基于置信区间与形态重构的自适应滑窗新方法
基于经验感知的自适应用户界面模型
基于经验感知的自适应用户界面模型樊银亭;滕东兴;杨海燕;马翠霞;戴国忠;王宏安【期刊名称】《计算机学报》【年(卷),期】2011(034)011【摘要】针对传统自适应界面缺乏自主学习用户交互历史、难以根据用户经验有效预测用户意图的现状,基于认知心理学相关理论,该文提出了基于经验感知的自适应用户界面模型,从界面静态组成元素、动态交互行为和自适应策略三个方面建立了该模型的统一描述,然后研究了自适应界面模型的实现架构、关键技术和建模方法.最后开发了一个个性化的虚拟家居定制原型系统,并进行了实验评估.实验结果表明,该模型能够根据用户交互历史和上下文环境,准确预测用户意图,实时调整界面布局和交互行为以主动地适应用户.%Traditional adaptive interface lacks the ability of self-learning user interaction history and can't predict user's intent effectively with their experiences. Based on the theory of cognitive psychology, this paper proposes an adaptive user interface model based on experience awareness. Firstly, the model is described by static interface elements, dynamic interactive actions as well as adaptive strategies. Secondly, we study the implementation architectures, key techniques and modeling method of adaptive interface model. We built a personal virtual furniture customizing system and verified it by experiments. The experiments demonstrate that the model can obtain the user's intent fairly well, adjust interface layout and interactive actions in real time to adapt to them.【总页数】13页(P2211-2223)【作者】樊银亭;滕东兴;杨海燕;马翠霞;戴国忠;王宏安【作者单位】中国科学院软件研究所人机交互技术与智能信息处理实验室北京100190;中国科学院研究生院北京100049;中国科学院软件研究所人机交互技术与智能信息处理实验室北京 100190;中国科学院软件研究所人机交互技术与智能信息处理实验室北京 100190;中国科学院软件研究所人机交互技术与智能信息处理实验室北京 100190;中国科学院软件研究所人机交互技术与智能信息处理实验室北京 100190;中国科学院软件研究所人机交互技术与智能信息处理实验室北京100190【正文语种】中文【中图分类】TP391【相关文献】1.基于情境的战场态势感知界面模型 [J], 杨松;杨强;杨朝晖;周莉2.UIDT:一种基于摄像头的用户界面模型 [J], 武汇岳;张凤军;戴国忠3.基于情景演算的用户界面模型验证方法 [J], 梁伟晟;李磊4.基于构件的柔性Web用户界面模型 [J], 申利民;李伟伟5.基于Agent的Web用户界面模型的设计 [J], 罗杰红;杨伟明;黄旺华因版权原因，仅展示原文概要，查看原文内容请购买。
基于滑动窗口的PCA与SVDD方法研究与应用
基于滑动窗口的PCA与SVDD方法研究与应用贾冬妮;谢彦红;赵欣;郑馨怡【摘要】文章分析了主元分析法和支持向量数据描述方法的基本原理,提出了将PCA和SVDD方法同滑动窗口模型相结合的研究思路.通过采用适当大小的滑动窗口逐步更新当前子数据空间,分别建立PCA和SVDD子模型,从而实现在线实时故障监测.文章通过对比基于滑动窗口的PCA和SVDD发现,基于滑动窗口的SVDD 有更好的监测效果.数值仿真验证了该方法的有效性.【期刊名称】《江苏科技信息》【年(卷),期】2017(000)008【总页数】2页(P59-60)【关键词】过程监测;滑动窗口;主元分析;支持向量数据描述;数值仿真【作者】贾冬妮;谢彦红;赵欣;郑馨怡【作者单位】沈阳化工大学,辽宁沈阳110142;沈阳化工大学,辽宁沈阳110142;沈阳化工大学,辽宁沈阳110142;沈阳化工大学,辽宁沈阳110142【正文语种】中文现有的多元统计方法广泛应用到间歇过程监测中，如主元分析法、多向偏最小二乘法、核独立元分析方法、支持向量数据描述方法等。
但这些方法都很难实现实时在线状态监测的问题。
针对上述问题，本文提出滑动窗口分别与主元分析法和支持向量数据描述的方法，采用适当大小的滑动窗口逐步更新当前的子数据空间;然后分别建立PCA与SVDD模型，提高了故障在线监测的实时性。
主成分分析（Principal Component Analysis，PCA）的工作对象是一个二维数据阵Xm×n，m为数据样本的个数，n为过程变量的个数。
在进行主元分析前，通常先将数据标准化。
公式为：新数据=（原数据-均值）/标准差。
处理后的矩阵记为主元分析方法的具体过程是建立T2和Q统计量（SPE，平方预测误差），主元得分向量可按下式计算：式中ti为得分向量;pi为载荷向量。
对于某时刻新的测量样本X1×n,T2和Q统计量可分别定义为：式中：Fk,m-k,α是对应于检验水平是α,自由度是k，m-k条件下F分布的临界值,E1×n为X1×n的残差；Qα为Q统计量的α置信限。
基于滑窗离散傅里叶变换检测及重复控制的有源电力滤波器
式 中
（） ｊ ３ ，
（） ４
得到新 的 Ｎ 一１ 的和 ， ｉ（ ＣＳｔ （ 存 放 项 将 Ⅳ）Ｏ ｔⅣ） ｏ 于 ｉ（ ）Ｏ ｔ１ 原来 的位 置 ， 时 ， １ ＣＳ （ ） ． ｏ ｔ 此 将滑 窗 指针 由第一 个存 储单 元 指 向下 一 个 存储 单 元 ； 当指 针 指 向最 后一 个存 储 单 元 后 ， 将 指 针 移 回第 一 个 可 单元 ， 以保 持 Ａ值 时 刻 都 在 更 新 。 同理 ， 对 可 的值进 行更 新 ； 然后 ， 根据 式 （ ） ７ 计算 有 功 电 流 的 值； 最后 ， 出补 偿 电流 。 求
