自适应冗余字典学习的高光谱混合像元解混

针对线性稀疏解混模型无法准确识别真实端元造成丰度估计误差较大的问题,本文提出一种基于自适应冗余字典的高光谱混合像元解混算法.该算法根据地物在空间上的连续性,以及高光谱数据中信号成分与光谱库中物质光谱的强相关性,首先保留每个像元在光谱库上投影系数大于设定阈值所对应的光谱,将其作为与每个像元信号成分最匹配的光谱集合;然后合并该集合以构建高光谱数据的自适应冗余字典;最后利用ADMM算法求解高光谱数据在该字典上的丰度矩阵.仿真和实际高光谱数据实验结果表明,本文所提出的算法可减小丰度估计误差,在信噪比为15~35 dB时,其丰度估计准确性高于性能较优的SUnSAL算法约1~2 dB.      

层次极限学习机用于高光谱图像预测绝缘子污秽度

高光谱图像具有图谱合一、光谱范围广及分辨率高等优势，能精细化地反映物质微观特性. 为此，引入高光谱成像技术以非接触式预测绝缘子污秽度. 考虑到极限学习机具有学习效率高和泛化能力强等优点，提出基于正则化约束极限学习机的绝缘子污秽度预测（extreme learning machine-insulator pollution degree prediction，ELM-IPDP）模型. 此外，为进一步提升预测性能，引入层次极限学习机从复杂的高光谱图像中学习出有效、抽象、判决性特征表示，继而建立基于层次极限学习机的绝缘子污秽度预测（hierarchical ELM-IPDP，HELM-IPDP）模型. 在不同的训练集与测试集比例和不同隐含层神经元个数的情况下分别进行实验，从实验结果可知:ELM-IPDP模型和HELM-IPDP模型的预测性能基本上随着隐含层神经元个数和训练样本的增加而不断提高；当训练集与测试集比例为9∶1时，ELM-IPDP模型的均方根误差和相关系数分别为0.040 3和0.944 7，而HELM-IPDP模型的均方根误差和相关系数分别提升到0.022 3和0.972 0.      

混沌时间序列局域零阶预测法性能比较

利用计算机仿真比较了均值、距离加权和指数加权3种混沌局域零阶预测方法的预测精度、抗噪声及多步预测性能．在无噪声或噪声干扰较小时，距离加权预测法的性能最好；当噪声干扰较大时，指数加权预测法预测性能最优．指数加权与均值预测法几乎具有相同的多步预测能力，距离加权预测法的短期预测性能最佳．对于标准的离散混沌时间序列，3种预测方法多步预测误差达到一定值后，不再随预测步长的增加而增加；对于由连续系统抽样得到的混沌时间序列，多步预测误差呈现一定周期性变化．     

VBR视频业务的混沌特性研究

基于混沌理论的相空间重构技术,分别用自相关函数法和伪邻点法计算4条标准VBR(Variablebitrate)视频流I帧序列、GOP(groupofpictures)序列的时间延迟与最小嵌入维数;并在此基础上,利用Wolf算法得到其均具有正的最大Lyapunov指数。这一研究结果表明VBR视频业务在不同时间标度上均具有混沌特性,这为VBR视频业务的混沌建模和预测奠定了基础。     

基于嵌入式Web的远程监控研究

分析传统远程监控系统的不足以及Web技术用于远程监控的优点，并详细介绍和讨论基于代理和基于嵌入式系统的两种Web远程监控实现方案，最后给出1种以8位高速撤处理器SX52BD为核心的嵌入式Web远程监控的具体设计与实现．     

基于高光谱成像技术的绝缘子污秽度预测

高光谱成像技术能对绝缘子进行非接触式成像,且具有多波段、图谱合一等特点. 为此,本文提出一种基于高光谱成像技术的绝缘子污秽度预测方法. 首先,利用高光谱成像仪对绝缘子进行成像,得到400～1 000 nm波段范围内的高光谱图像数据,并进行黑白校正;然后,获取感兴趣区域（region of interest,ROI）的反射率光谱曲线,进行Savitzky-Golay平滑、对数或一阶导数变换的预处理. 最后,联合部分的真实样本标签数据分别建立基于支持向量机的绝缘子污秽度预测（support vector machines-insulator contamination degree prediction,SVM-ICDP）和基于偏最小二乘回归的绝缘子污秽度预测（partial least squares regression-insulator contamination degree prediction,PLSR-ICDP）模型. 从实验结果中可知,当预处理方法采用一阶导数变换时,所建立的绝缘子污秽度预测模型效果最佳,即SVM-ICDP模型准确率达到91.84%;PLSR-ICDP模型的均方根误差（root mean square error,RMSE）为0.024 1.      

多尺度注意力学习的Faster R-CNN口罩人脸检测模型

针对在佩戴口罩等有遮挡条件下的人脸检测问题，提出了多尺度注意力学习的Faster R-CNN （MSAF R-CNN）人脸检测模型. 首先，为充分考虑人脸目标多尺度信息，相较于原始Faster R-CNN框架，引入Res2Net分组残差结构，获取更细粒度的特征表征；其次，基于空间-通道注意力结构改进的Res2Net模块，结合注意力机制自适应学习目标不同尺度特征；最后，为学习目标的全局信息并减轻过拟合现象，在模型顶端嵌入加权空间金字塔池化网络，采用由粗到细的方式进行特征尺度划分. 在AIZOO和FMDD两个人脸数据集上的实验结果表明:所提出MSAF R-CNN模型对佩戴口罩的人脸检测准确率分别达到90.37%和90.11%，验证了模型的可行性和有效性.      

变比特率视频业务的混沌局域预测

鉴于变比特率视频业务具有混沌特性,本文在相空间重构的基础上,利用混沌时间序列的局域一阶预测法对两条标准的变比特率视频业务进行了预测,预测结果表明预测值能够很好地与实际值相吻合,而且不存在预测时延。相比自适应线性预测,具有更好的预测效果,为有效地进行网络资源分配和流量控制提供了基础,同时也为用混沌理论对变比特率视频业务进行建模和预测做了探讨。