【摘 要】
：
为了提高煤矿井下图像采集的质量,通过研究分析卡尔曼滤波的初状态值选取与遗传算法来优化卡尔曼滤波,提出一种新的图像去噪算法——GAK(Genetic Algorithm Kalman).分析了图像噪声的成因与四种经典滤波;研究设计了卡尔曼滤波的初状态值选取;详细阐述了GAK原理,以及GAK求解步骤;运用MATLAB对GAK的参数值进行整定,并对井下椒盐噪声的图像进行仿真降噪.结果表明:GAK对井下椒盐噪声有着较好的抑制效果.
【机 构】
：
北京信息职业技术学院产业互联网学院 北京100018;北京建筑大学电气与信息工程学院 北京100044
论文部分内容阅读
为了提高煤矿井下图像采集的质量,通过研究分析卡尔曼滤波的初状态值选取与遗传算法来优化卡尔曼滤波,提出一种新的图像去噪算法——GAK(Genetic Algorithm Kalman).分析了图像噪声的成因与四种经典滤波;研究设计了卡尔曼滤波的初状态值选取;详细阐述了GAK原理,以及GAK求解步骤;运用MATLAB对GAK的参数值进行整定,并对井下椒盐噪声的图像进行仿真降噪.结果表明:GAK对井下椒盐噪声有着较好的抑制效果.
其他文献
针对信息中心网络(Information-Centric Networks,ICN)的视频传输应用,仅仅靠天然的网络缓存来支撑视频的高效传输是远远不够的.为此,提出一种基于包级别缓存的视频传输策略来卸载传输的流量.引入数据平面开发套件(Data Plane Development Kit,DPDK)来保障视频的有效传输,体现在两个方面:(1)确保包的整齐切片;(2)用来加速端侧的视频传输速度.内容路由器增设一个包传输表(Packet Transmission Table,PTT)用于记录包的传输情况.采用
现有大多数工作都是通过智能电表数据独立地预测单户特性,而忽略了不同特性的联合分析,对此构建一种多任务学习模式,判别多任务间关系.该模式将每个特征看作一个独立的任务,并尝试同时预测多个家庭特征.主要解决了不同特征之间关系的嵌入结构问题和原始训练数据中存在冗余特征问题.模型通过获取任务协方差矩阵捕捉不同特征之间的内在联系,得到一个简单而鲁棒的权重矩阵.以爱尔兰用户智能电表数据为例,验证了算法的有效性.
动态虚拟机合并是云数据中心改善功耗和资源利用率的有效方法,但负载变化使数据中心较难维持服务等级协议SLA和最优能效.针对该问题,提出一种模糊动态阈值方法对虚拟机合并过程进行决策,在动态负载环境下实现最小化的虚拟机迁移量.该算法利用模糊推理系统动态调整主机资源利用阈值,使得超载主机上的虚拟机迁移大幅降低,并可以满足服务等级协议.利用不同负载的三组仿真实验评估算法性能.结果表明,该算法在能耗、虚拟机迁移量以及SLA违例等性能指标上均有所改善.
当上下文中单词的情感对给定属性敏感时,仅通过注意力建模无法解决情感分类性能下降的问题.提出一种基于交互式叠加注意力(Attention-Over-Attention,AOA)网络的属性级情感分类模型.模型在词向量层用BERT代替传统静态词向量表示;用LSTM分别提取属性和上下文中单词的隐藏语义;用AOA网络计算属性和上下文中每个单词的注意力权重;将权重与对应的隐藏语义状态做点积分别得到属性和上下文的最终特征表示,拼接两个特征表示用来分类.研究并分析模型中词向量和属性单独建模对情感分类结果的影响.实验表明,
针对现实环境中弱势道路使用者(Vulnerable Road Users,VRU)检测准确率低的问题,提出并行局部特征金字塔检测模型.该模型以SSD(Single Shot Multibox Detector)为基础,针对SSD中默认框过大不能涵盖小尺度VRU的问题,重新设计默认框来匹配更多尺度的VRU;使用两阶段回归策略解决正负样本数不平衡的问题;通过并行的局部特征金字塔结构将高层的语义特征融合到底层特征中来增强模型对VRU的检测能力.相比SSD网络,提出方法的mAP(mean Average Prec
针对现有动目标检测算法应用于卫星视频存在较多伪运动误检且难以在轨实时运行,同时短程跟踪算法难以寻回丢失目标的问题,提出一种卫星在轨实时提取运动目标算法.面向运动区域设计图像分类算法以优化运动检测结果,准确筛选动目标;用短程跟踪代替逐帧检测,以降低整体算法复杂度,并设计多特征融合与时空约束的重识别机制关联短程轨迹,应对跟踪丢失;设计在轨智能实时处理系统.使用真实卫星视频数据在嵌入式仿真平台上实验,结果表明,该算法的准确性和实时性相比现有方法有明显提升.
神经网络模型可以有效地处理通用领域命名实体识别,然而在标注语料匮乏和包含大量噪声的特定领域,其性能通常会下降.针对这一问题,提出一种迁移学习神经网络模型TL-BiLSTM-CRF.利用双向长短时记忆网络提取具有字符级别形态特征的字符向量,结合具有语义、语序等特征信息的词向量作为输入,构建基本模型;在基本模型中引入词适应层,通过典型相关性分析算法弥合源域和目标域词向量特征空间的差异,对基本模型进行迁移.在社交媒体文本中的实验结果表明,该算法在Twitter数据集上F1值为64.87％,优于目前最好的模型.
针对卷积神经网络无法有效提取高光谱图像光谱与空间特征以及识别特征之间的空间位置问题,提出一种基于胶囊网络的改进神经网络模型.采用1×1卷积核对高光谱图像块进行降维处理;利用双通道卷积神经网络提取降维图像的初级特征,进而在PrimaryCaps层将初级特征信息封装为胶囊向量;通过DigitCaps层计算胶囊向量的模长来判别图像块中心像素的所属类别.为了验证模型的可行性与有效性,将改进模型应用于Indi-an Pines和Pavia University两个高光谱数据集分类,并与其他分类方法进行比较.分类结果
为进一步提升肺结节分类的效果,引入一种基于注意力机制的分类算法.通过在神经网络中添加空间和通道注意力因子,使得肺结节分类网络生成更有效的特征映射,结合梯度提升树算法,进一步提升模型的性能.经过大量实验后,证明了该方法的有效性.
点阵材料因具有优异的物理性能而受到广泛重视,但是相关理论模型研究滞后且仿真数字模型构建存在困难.对比提出一种基于NURBS的点阵材料参数化建模方法.通过给定参数化的骨架模型以及局部控制尺寸,依据骨架模型节点处曲线数量分别构建基本单胞和复杂单胞.这些单胞模型按照点阵材料骨架曲线的拓扑关系进行拼接,从而生成点阵材料NURBS模型,并通过切片对该模型进行三维打印模型验证.通过开发的点阵材料造型系统给出建模实例表明,该方法能够实现点阵材料的参数化建模,从而为进一步的等几何分析提供模型基础.