网络研究中的业务建模和性能分析都产生了许多新的问题.RED算法是一种十分重要的队列管理算法.目前国内研究RED算法的成果中,考虑到通信量滞后性的很少.本文主要研究了一种能减弱滞后性的负