下载文档原格式
第一章课题背景和研究意义近年来，视频监控系统在各行业得到了广泛应用，生活中有小区、超市等的安全监控，银行系统有柜台监控，交通方面有违章监控等。
这些监控系统是由一个或多个摄像机以及与之相连的一套电视监视器组成的，它们的用途主要是对场景的记录和保存，当异常情况，比如盗窃行为发生后，保安人员才通过记录的结果察看发生的事情，但往往为时已晚。
视觉监视是指在一个繁忙环境中对人和车辆等进行实时的观察，并给出对它们行为和动作的描述。
这一技术包括了运动目标的检测、跟踪、目标分类和行为理解等方面，涉及到计算机视觉、模式识别和人工智能领域的许多核心课题，是一个具有挑战性的困难问题。
近年来随着集成电路和计算机技术的迅猛发展，视觉监视系统所要求的硬件设备成本大大降低，因此它获得了日益广泛的研究与应用。
许多关于视觉监视的大规模研究项目已经在美国、欧洲和日本展开，同时它也成为许多国际学术会议关注的重要主题。
运动目标检测与跟踪处于整个视觉监视系统的最底层，是各种后续高级处理如目标分类、行为理解等的基础。
运动目标检测系指从视频流中实时提取目标，一般是确定目标所在区域和颜色特征等。
目标检测的结果是一种“静态”目标——前景目标，由一些静态特征所描述。
运动目标跟踪则指对目标进行连续的跟踪以确定其运动轨迹。
我们通过为静止背景建模来检测前景点。
具体的背景模型以 Stauffer 等提出的自适应混合高斯模型为蓝本，并对其作了部分改进以更好地处理实际背景发生变化的情形。
算法中采用一种可靠的连通区域检测算法完成前景目标的分割。
目标跟踪时则通过匹配目标的位置、大小、形状和颜色等特征，建立运动目标与前景目标间的对应关系。
算法中考虑了跟踪中多个目标相互遮挡的问题，分析了几种可能结果并分别加以处理。
我们还为运动目标引入了可靠性度量以使目标跟踪过程更加稳定和可靠。
在实际应用中，不包括运动物体的纯背景图像通常无法得到。
而且，由于场景光照变化、摄像机抖动等因素，背景不可能完全静止。
背景建模算法1 基本原理视频图像中运动目标检测的一种方法，其基本思想是对图像的背景进行建模。
一旦背景模型建立，将当前的图像与背景模型进行某种比较，根据比较结果确定前景目标（需要检测的运动目标）。
2 难点（1）环境光照的变化（光照突然性的变化和缓慢的变化）（2）背景的多模态性（背景中存在的细微的运动将影响前景目标检测的结果）（3）运动物体的阴影（4）图像噪声（5）新的不动的物体进入到背景中（如何快速适应背景的变化）3 分类背景建模方法可以分为两类，颜色背景模型和纹理背景模型。
3.1 颜色背景模型颜色背景模型其思想是对图像中每个像素的颜色值（灰度或彩色）进行建模。
如果当前图像坐标(x,y)上的像素颜色值与背景模型中(x,y)上的像素颜色值有较大差异时，当前像素被认为是前景，否则为背景。
颜色背景模型的一个最明显的缺点是对阴影敏感，即将阴影误检测为运动目标。
在特定场合下，需要在检测后对阴影进行抑制和消除。
3.1.1 平均背景模型平均背景模型(Average Background Model)是一种简单、计算速度快但对环境光照变化和背景的多模态性比较敏感的一种背景建模算法。
其基本思想是：计算每个像素的平均值作为它的背景模型。
检测当前帧时，只需要将当前帧像素值I(x,y)减去背景模型中相同位置像素的平均值u(x,y)，得到差值d(x,y)，将d(x,y)与一个阈值TH进行比较，那么得到输出图像output的值如下：(3-1)(3-2)这里TH可以采用自适应算法进行确定，需要计算每个像素的帧间差的平均值和标准差。
公式如下：令代表t时刻的图像中(x,y)处的像素值，inter代表两帧之间的间隔，通常设置为3，令如下：(3-3)(3-4)(3-5)M通常要足够大（>30+inter）来保证和的精确性。
得到了和后TH 可以这样确定：TH = + (3-6)其中一般设置为2。
为了提高算法的鲁棒性，可以在检测完之后要对背景模型进行更新，对于所有像素(x,y)，令,,更新后分别为,,：(3-7)(3-8)(3-9)这里为学习率(0~1)，越大，对背景变化的适应速度越快。
视频检测和运动目标跟踪方法总结目前常用的视频检测方法可分为如下几类：光流法，时域差分法，背景消减法，边缘检测法，运动矢量检测法[2]。
一、光流法光流法[1]是一种以灰度梯度基本不变或亮度恒定的约束假设为基础对运动目标进行检测的有效方法。
光流是指图像中灰度模式运动的速度，它是景物中可见的三维速度矢量在成像平面上的投影，表示了景物表面点在图像中位置的瞬时变化，一般情况下，可以认为光流和运动场没有太大区别，因此就可以根据图像运动来估计相对运动。
优点：光流不仅携带了运动目标的运动信息，而且还携带了有关景物三维结构的丰富信息，它能够检测独立运动的对象，不需要预先知道场景的任何信息，并且能够适用于静止背景和运动背景两种环境。