Ｃ Ｓ ｔＮ） 由式 （ ） ： Ｏ （ ， ｏ ｔ ３得
，’
Ｎ
Ａ
ｉ（） 。 ｔｉ Ｌ ｃ ｓｔ （） ｏ
（） ５
滑 窗 Ｄ Ｔ算 法 可 由 Ｍ ｔｂ中 Ｓｍ ｌ ｋ模 块 Ｆ ａａ ｌ ｉｕｉ ｎ 实现 ， 图 ２所 示 。采 样 点 取 ２ ６ 采 样 时 间则 为 如 ５， ００ ／５ ， 载侧 畸变 电流 的 波形 、 过 滑 窗 算 ．２２６Ｓ负 通
０ 引 言
近年 来 ， 随着 大 量 的 电力 电子 装 置 等 非 线 性 负载 的 广泛应 用 ， 其产 生 的谐 波 和无 功 功 率 给 电 力 系统 带 来 的 危 害 不 容 忽 视 。有 源 电力 滤 波 器
（ ｃ ｖ ｏ ｅ ｉｅ， Ｐ ） Ａ ｔ ｅ ｗ ｒ ｌ ｒＡ Ｆ 是一 种动 态 抑制谐 波和 ｉ Ｐ Ｆｔ 补偿 无 功功 率 的 电力 电子 装 置 ， 较 为快 速 、 能 准确 地检 测 出负 载 电 流 中 的谐 波 ， 随着 补 偿 装 置 产 生
Ａｂ ｔ ａ ｔ ｌ ｉｇ ｗ ｎ ｏ ｉｃ ｅｅ Ｆ ｕ ｉｒｔ ｎ ｆｒ ｕ ｒ ｎ ａ ｍｏ ｉｓ ｄ ｔｃ ｉ ｇａ ｇ ｒｔ ｍ ａ ｄ ｒ ｐ ｔ ｉ ｅＣ Ｏ ｓｒ ｃ ：Ｓ ｉ ｎ ｉ ｄ ｗ ｄ ｓ ｒ ｔ ｏ ｒ ｒ ｓｏ ｍ ｃ ｒｅ ｔ ｒ ｎ ｃ ｅｅ ｔ ｌ ｏ ｉ ｎ ｅ ｅ ｉ ｖ Ｏ — ｄ ｅ ａ ｈ ｎ ｈ ｔ ｔｏ ａ ｅ ｎ ａ ｏ ｔｄ，ｉ ｃ ｕ ｄ ｉ ｒ ｖ ｈ ｙ ｔｍ ’ ｅ ｌ ｉ ，ｄ ｔ ｃｉ ｇ ｐ ｅ ｉ ｏ ｒｌ ｄｂ ｅ ｄ ｐｅ ｈ ｔ ｏ ｌ ｍｐ ｏ ｅ ｔｅ ｓ ｓ ｅ Ｓ ｒ ａ — ｍｅ ｅ ｅ ｔ ｒ ｃｓ ｎ，ａ ｄ ｗ ｓ ｅ ｓ ｏ ｉ ｌｍｅ ｔ ｔ ｎ ｉ ｎ ａ ａ ｙ ｔ ｍｐ ｅ ｎ ａ ｄ Ｓ ｎ ｎ Ｏ ｏ ．Ｒｅ ｅ ｉ ｖ ｏ ｔｏ ｈ ｄ ｂ ｔ ｒ ｐ ｒ ｒ ｎ ｅ ｉ ｍｐ ｏ ｉ ｇ ｔｅ ｔ ｃ ｉｇ ａ ｃ ｒ ｃ ｆｔ ｅ ｗ ｖ ｆｒ ，ｗ ｓ ｉ ｐ ｔ ｉ ｅ ｃ ｎｒ ｌ ａ ｅ ｔ ｅ ｆ ｍａ ｃ ｎ ｉ ｒ ｖ ｎ ｈ ｒ ｋ ｎ ｃ ｕ ａ ｙ ｏ ｈ ａ ｅ ｏｍ ｔ ｅ ｏ ａ ａ ｎ
滑模变结构控制方法
20世纪50年代： 前苏联学者Utkin和Emelyanov提出了变结构控制的概念，研究对象：二阶线性系统。 20世纪60年代： 研究对象：高阶线性单输入单输出系统。主要讨论高阶线性系统在线性切换函数下控制受限与不受限及二次型切换函数的情况。 1977年： Utkin发表一篇有关变结构控制方面的综述论文，系统提出变结构控制VSC和滑模控制SMC的方法。同时，在1992年详细讨论了滑模技术。
正常运动段：位于切换面之外, 如图的 段所示。
滑模变结构控制的整个控制过程由两部分组成：
滑模变结构控制的品质取决于这两段运动的品质。由于尚不能一次性地改善整个运动过程品质，因而要求选择控制律使正常运动段的品质得到提高。 选择切换函数使滑动模态运动段的品质改善。两段运动各自具有自己的高品质。 选择控制律 :使正常运动段的品质得到提高。 选择切换函数 : 使滑动模态运动段的品质改善。
滑模变结构控制发展历史
此后 各国学者开始研究多维滑模变结构控制系统，由规范空间扩展到了更一般的状态空间中。 我国学者贡献： 高为炳院士等首先提出趋近律的概念，首次提出了自由递阶的概念。 海洋运载器方面的应用： Yoerger and Slotine (1985), Slotine and Li(1991), Healey and Lienard (1993) and Mc Gookin et al. (2000a, 2000b）
定义1：系统结构 系统的一种结构为系统的一种模型，即由某一组数学方程描述的模型。系统有几种不同的结构，就是说它有几种(组)不同数学表达式表达的模型。 定义2 ：滑动模态 人为设定一经过平衡点的相轨迹，通过适当设计，系统状态点沿着此相轨迹渐近稳定到平衡点，或形象地称为滑向平衡点的一种运动，滑动模态的”滑动“二字即来源于此。
冲击噪声背景下独立信号与相干信号并存的测向自适应新方法
冲击噪声背景下独立信号与相干信号并存的测向自适应新方法刁鸣;刘磊;安春莲【摘要】An effective self-adaptive method was proposed to eliminate the impulsive noise. Firstly, a threshold value was set up according to the amplitude feature of the array received data. Then, the amplitude of the array received data, whose amplitude is higher than the threshold value, was modified as the threshold value, and the residual noise was re-sampled to reconstruct the data according to the number of snapshot. Finally, the common second-order statistics method was utilized to estimate the directions of arrival (DOAs), and the DOAs of the uncorrelated and coherent signals were estimated separately. The results show that the proposed method is effective in the presence of strong impulsive noise and fewer snapshots.%根据冲击噪声的幅值特点和快拍数数量，通过对阵列接收数据进行去冲击预处理后进行数据重构，提出一种冲击噪声背景下独立信号与相干信号并存的 DOA估计的新自适应方法。
基于非线性干扰观测器的自动弹仓终端滑模控制
了速度环抗负载扰动的能力.文献[
１４]针对四旋
翼飞行器运动过程存在参数变化和外部扰动的问
题,设计了一种非线性干扰观测器(用于消除外部
扰动的干扰,减小滑模控制的不连续控制增益)和
自适应滑模结合 的 控 制 策 略,数 值 仿 真 和 实 验 验
证了该控制策略合理有效.
扰动情况下的自动弹仓鲁棒控制器是一个亟待解
决的问题.
