一种基于组合降维的图像识别方法

为克服图像识别中传统方法需要进行高维矩阵奇异值分解的困难,提出了先局部降维再总体降维的组合变换方法.ORL人脸图像数据库的实验表明,这一方法不仅减少了运算量,而且能较好地解决人脸这样一类复杂的图像识别问题;总体来说优于传统的基于KL变换的识别方法.     

任务分配与调度中遗传算子的设计

应用遗传算法等进化方法进行任务分配与调度为越来越多的计算机学者们所关注。基于任务排列的知识表示 ,常规的标准遗传操作算子并不总是有效的。好的遗传算子对算法收敛性及收敛到好点是非常重要的。在列表编码的知识表示基础上 ,设计了三个有针对性的遗传算子 ,即改进的交配算子、内部交配算子和一种作为变异的迁移算子。模拟实验结果与分析表明这些算子对任务分配与调度是有效的。     

基于等方性系数的地形可导航性的方向性研究

地形可导航性分析的研究中 ,当飞行器从不同方向进入特定区域时 ,怎样评价该区域提供的可导航性能力一直是地形匹配中的重要问题。本文建立了地形本质特征的数学过程描述———分数布朗运动 ;基于分形几何理论 ,通过分析地形表面的轮廓谱矩和表面谱矩的特性 ,提出一种地形特征度量值———等方性系数 ;并且分别得出了等方性好与差时 ,适配区域的匹配概率与方向之间的定性关系 ,有助于提高地形可导航性分析的效率。     

基于直线特征的图像－模型匹配算法

提出了一种新的基于直线特征的图像与模型匹配方法。该方法选择那些可以描述目标边界的直线建立模型。识别时 ,分层次地综合使用直线的多种特性 ,从而提高了效率 ,减少了误匹配的可能性。文中给出了用仿真图像和真实图像所做的实验结果。该算法可以用于目标识别、变化检测和视觉导航等多个领域     

基于热物理仿真分析的红外点目标特征提取与识别

根据弹道中段空间目标和诱饵的表面温度分布规律，从热物理的角度分析了目标和诱饵的红外光谱辐射特性，指出了弹道中段目标和诱饵红外辐射特性的本质差别，并据此提出了红外目标识别中的特征基函数，用特征基函数构造红外点目标识别的四维特征矢量。仿真实验表明，这一特征矢量用于红外点目标识别非常成功。     

弹道目标微多普勒特性基于逆Radon变换的稀疏表示

作为识别空间弹道目标的有效方法,微多普勒特性提取对于雷达系统的时频分辨率提出了很高的要求,因此,要求雷达系统具有更高的采样频率。作为近年来新兴的技术手段,在远低于奈奎斯特采样定理的采样频率下,压缩感知技术可以对具有稀疏特性的信号实现高精度还原。对空间弹道目标时频分布进行逆Radon变换,在变换后的IRT域内获得时频分布的稀疏表示,从而可以借助压缩感知技术有效降低采样频率的要求。     

基于多特征模糊融合的疲劳状态判决

在基于视觉的疲劳驾驶识别过程中,使用单个特征进行疲劳驾驶判断,常常会受到非普遍适用性、噪声等因素的影响,从而导致识别率降低。为了解决眼部特征参数或者是嘴巴特征参数单个特征识别率低甚至特使环境无法识别的问题,提出一种基于多特征融合的判决方法,利用了各种特征之间的优势互补,可以降低噪声和类内类间差异的影响,从而提高系统的性能,并且能增强适用性。最后通过实验结果证明,使用眼部和嘴巴特征融合的方法比单一的判决方法准确率更高。     

基于语义发布订阅系统的战场态势实时分发技术

随着战争形态的多样化和范围的越来越广,战场态势呈现信息量大、复杂性、无规则性、多变性。针对现有的发布/订阅系统不能支持复杂结构的态势来进行事件发布和订阅的语义匹配,提出了基于语义发布订阅系统的战场态势实时分发技术。采用本体描述战场态势的概念模型,采用RDF图表示需求方订阅条件,基于该战场态势本体设计高效的发布订阅匹配算法。实验结果表明,该技术能够支持复杂战场态势实时分发和具有较高的订阅匹配效率。     

基于谱分析的卫星通信调制识别算法

通过分析典型卫星通信信号功率谱、平方谱、四次方谱以及包络平方谱特性,针对卫星通信随参信道造成信号噪声谱均值与方差随频率变化这一问题,采用最小二乘法对信号谱图进行预处理,定义偏离比作为单频分量检测值,在无任何先验知识条件下提取一组鲁棒性强的特征参数,实现信号自动调制识别。实验证明,改进后的算法复杂度较低、过程简单易实现,所提取参数对数字信号的调制指数与滚降系数不敏感,具有较好的可分性与稳健性,并同样适用于随参信道的信号调制识别,具有一定的实用意义。     

The role of covariate balance in observational studies

Observational data are prevalent in many fields of research, and it is desirable to use this data to make causal inferences. Because this data is nonrandom, additional assumptions are needed in order to construct unbiased estimators for causal effects. The standard assumption is strong ignorability, though it is often impossible to achieve the level of covariate balance that it requires. As such, researchers often settle for lesser balance levels within their datasets. However, these balance levels are generally insufficient to guarantee an unbiased estimate of the treatment effect without further assumptions. This article presents several extensions to the strong ignorability assumption that address this issue. Under these additional assumptions, specific levels of covariate balance are both necessary and sufficient for the treatment effect estimate to be unbiased. There is a trade‐off, however: as balance decreases, stronger assumptions are required to guarantee estimator unbiasedness. These results unify parametric and nonparametric adjustment methods for causal inference and are actualized by the Balance Optimization Subset Selection framework, which identifies the best level of balance that can be achieved within a dataset. © 2017 Wiley Periodicals, Inc. Naval Research Logistics 64: 323–344, 2017