滑模控制具有鲁棒性强、方法简单、容易工程
响,负载变化导致的系统惯量参数变化、无法精确
化的优点,被大量用于机电控制领域 [２Ｇ４].采 用 线
建模的非线性摩 擦、时 变 的 啮 合 碰 撞 以 及 链 传 动
的误差以指数方 式 渐 近 收 敛,系 统 状 态 只 能 趋 近
anc
e,andt
heobs
e
r
vedva
l
uewa
sc
ompens
a
t
edi
nt
hes
l
i
d
i
ng modecon
t
r
o
l
l
e
rwh
i
chimp
r
ovedt
her
o
Ｇ
bus
t
ne
s
sandan
t
i
Ｇ
d
i
s
t
u
rbanc
ec
apab
i
l
i
t
fs
t
em．Cl
os
ed
Ｇ
l
oops
t
ab
i
l
基于滑模自适应控制的双关节机械手轨迹跟踪
1.2动力学模型
动力学模型描述了机械手系统控制输入转矩和结 构运动之间的关系。本文运用欧拉拉格朗日法来建立 机械手的动力学模型。因为拉格朗日力学法只需要提 供机械臂的运动速度,而不需要求内作用力，这使得模 型在运算中得到简化。通过欧拉拉格朗日法进行运算 简化可得双关节机械手的动力学方程描述为如下形 式[22]:
B($ $ +C($$) $ +G($ = T
(1)
式中，&表示为关节角;。表示为角速度;。表示为角加
速度。H为正定惯性矩阵,具体表述为：
a + 2%cosC2 + 2/sin$ " + %cosC2 2 + /sin$ 1
"+ % cos $ n + /si $
"
C为哥式力和离心力矩阵,具体表述为：
节PID参数进行移动液压机械手的轨迹跟踪控制, 仿真结果能大致追踪到机械手的轨迹&但是此方 法的误差较大，并且调节参数需要的时间较长,当 控制能量需求较大时也很难满足需求&神经网络 控制在针对非线性和不确定系统有着明显的优势，
* 也是较先进的控制方法 17打文献［18 ］中运用神经
网络控制算法对机械手进行动力学建模,对未知部 分进行分析与逼近,最后通过在线建模和前馈补偿 来实现对机械手轨迹的高精度跟踪&自适应控制 是指系统能够根据环境的变化来调整自身的行为
或性能&文献［19 ］采用自适应控制,通过自动调节 不确定项来减小误差,提高控制精度&但是系统的 控制性能明显依赖于增益值,要获得更好的性能, 就必须使用较高的增益&文献［20 ］在采用自适应 思想设计控制器时,引入在线可调参数,使得控制
基于高置信度伪标签数据选择算法的临床事件抽取方法
第55卷 第1期2024年1月太原理工大学学报J O U R N A L O F T A I Y U A N U N I V E R S I T Y O F T E C HN O L O G YV o l .55N o .1 J a n .2024引文格式:罗媛媛,杨春明,李波,等.基于高置信度伪标签数据选择算法的临床事件抽取方法[J ].太原理工大学学报,2024,55(1):204-213.L U O Y u a n y u a n ,Y A N G C h u n m i n g ,L I B o ,e t a l .A c l i n i c a l e v e n t e x t r a c t i o n m e t h o d b a s e d o n a h i gh -c o n f i d e n c e p s e u d o -l a b e l d a t a s e l e c t i o n a l g o r i t h m [J ].J o u r n a l o f T a i y u a n U n i v e r s i t y o f T e c h n o l o g y,2024,55(1):204-213.收稿日期:2023-08-29;修回日期:2023-09-20基金项目:四川省科技厅重点研发项目(2021Y F G 0031);四川省省级科研院所科技成果转化项目(22Y S Z H 0021) 第一作者:罗媛媛(1998-),硕士,主要从事自然语言处理㊁知识图谱的研究,(E -m a i l )2306543568@q q.c o m 通信作者:杨春明(1980-),硕士,副教授,主要从事自然语言处理㊁机器学习方向的研究,(E -m a i l )y a n g c h u n m i n g@s w u s t .e d u .c n 基于高置信度伪标签数据选择算法的临床事件抽取方法罗媛媛1,杨春明2a ,3,李 波2a ,张 晖2b ,赵旭剑2a ,3(1.成都东软学院计算机与软件学院,成都611844;2.西南科技大学a .计算机科学与技术学院,b .数理学院,四川绵阳621000;3.四川省大数据与智能系统工程技术研究中心,四川绵阳621010)摘 要:ʌ目的ɔ事件抽取是构建高质量事件知识图谱的前提㊂临床事件抽取过程中事件元素存在依赖关系,现有方法无法准确识别事件元素并组合为事件,且现有临床事件标记数据较少,给事件抽取任务带来了极大的挑战㊂ʌ方法ɔ将临床事件抽取建模为实体识别模型,提出一种融合多特征的中文医学事件抽取方法:B E R T -M C R F .该方法使用B E R T 构建模型的嵌入和特征提取部分,在C R F 层加入多个字的滑动窗口特征,然后将B E R T -M C R F 作为半监督实验的基实验,提出一种高置信度伪标签数据选择算法作为筛选数据的条件,得到较高质量的300条数据与原始数据合并,最终构建了1700条语料,并重新训练模型㊂ʌ结果ɔB E R T -M C R F 模型在3种属性实体上的整体F 1值达到80.21%,比经典的B i L S T M -C R F 模型提升15.11%;通过半监督思路重新训练的模型最终F 1值达到81.56%,较原始B E R T -M C R F 提升了1.35%.关键词:临床医学事件抽取;实体识别;多特征;半监督学习;高置信度伪标签选择算法中图分类号:T P 391.1 文献标识码:AD O I :10.16355/j .t yu t .1007-9432.2023B D 011 文章编号:1007-9432(2024)01-0204-10A C l i n i c a l E v e n t E x t r a c t i o n M e t h o d B a s e d o n a H i gh -c o n f i d e n c e P s e u d o -l a b e l D a t a S e l e c t i o n A l go r i t h m L U O Y u a n y u a n 1,Y A N G C h u n m i n g2a ,3,L I B o 2a ,Z H A N G H u i 2b ,Z H A O X u ji a n 2a ,3(1.S c h o o l o f C o m p u t e r a n d S o f t w a r e ,C h e n g d u N e u s o f t I n s t i t u t e o f I n f o r m a t i o n ,C h e n gd u 611844,C h i n a ;2a .S c h o o l o f C o m p u te r S c i e n c e a n d T e c h n o l o g y ,2b .S c h o o l of M a t h e m a t i c s a n d P h ys i c s ,S o u t h w e s t U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y ,M i a n y a n g 621000,C h i n a ;3.S i c h u a n B i g Da t a a n d I n t e l l i g e n t S y s t e m E n g i n e e r i n g T e c h n o l o g y R e s e a r c h C e n t e r ,M i a n y a n g 621010,C h i n a )A b s t r a c t :ʌP u r po s e s ɔE v e n t e x t r a c t i o n i s a p r e r e q u i s i t e f o r b u i l d i n g h i g h -q u a l i t y e v e n t k n o w l -e d g e g r a p h s .T h e d e p e n d e n c y of e v e n t e l e m e n t s e x i s t s i n t h e p r o c e s s o f c l i n i c a l e v e n t e x t r a c t i o n .E x i s t i ng m e th o d s f ai l t o a c c u r a t e l y i d e n t i f y ev e n t e l e m e n t s a n d c o m b i n e t h e m i n t o e v e n t s ,a n d t h e a m o u n t o f a v a i l a b l e c l i n i c a l e v e n t t a g g i n g d a t a i s l i m i t e d .T h e s e p r o b l e m s b r i n g g r e a t c h a l l e n ge s t o t h e e v e n t e x t r a c t i o n t a s k .ʌM e t h o d s ɔI n t h i s r e s e a r c h ,c l i n i c a l e v e n t i s e x t r a c t e d a n d m o d e l l e da s a n e n t i t y r e c o g n i t i o n m o d e l ,a n d a C h i n e s e m e d i c a l e v e n t e x t r a c t i o n m e t h o d i n c o r p o r a t i n g mu l -t i p l e f e a t u r e s i s p r o p o s e d :B E R T -M C R F .I n t h i s m e t h o d ,B i d i r e c t i o n a l E n c o d e r R e pr e s e n t a t i o n f r o m T r a n s f o r m e r s (B E R T )i s u s e d t o c o n s t r u c t t h e e m b e d d i n g an d f e a t u r e e x t r a c t i o n p a r t s o f t h e m o d e l ,m u l t i p l e w o r d s l i d i n g w i n d o w f e a t u r e s i n t h e C o n d i t i o n a l R a n d o m F i e l d s (C R F )l a ye r a r e a d d e d ,t h e n B E R T -M C R F i s u s e d a s a b a s e e x p e r i m e n tf o r s e m i -s u p e r v i s e d e x pe r i m e n t s ,a n d a h i g h c o nf i d e n c e p s e u d o -l a b e l e d d a t a i s p r o p o s e d .T h e s e l e c t i o n a lg o r i th mi s u s e d a s a c o n d i t i o n t o f i l t e r t h e d a t a ,a n d 300d a t a o f h i g h e r q u a l i t y a r e o b t a i n e d a n d m e r g e d w i t h t h e o r i gi n a l d a t a .F i -n a l l y ,1700c o r p u s a r e c o n s t r u c t e d a n d t h e m o d e l i s r e t r a i n e d .ʌF i n d i n g s ɔT h e o v e r a l l F 1v a l u e o f t h e B E R T -M C R F m o d e l o n t h e t h r e e a t t r i b u t e e n t i t i e s r e a c h e s 80.21%,w h i c h i s 15.11%b e t -t e r t h a n t h a t o f t h e c l a s s i c a l B i -d i r e c t i o n a l L o n g S h o r t T e r m M e m o r y -C o n d i t i o n a l R a n d o m F i e l d s (B i L S T M -C R F )m o d e l ;w i t h t h e m o d e l r e t r a i n e d b y t h e s e m i -s u p e r v i s e d i d e a ,t h e f i n a l F 1v a l u e r e a c h e s 81.56%,w h i c h i s 1.35%h i g h e r t h a n t h e o r i gi n a l B E R T -M C R F .K e yw o r d s :c l i n i c a l m e d i c a l e v e n t e x t r a c t i o n ;e n t i t y r e c o g n i t i o n ;m u l t i -f e a t u r e s ;s e m i -s u p e r -v i s e d l e a r n i n g ;h i g h -c o n f i d e n c e p s e u d o -l a b e l s e l e c t i o n a l go r i t h m 事件抽取(e v e n t e x t r a c t i o n ,E E )是构建高质量事件知识图谱的前提[1]㊂临床医学事件抽取是指自动地从患者临床数据中提取有关疾病诊疗的某一主医学实体㊁相关实体及属性信息㊂临床医学文本中蕴含的临床医学事件反映了某一疾病的产生㊁发展㊁变化的过程,其中包含了大量的临床部位㊁手术㊁药物㊁专业检查及指标数值等信息,展示出患者疾病演化过程,也记录了诊疗方案的调整过程㊂自动地从大量的临床医学数据中抽取出临床医学事件构建临床医学事件图谱[2](e v e n t k n o w l e d g e g r a ph ,E K G ),能为后续的临床诊断㊁药物发现㊁治疗方案提供支持㊂临床医学事件抽取包含两个步骤:1)事件元素抽取,2)事件元素关联㊂事件元素是指自由临床文本中的与诊疗相关的医学实体及属性,如全国知识图谱与语义计算大会(c h i n a c o n f e r e n c e o n k n o w l -e d g e g r a p h a n d s e m a n t i c c o m p u t i n g,C C K S )的测评任务四[3]定义一个医疗事件的主要对象为肿瘤,需要抽取出(肿瘤原发部位,原发部位的病灶大小,肿瘤转移部位)这样的三元组形式的数据,通过这样的抽取方式,将文本结构化,反映出肿瘤的发展变化过程㊂这些数据对后续具体的医疗决策㊁治疗顺序㊁用药情况等有极大的帮助㊂一个肿瘤转移的医疗事件如图1所示㊂……所示左乳内见团块影，大小约为1.57 cm×1.41 cm ，CT 值约52HU ，边缘不光整，见毛刺。
一种基于LSTM的无人机飞行数据异常检测方法[发明专利]
![一种基于LSTM的无人机飞行数据异常检测方法[发明专利]](https://img.taocdn.com/s3/m/b1e336e951e2524de518964bcf84b9d529ea2c60.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810639367.6(22)申请日 2018.06.20(71)申请人 哈尔滨工业大学地址 150001 黑龙江省哈尔滨市南岗区西大直街92号(72)发明人 刘大同 彭宇 王泽洋 王本宽 彭喜元 (74)专利代理机构 哈尔滨市松花江专利商标事务所 23109代理人 岳昕(51)Int.Cl.G06K 9/62(2006.01)G06Q 10/00(2012.01)(54)发明名称一种基于LSTM的无人机飞行数据异常检测方法(57)摘要一种基于LSTM的无人机飞行数据异常检测方法，涉及无人机异常检测和系统健康管理领域。
本发明是为了解决在无人机飞行数据异常检测中，无人机系统工作过程中产生的函数较为复杂，其逼近能力并不能满足较高拟合精度需求的问题。
本发明重构无人机遥测数据相空间，获得输入向量和输出向量，获得训练样本集和测试样本集，采用TensorFlow深度学习开源框架搭建LSTM基本预测模型并进行参数进行寻优，获得最优LSTM模型进而计算LSTM预测结果；之后分别进行异常点检测和异常序列检测，最终完成无人机飞行数据异常检测。
权利要求书2页 说明书3页 附图4页CN 108960303 A 2018.12.07C N 108960303A1.一种基于LSTM的无人机飞行数据异常检测方法，其特征在于，包括异常点检测方法和异常序列检测方法：异常点检测方法具体为：步骤一：重构无人机遥测数据相空间，获得输入向量和输出向量，构建LSTM基本预测模型的训练样本集和测试样本集，并基于训练样本集和测试样本集搭建LSTM基本预测模型；步骤二：利用网格搜索法对LSTM基本预测模型的参数进行寻优，并将寻优后的参数代入LSTM基本预测模型中获得最优LSTM模型；步骤三：将测试样本集中的样本输入到最优LSTM模型中，获得LSTM预测结果；步骤四：计算训练样本集中样本的实际值与LSTM预测结果的残差，将训练样本集中样本的残差平均值作为正态分布中心μ＝mean(e training)，将训练样本集中样本残差的标准差作为正态分布方差σ＝std(e training)，e training表示训练样本集中样本的残差，当置信概率P ＝99％时，获得置信区间：[μ-2.6·σ,μ+2.6·σ]；步骤五：判断待检测无人机飞行数据是否属于置信区间，是则该待检测无人机飞行数据为正常点，否则该待检测无人机飞行数据为异常点；异常序列检测方法具体为：步骤六：将所有待检测无人机飞行数据按照时间顺序划分为多个时间序列，每个时间序列含有n个数据，6≤n≤15；步骤七：当置信概率大于99％时，判断每个时间序列中异常点的个数Q是否属于[n-4, n]，是则该时间序列为异常时间序列，否则该时间序列为正常时间序列。
【国家自然科学基金】_近似重构_基金支持热词逐年推荐_【万方软件创新助手】_20140730
混合统计模型 混合粒子群算法 流形学习 泥石流 水力机组 气动光学 模板匹配 梅花形采样 框架 标记点跟踪 最小二乘法 最佳近似 整数提升小波 数据融合 数学形态学 收敛 支路交换 心电干扰信号 微机电陀螺仪 径向基函数 形状特征 引力势能 干涉合成孔径显微技术 层间相关性 层内相关性 局部线性嵌入(lle) 小行星 小波阈值去噪 小波去噪 小波包 小波分析 小波 对流扩散方程 密度脉动 密度场 实代数数 奇异性检测 奇异性 奇异值分解 大分子三维重构 多面体模型 多尺度分析 多尺度 多分辨率分析 多分辨分析 多分辨svd 图像降噪 图像重构 图像融合 图像压缩 图像主元分析 可靠性 单纯形法 医用光学
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
科研热词 预测 非结构动网格 非线性回归 非线性位移-时间序列 阈值 近似完全重构 近似匹配 过分割 边坡演化 超声心动描记术 调制滤波器组 误差修正 自重构 系统误差 离散傅里叶变换 知识网 知识化制造系统 相空间重构 灰度重构 混合互易原理 气动干扰 模极大值 无损检测 心脏间隔缺损 形状重构 形态参数 弹性动力学 小波变换 小波 头罩分离 多元混沌判别. 多体动力学系统 声全息声场重构 因子分解法 周期 反问题 参数辨识 去噪 匹配度 动态重建 分水岭 分段线性 信号重构 信号还原 信号去噪 传递函数 helmholtz方程 hammerstein模型 b样条函数 born近似
图像去噪的基本原理、典型方法和最新方法 电子技术专业毕业设计 毕业论
摘要数字图像在其形成、传输和记录的过程中，由于成像系统、传输介质和记录设备的不完善往往使得获取的图像受到多种噪声的污染。
因此在模式识别、计算机视觉、图像分析和视频编码等领域,噪声图像的前期处理极其重要，其处理效果的好坏将直接影响到后续工作的质量和结果。
本文主要介绍图像去噪的基本原理、典型方法和最新方法。
考虑到图像去噪技术的飞速发展，本文在论述其基本理论的同时还着重介绍近年来国内有关的最新研究成果和最新方法。
本文被分成四个部分。
第一部分是绪论，论述图像去噪发展趋势及研究图像去噪的理由与意义。
第二部分论述中值滤波法和自适应平滑滤波法的基本原理，完成基于matlab中值滤波的代码实现，并对其结果进行分析。
本文提出两种新的算法，即中值滤波的改进算法即自适应加权算法，和自适应平滑滤波的改进算法。
并且也得出这两种算法的仿真结果，并且对结果进行分析。
第三部分首先论述基于频域的图像去噪方法的基本原理，然后本文对巴特沃斯低通滤波和巴特沃斯高通滤波的基本原理作了论述，并且分别完成基于matlab的巴特沃斯低通滤波和高通滤波的代码实现，对结果进行分析。
同时对程序中的重要语句分别作注释。
第四部分是本文最重要的一章，重点阐述基于小波域的两种图像去噪方法和算法，即小波阈值去噪法与小波维纳滤波去噪法。
在小波阈值去噪法中，本文重点论述小波阈值去噪的三个步骤，并介绍传统经典的阈值化方法即软阈值法、硬阈值法以及四种确定阈值的方法。
其中包括统一阈值法、基于零均值正态分布的置信区间阈值、最小最大阈值法和理想阈值估计法，并且完成小波阈值去噪法的代码实现，将小波阈值去噪法的去噪结果和中值滤波法的去噪结果进行比较分析，得出结论。
在小波维纳滤波去噪法中本文着重论述小波维纳滤波去噪法的基本原理，得到小波维纳滤波去噪法的仿真结果，并且将波维纳滤波去噪法的结果与维纳滤波去噪法的结果进行对比分析。
关键词：图像去噪，维纳滤波，中值滤波，小波变换，阈值AbstractIn its formation, transmission and recording of the process of digital images, because imaging system , transmission media and recording equipment are often imperfect, the obtained images are polluted by a variety of noises. In pattern recognition, computer vision, image analysis and video coding and other fields,noise image pre-processing is extremely important and whether its effect is good or bad will have a direct impact on the following quality and results. This paper introduces the basic principle, the typical method and the latest methods of image denoising.Taking the rapid development of technology of image denoising into account, the paper discusses the basic theory and at the same time also the latest research results and the latest methods in recent years.This paper is divided into four parts.introduction The first part is the introduction and discusses development trend of image denoising and the reasons and significance of studying image denoising. The second part, deals with the basic principles of median filter and adaptive smoothing filter, achieves the completion of median filtering code based on Matlab, and analyzes the results. This paper presents two new algorithm, which is the improved algorithms of the filtering called adaptive weighted algorithm, and the improved algorithm of adaptive smoothing. And the paper has reached this algorithm simulation results, and analyzed the results. The third part firstly discusses the basic principles of image denoising based on frequency domain . Then this paper discusses the basic principles of Butterworth low-pass filter and Butterworth high-pass filtering, and completes the code achieved based on Matlab Butterworth low-pass filter and high-pass filtering and analyzes the results. Meanwhile important statements of the procedures are explained. The fourth part of this article is the most important chapter and focuses on the two methods and algorithms of image denoising based on wavelet domain, which are the wavelet domain thresholding method and wavelet wiener filter method. In wavelet thresholding method, the paper focuses on the three steps of wavelet thresholding and discusses the traditional classical threshold methods,which are soft, and the threshold hard threshold law, and introduces four ways of determining the threshold.The four ways include a single threshold value, intervalthreshold based on the zero mean normal confidence, the largest minimum threshold value and ideal threshold estimates.The paper completes achieving code of wavelet thresholding method and comparatively analyzes the results of wavelet thresholding method and the results of denoising filter method. In wavelet wiener filter ,the paper method focuses on the basic principle of wavelet wiener filter, achieves simulation results of wavelet wiener filter method, and compares the results of wavelet wiener filter method with the results of the wiener filter method.Keywords : image denoising, Wiener filter, filtering, wavelet transform, threshold第1章绪论1.1 图像去噪的发展趋势图像信号处理中最困难的问题之一是:怎样滤出图像中的噪声而又不模糊图像的特征及边缘。
软件开发环境国家重点实验室(北京航空航天大学)
软件开发环境国家重点实验室软件开发环境国家重点实验室简介软件开发环境国家重点实验室于1988年通过国家计委专家认证，并确定为用世界银行贷款建设的国家重点实验室。
1992年后获得世界银行贷款共129万美元，购置了实验室建设初期的主要设备和基础设施，1992年10月对外开放。
1995年通过了教育部和基金委组织的专家验收。
实验室是国家对外开放的软件新技术、软件开发工具和环境的应用基础研究与关键技术研发基地。
实验室实行主任负责制和学术委员会评审制。
国务院学位委员会委员、中国科学院院士、北京航空航天大学校长李未教授担任实验室主任。
1997年12月经教育部批准，成立了第二届学术委员会，由12名国内外知名专家组成，中国科学院院士董韫美教授担任主任。
本届学术委员会成员中的二位外籍专家，分别来自日本筑波大学和德国马普计算机研究所。
1996年以来，实验室基于对软件产业国际国内形势的分析，确定了“面向软件产业发展的主战场，瞄准软件基础研究的世界前沿，突破研制大型软件的关键技术，深化原创性的软件基础研究”的发展战略。
在这个发展战略的指导下，实验室根据自身多年的学术积累和研究特色，并结合国际学科前沿研究与发展趋势，以原创性理论研究为基础，以关键技术突破为重点，以研制先进的软件开发环境和平台为总目标，设立了计算机科学理论与基础、高速网下的协同工作环境和面向领域服务的软件支撑技术三个有特色、有优势的研究方向。
自1996年以来，实验室共承担科研项目共156项。
其中，国家科学基金项目14项，攀登计划（子课题）1项，973计划项目1项（4个课题），863计划项目23项，部委级重点项目11项，其他课题及横向协作项目94项,科研经费共计8065万元。
实验室取得的主要成果有：在软件基础研究方面：1）在国内率先倡导将网络环境下海量信息的组织、传输与处理的研究作为软件基础研究的一个重要方向，并制定了详细的研究计划。
1999年科技部重大基础研究规划项目“网络环境下海量信息的组织、处理和传输的理论与方法”正式立项启动，实验室主任李未院士任该项目的首席科学家。
基于灰度直方图的MR脑组织的提取方法
基于灰度直方图的MR脑组织的提取方法朱冠菲;徐永秋;米红妹;朱建明【摘要】根据脑磁共振图像(magnetic resonance imaging,MRI)的灰度直方图中不同峰值对应不同的脑组织灰度分布的特点,提出了一种基于灰度直方图提取MR 图像中脑组织的方法;首先,为了克服传统方法主观选择门限阈值等方面的不足,利用多项式曲线拟合灰度直方图获取区域生长门限阈值确定最优种子点,并结合形态学重构方法进行颅骨分离,对脑MR图像进行了预处理;然后,结合K均值聚类算法通过对灰度直方图多峰值的选取确定初始聚类中心,将颅骨剥离后的脑组织图像高效、精确地细化分割出脑脊液、灰质、白质;文中分别使用了模拟脑MRI数据以及真实脑部MRI数据进行测试,对分类结果进行定性、定量的分析,并与模糊C均值算法进行比较;结果表明,该方法提高了提取脑组织的工作效率和准确度.%This paper presents a tissue segmentation method based on the fact that the peak distribution of gray scale histogram in MR brain images corresponds to different brain tissue distribution.Firstly,in order to separate the skull,we propose a method which combines optimal threshold selection and adaptive regional growing algorithm.The optimal threshold is obtained by using polynomial curve fitting to histogram data,overcoming the drawbacks of subjective threshold selection associated with traditional methods.We then apply adaptive regional growing algorithm to complete the separation of the skull.Secondly,the initial cluster centers are determined by selecting the peak values of gray histogram,and then the K-means clustering algorithm is used to refine the segmentation of cerebrospinal fluid,gray matter,white matter.Finally,this method is testedon both simulated MRI data and human brain MRI images.We perform both qualitative and quantitative analyses in comparison with other image segmentation algorithms.Results show that the proposed algorithm can improve the efficiency and accuracy brain tissue segmentation.【期刊名称】《计算机测量与控制》【年(卷),期】2017(025)011【总页数】5页(P170-173,178)【关键词】灰度直方图;曲线拟合;区域生长;K均值;脑组织提取【作者】朱冠菲;徐永秋;米红妹;朱建明【作者单位】中国计量大学信息工程学院,杭州310018;中国计量大学信息工程学院,杭州310018;中国计量大学信息工程学院,杭州310018;中国计量大学信息工程学院,杭州310018;北卡罗来纳大学教堂山分校医学院,美国【正文语种】中文【中图分类】TP391;R445.2核磁共振图像(magnetic resonance imaging，MRI)脑组织提取在神经图像分析中是配准、脑组织分类等的预处理步骤，起着重要作用[1]。
【国家自然科学基金】_稀疏重构_基金支持热词逐年推荐_【万方软件创新助手】_20140801
161 162 163 164 165 166 167 168
2011年 科研热词 压缩感知 稀疏表示 压缩传感 正交匹配追踪 信道估计 信号重构 稀疏信号 压缩感知(cs) 雷达成像 遥感图像 稀疏重构 稀疏性 稀疏信道 测量矩阵 正交频分复用 小波变换 图像重构 匹配追踪 高精度成像 频谱重建 频谱检测 频谱感知 频谱协方差 非连续采样 非参数方法 雷达辐射源信号 零树编码 随机滤波 阿霉素 阈值去噪 量子进化算法 重构误差变化率 重构算法 重构 重建算法 采样率 逆合成孔径雷达成像 逆合成孔径雷达(isar) 连接蛋白类 连接蛋白 过完备字典 超宽带 贝叶斯方法 贝叶斯假设检验 语音增强 语音信号处理 语音 认知无线电网络 认知无线电 融合算法 自适应匹配追踪 自适应 推荐指数 23 7 6 5 4 4 3 3 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
一种基于“滑窗法”的自适应航迹起始方法
1
引
(1 )
,
言
, :
对 于单站 雷达 数据 处 理 我们主 要是研 究 以 下几个 问 题
: ,
,
航 迹 起始 要用 雷达 开始 的几个 扫描 周期 内 的观 测量 进行 点 点 数 据关 联 形成 暂
。
,
“
一
”
,
时航迹 再经过 有限 步确 认及滤 波后 报告 航迹起 始 最 终形 成 可靠 航迹
(2 )
,
一 : 点 航 数 据关 联 用雷达 一 个 扫描 周期 内 的观 测 量 与 已 经 建立 的 可靠 航 迹数 据 进 行
,
。
数 据关联 以 确定最佳 的点 航配对
〔 ) 3
预测 滤 波 包 括 建立 目标 的动 态模 型 以 及 工 程 可 实 现 的跟 踪 滤 波 方 法
。
:
,
。
它 应有 较 好
。
一
34
一
数据 预处 理
数据 据 关联 联
航 与起始 迹 确认 认
机 动检 测 机 动 辨识
.
形成 哲时航迹 迹
德波 预测
目标 状态 输出
图
,
,
数据处理墓本 流 程
。
l〕 航 迹 确 定逻 辑来 确认 目标 消除虚警 并输 出 可 靠航 迹 文 献〔 给出 了 如 下 可靠 航 迹 与暂 时航
、
几
由于 信号处 理器 检 测器 等所物 出 的雷达 观测 回波 中 即 包含 着 真实 目标 回 波 又 包含 了 地 面 杂 波 气象 干 扰 嗓声令所 不希望 得到 的物 出 所 以 在 形成可 靠 航迹报 告之 前 必 须确 认 这些 点 迹 并最 终消除 那些 由杂波 噪 声 千扰 等所 引起 的 虚警 观测
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期:2010 11 14;修订日期:2011 02 23作者简介:蒋李兵(1983-),男,江苏启东人,博士研究生,主要从事SAR 图像解译、SAR 与光学图像融合方面的研究。
E mail:readfish o101@ 。
基于置信区间与形态重构的自适应滑窗新方法蒋李兵,王 壮(国防科技大学AT R 重点实验室,湖南长沙 410073)摘要:滤波滑窗的选取是SAR 图像相干斑滤波的关键问题之一,从SAR 图像中均匀区域的幅度和空间特性出发,提出了一种基于置信区间与形态学重构的自适应滑窗方法。
首先在初始滑窗内进行强度筛选,依据初筛结果的异质程度自适应调整置信区间,得到在幅度上连续的初始自适应窗;接着以初始自适应窗为掩膜,通过空间邻接约束进行形态学重构,进一步得到在空间上连续的、形状任意的自适应滑窗。
实验结果表明,与固定窗法和改进的Sigm a 方法相比,该方法能够获得更准确的滤波滑窗。
关 键 词:相干斑滤波;自适应滑窗;置信区间;形态学重构中图分类号:T P 75 文献标志码:A 文章编号:1004 0323(2011)03 0315 071 引 言相干斑是由合成孔径雷达(Synthetic A pertur e Radar,SAR)的相干成像模式所决定的一种固有现象,它通常被视为是一种乘性噪声[1]。
相干斑的存在降低了SAR 图像可理解性,因而相干斑抑制成为SAR 图像预处理的重要内容之一。
迄今为止,已提出了很多针对相干斑乘积模型的滤波器,常见的有基于空间域[2]或变换域[3]统计特性的滤波器,如Lee 、Kuan 、Frost 和GMAP 滤波器及其改进形式[2],以及基于不同邻域模型的滤波器等[3 5]。
其中基于图像局部统计特性的滤波器在实际应用中尤为广泛,然而此类滤波器滑窗的尺寸与局部统计量的稳定性之间通常呈现为一对矛盾:为了能获得稳定的局部统计量,滑窗尺寸应当选的尽量大一些;与此同时,为了精细地反映图像局部特性并保持场景本身的不连续性,又要求滑窗尺寸选的尽量小一些。
针对这个矛盾一般有两种处理思路: 在滤波前事先进行特征提取,并在滤波时对这些特征加以保护; 采用自适应滑窗技术,即尽量选取形状和尺寸能随场景变化而自适应调整的滑窗。
本文依照第二种思路,研究相干斑滤波中的自适应滑窗选取方法。
在最初的自适应滑窗方法中,滑窗的形状通常是人为限定的,局部区域的一些同质性指标被用来指导滑窗尺寸的增减,包括局部区域的标准差[6]、方差系数[7]等。
随着研究的深入,预分割开始被引入自适应滑窗方法中,用以确定局部均匀区域的形状和大小,典型的如Eo m 等[8]基于区域合并的方法和Das 等[9]基于区域生长的自适应滑窗方法。
Fj rtoft [10]则在预分割的基础上提出了基于掩膜的自适应窗方法。
然而,在预处理阶段引入图像分割会导致滤波问题的复杂化,同时,SAR 图像中的相干斑也制约着预分割结果的稳定性。
Lee[11]从SAR 图像的幅度统计分布模型出发,依据置信区间筛选像素生成自适应滑窗,给出了改进的Sig ma (Im pro ved Sigm a,ISig ma)法。
该方法简明直观,但仅考虑了同质区域的幅度连续性,缺乏对场景空间信息的挖掘。
从图像强度统计分布的置信区间和空间分布连续性两个方面考虑,本文提出了一种新的自适应滑窗选取方法。
首先在限定形状和尺寸的规则窗内,依据同质性程度的差异,自适应地选择合理的置信区间进行初筛选,形成初始自适应滑窗;接着,对该初始窗再进行空间邻接关系约束,最终得到在空间上连续的、可以是任意形状的自适应滑窗,实现滤波第26卷 第3期2011年6月遥 感 技 术 与 应 用REM OT E SENSING TECH NOLOGY AND APPL ICAT IONVol.26 N o.3J un.2011窗口的动态调整和滤波像素的自适应选择。
实验结果表明,本文的自适应滑窗选取算法可以准确定位局部不规则同质区域,在不改变现有统计滤波器结构的前提下,能获得更好的滤波结果。
2 自适应滑窗问题建模相干斑常被认为是一种乘性噪声,Ward[2]提出的乘积模型认为SAR图像测量值由地物的真实后向散射系数受一乘性的斑点噪声调制而成,数学模型可表示为:I=X Y (1)其中:I为图像测量值,X是地物的真实后向散射系数,Y为乘性斑点噪声。
式(1)表明,相干斑滤波问题可视为一个信号估计问题,即从受乘性噪声干扰的测量值I中估计后向散射系数X。
同态变换是一种常用的针对乘性噪声的滤波方法,它通过对数变换将乘性噪声转化为加性噪声,进而在加性噪声条件下用统计模式识别方法估计未知信号X。
对式(1)两边取对数:ln I=ln X+ln Y (2)然而由于变换后的噪声分量ln Y一般不服从高斯白噪声分布,其在低值部分拟合效果不好,限制了该类方法在相干斑滤波中的应用。
更普遍地,若将场景视为具有起伏性质的随机量,则X可由贝叶斯估计得到:X^=argXm ax P(X|I)argXmax P(I|X)P(X)(3)X的MAP估计表示为:d P(I|X)P(X)d X X^=Xm ap=0 (4)显然,式(4)中实现信号X准确估计的前提条件是建立SAR图像杂波合理准确的统计分布模型。
SAR图像杂波统计模型理论指出[1],噪声分量Y一般认为服从单位均值Gamm a强度分布,而场景分量X可根据实际成像区域异质性程度的不同,建模为具有恒定后向散射系数的均匀分布或具有起伏后向散射系数的Gamma强度分布、逆Gamm a分布、第一类Beta强度分布、第二类Beta强度分布等多类复杂统计分布模型。
然而由于实际SAR成像场景的复杂多样性和场景先验知识的局限性,使得对可能包含有多种地物成分的未知场景X确定统计分布模型这一任务往往变得非常棘手。
另一方面,尽管很难实现对任意场景的统计建模,但是对草地、森林、农田等某些特定场景已经能建立较准确的分布模型。
其中,针对同质均匀场景的Gamma杂波分布模型由于形式简洁、参数估计简单等特点而得到广泛应用。
应用Gam ma模型的关键是保证滤波滑窗的同质性,这就要求滤波窗口的形状和尺寸能够根据局部场景的变化自适应地调整,即形成自适应窗。
设W为初始滤波窗口,p0为滤波窗的中心位置像素,P={p i|i W}为初始滤波窗内所有像素的集合,令W ms为最终生成的自适应滑窗,P s= {p i|i W ms}为自适应滑窗内的像素集合,n为集合P s内的元素个数,则自适应滑窗的数学模型可表述为带约束的最优化问题:max ns.t.p0 P sP s PP s is homog eneous(5)式(5)表明,自适应窗问题就是要从滤波窗口W中鉴别与中心位置像素p0具有相同属性的像素,形成一个在幅度与空间上都均匀的最大子集P s。
该问题的关键在于如何随着p0及其邻域属性的变化而自适应地调整子集P s使之达到最大。
3 基于置信区间与形态重构的自适应滑窗方法通常来说,应用于预处理阶段相干斑抑制任务的自适应滑窗方法,应该在有限先验信息的前提下,既能实现对图像场景中同质区域的有效筛选,又不至于显著地增加滤波过程处理的复杂度。
受置信区间筛选和掩膜方法的启发,本文综合考虑局部平稳滑窗所需满足的幅度统计分布区间性和场景空间连续性这两种均匀性度量属性,提出了一种基于置信区间及形态重构的自适应滑窗新方法。
算法首先初步估计SAR图像先验值,接着依据滑窗内部的均匀性自适应调整置信概率,并基于由置信概率确定的置信区间对初始滑窗内像素筛选。
在此基础上,再对滑窗进行基于空间约束的筛选,从而形成最终的自适应滤波窗。
算法简要流程如图1所示。
3.1 基于置信区间的滑窗像素筛选3.1.1 置信区间的数值求解置信区间[A1,A2]是由概率分布函数p(x)和置信概率 共同确定的,它是指随机变量x以概率 属于区间[A1,A2]。
SAR图像上具有恒定后向散射系数 的均匀区域,其对应于置信概率 的置信区间316遥 感 技 术 与 应 用 第26卷图1 自适应滑窗算法流程图F ig.1 Flow char t of the ada ptive w indow ing metho d [A1,A2]由式(6)、(7)联立求得:= A2A1p A(a)d a (6)=1 A2A1a p A(a)d a (7)式(6)表示对置信区间[A1,A2]内的概率积分应该等于置信概率 ,式(7)表示置信区间[A1,A2]保持积分均值 不变。
p A(a)是SAR图像的统计分布概率密度函数,根据SAR相干斑模型,对于均匀区域 ,观测幅度A服从N阶方根Gamma分布:p N(A)=2NN1(N-1)!A2N-1exp(-NA2/ )(8)3.1.2 置信概率的自适应调整对于低视数图像,高置信概率所对应的置信区间动态范围通常很大。
以单视SAR幅度图像为例,置信概率0.9对应的置信区间[0.286,2.403]动态范围达到近17dB。
当不同区域之间后向反射系数 的反差不明显时,如此大的动态范围足够以较大概率涵盖多类异质区域。
举例来说,假定当前滑窗内存在A、B两类区域且幅度相差3dB( A> B),在单视置信概率0.9条件下,对应于A类区域的像素幅度置信区间为[0.286 A,2.403 A],则由式(6)计算得到滑窗内B类区域像素属于A类区域置信区间的概率 B=0.72。
上述例子表明,仅依据高置信概率尚不足以有效地筛选滑窗内不同像素。
同样地,在低置信概率条件下(以 =0.6为例),属于A、B两类区域的像素包含于初始自适应窗的概率分别为0.6和0.25。
显然针对滑窗内异质性较强的情况,选择较低的置信概率虽然相对保守,却更为合理。
受此启发,我们认为在不改变滑窗尺寸的前提下,随滑窗均匀性的差异而有区别地调整置信概率的高低更为合理:若滑窗异质性较强,则降低置信概率以缩小置信区间范围,降低像素误选的可能性;若滑窗趋于同质,则选择较高的置信概率以增大置信区间范围,以此平衡滤波滑窗的准确性和稳定性。
选择常用的方差系数作为均匀性指标,指导置信概率的自适应调整。
为了说明问题,本文简化了置信概率自适应调整流程,仅考虑设置高低两级置信概率,准则如下:若C v<C max, 取高置信概率;反之,则 取低置信概率,其中C max是方差系数门限。
3.1.3 基于置信区间的滑窗筛选根据上文的分析,滑窗内与待考察像素性质相同的同质区域,其幅度A分布将依概率 落在区间[ A1, A2]内,其中 是均匀区域的真实RCS 系数。
由于该系数未知,因此需要依据观测A对真值进行粗估计。
这里仍以正方形窗作为待考察像素的初始滑窗,首先对其进行带强散射点保护的3 3固定滑窗M MSE滤波[11],以滤波值^ 作为对 的估计。