缺点：当目标与背景图像的对比度太小，或图像存在噪音时，单纯地从图像灰度强度出发来探测目标的光流场方法将会导致很高的虚警率。
且计算复杂耗时，需要特殊的硬件支持。
二、时域差分法时域差分法分为帧差法和改进的三帧双差分法。
1.帧差法帧差法[8]是在图像序列中的相邻帧采用基于像素点的时间差分, 然后阈值化来提取出运动区域。
视频流的场景具有连续性，在环境亮度变化不大的情况下，图像中若没有物体运动，帧差值会很小；反之若有物体运动则会引起显著的差值。
优点：时域相邻帧差法算法简单，易于实现，对背景或者光线的缓慢变化不太敏感，具有较强的适应性，能够快速有效地从背景中检测出运动目标。
缺点：它不能完全提取运动目标所有相关像素点，在运动实体内部不容易产生空洞现象。
而且在运动方向上被拉伸，包含了当前帧中由于运动引起的背景显露部分，这样提取的目标信息并不准确。
2.三帧双差分法三帧双差分法与相邻帧差法基本思想类似，但检测运动目标的判决条件上有所不同。
三帧双差分较两帧差分提取的运动目标位置更为准确。
三、背景消减法背景消减法[4]是将当前帧与背景帧相减，用阈值T判断得到当前时刻图像中偏离背景模型值较大的点，若差值大于T则认为是前景点（目标）；反之，认为是背景点，从而完整的分割出目标物体。
基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故障特征提取杨大为;赵永东;冯辅周;江鹏程;丁闯【摘要】针对某型装甲车辆行星变速箱行星轮故障特征难以提取的问题,提出了结合参数优化变分模态分解(VMD)和多尺度熵偏均值的故障特征提取方法.为克服VMD算法参数选取依赖经验的弊端,采用粒子群优化算法对VMD参数进行优化.使用参数优化后的VMD算法对信号进行分解,并依据互信息选取有效分量对信号进行重构.多尺度熵能反映信号在多尺度下的复杂度,偏均值可以反映多尺度熵的均值和变化趋势.采用基于多尺度熵的综合指标多尺度偏均值,以全面反映振动信号在多尺度下的特性,用于衡量行星变速箱运行状态,从而进行故障特征提取.行星变速箱实验数据处理结果表明,新方法可以更加有效的提取行星变速箱故障.【期刊名称】《兵工学报》【年(卷),期】2018(039)009【总页数】9页(P1683-1691)【关键词】行星变速箱;故障特征提取;变分模态分解;多尺度熵偏均值【作者】杨大为;赵永东;冯辅周;江鹏程;丁闯【作者单位】陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工程系,北京100072【正文语种】中文【中图分类】TJ810.3+21;TB52+60 引言某型装甲车辆行星变速箱长期工作于高温重载的恶劣环境，齿轮故障常有发生，而其负载常在大范围瞬时波动，弱化了故障产生的异常进而掩盖了故障，很难及时发现并进行有效处理，故障往往进一步发展恶化，进而严重影响变速箱正常运转，造成车辆机动性能下降，减弱整车的战斗力。
而某型行星变速箱结构复杂，含有多个定轴轮系和行星轮系，工作时多对齿轮啮合相互影响，信号分解难度较大。
振动传感器采集到的信号存在大量噪声干扰且受复杂的传递路径影响衰减严重，属于典型非线性非平稳信号，给故障特征提取工作带来困难。
计量经济学与数据分析作业指导书第1章导论 (3)1.1 计量经济学与数据分析概述 (3)1.2 数据类型与来源 (3)1.3 计量经济学模型及其应用 (4)第2章数据的描述性统计分析 (4)2.1 数据的基本特征 (4)2.2 数据可视化 (4)2.3 数据分布特征 (5)2.4 数据质量检验 (5)第3章线性回归模型 (5)3.1 一元线性回归模型 (5)3.2 多元线性回归模型 (6)3.3 参数估计与假设检验 (6)3.4 模型诊断与改进 (6)第4章非线性回归模型 (6)4.1 二次回归模型 (6)4.1.1 二次回归模型的构建 (6)4.1.2 二次回归模型的参数估计 (6)4.1.3 二次回归模型的假设检验 (6)4.1.4 二次回归模型的应用实例 (6)4.2 指数回归模型 (6)4.2.1 指数回归模型的构建 (7)4.2.2 指数回归模型的参数估计 (7)4.2.3 指数回归模型的假设检验 (7)4.2.4 指数回归模型的应用实例 (7)4.3 对数回归模型 (7)4.3.1 对数回归模型的构建 (7)4.3.2 对数回归模型的参数估计 (7)4.3.3 对数回归模型的假设检验 (7)4.3.4 对数回归模型的应用实例 (7)4.4 模型选择与比较 (7)4.4.1 模型选择的原则 (7)4.4.2 模型比较的方法 (7)4.4.3 常用模型选择与比较指标 (7)4.4.4 实际案例中的模型选择与比较 (7)第5章多变量回归模型 (7)5.1 联立方程模型 (7)5.1.1 模型设定与识别 (7)5.1.2 参数估计方法 (7)5.1.3 模型检验与诊断 (7)5.2 面板数据模型 (8)5.2.2 参数估计方法 (8)5.2.3 面板数据模型的应用 (8)5.3 工具变量法 (8)5.3.1 工具变量法的原理 (8)5.3.2 工具变量法的估计方法 (8)5.3.3 工具变量法的应用 (8)5.4 稳健回归方法 (8)5.4.1 稳健回归的必要性 (8)5.4.2 稳健回归方法介绍 (8)5.4.3 稳健回归方法的应用 (8)第6章时间序列分析 (9)6.1 时间序列的基本概念 (9)6.2 自相关与偏自相关分析 (9)6.3 时间序列平稳性检验 (9)6.4 时间序列模型建立与预测 (9)6.4.1 AR模型 (9)6.4.2 MA模型 (9)6.4.3 ARMA模型 (9)6.4.4 ARIMA模型 (9)第7章生存分析 (10)7.1 生存数据及其特点 (10)7.2 生存函数与风险函数 (10)7.3 寿命表与累积风险函数 (10)7.4 Cox比例风险模型 (11)第8章主成分分析 (11)8.1 主成分分析基本原理 (11)8.2 主成分提取与载荷分析 (11)8.3 主成分得分与综合评价 (12)8.4 主成分回归模型 (12)第9章聚类分析 (13)9.1 聚类分析基本概念 (13)9.2 层次聚类法 (13)9.3 K均值聚类法 (13)9.4 密度聚类法 (13)第10章计量经济学应用实例 (14)10.1 财政支出与经济增长关系研究 (14)10.1.1 研究背景 (14)10.1.2 数据与模型 (14)10.1.3 实证分析 (14)10.1.4 结果讨论 (14)10.2 产业结构与就业关系研究 (14)10.2.1 研究背景 (14)10.2.2 数据与模型 (15)10.2.4 结果讨论 (15)10.3 污染物排放与经济增长关系研究 (15)10.3.1 研究背景 (15)10.3.2 数据与模型 (15)10.3.3 实证分析 (15)10.3.4 结果讨论 (15)10.4 教育投入与人力资本关系研究 (15)10.4.1 研究背景 (15)10.4.2 数据与模型 (15)10.4.3 实证分析 (16)10.4.4 结果讨论 (16)第1章导论1.1 计量经济学与数据分析概述计量经济学作为一门应用经济学分支，主要研究如何运用统计学、数学和经济学原理对经济现象进行定量分析。
一种快速稀疏贝叶斯学习的水声目标方位估计方法研究近年来，水声目标方位估计技术深入研究的重要性日益受到人们
的重视。
寻找快速、精准的贝叶斯学习算法，进一步提升水声目标方
位估计技术，成为当下学术界的研究热点。
随着技术的进步，一种快
速稀疏贝叶斯学习的水声目标方位估计方法研究也获得了广泛关注。
快速稀疏贝叶斯学习水声目标方位估计方法，依据建模对象实时
收集水声讯号数据，构建以 \mathcal P 概率函数为基础的混合模型，设计了一种收敛速度较快且有效保存稀疏特征结构信息的估计方法。
该方法采用 EM 算法进行参数估计，在小样本情况下，特指噪声参数
学习后且应用最大后验估计的结果，具有较高的估计精度。
此外，快速稀疏贝叶斯学习水声目标方位估计方法能够很好的避
免获取稀疏参数时出现维度灾难所带来的计算量大，同时维持与传统
贝叶斯学习方法簇性质较高的优势。
有竞争性学习的噪声参数调整来
优化贝叶斯模型，使之具有较高的精确度和更快的训练速率。
由于设
计的快速稀疏贝叶斯学习性能方法具有较快的计算速度与精确度，于
是广泛应用于各类复杂的水声目标定位的估计中。
综上所述，快速稀疏贝叶斯学习的水声目标方位估计方法是今日
水声定位中重要的研究技术，其特征有：基于模型、收敛速度快、参
数估计高效，有效防止出现维度灾难所带来的后果，为水声定位技术
的发展奠定了良好基础，可期待随着技术的进一步深入，会出现更多
改善性的研究成果。
贝叶斯非参数模型框架构建简介作者：董平周东傲林嘉宇来源：《数字技术与应用》2015年第09期摘要：1973年，Ferguson提出用带有无限维度参数空间的参数模型来表示先验的方法，随后涌现了大量的构建贝叶斯非参数模型的方法。
基于这些不同的模型构建方法，贝叶斯非参数过程在回归、聚类、变量选择等问题中得到非常广泛的应用。
本文概略的介绍了贝叶斯非参数模型的构建方法。
关键词：贝叶斯非参数参数模型局部观测中图分类号：TN918.1 文献标识码：A 文章编号：1007-9416（2015）09-0000-00Abstract：In 1973， Ferguson proposed a parametric model with infinite dimensional parameter space to represent the prior method， and then emerged a large number of methods to construct a Bayesian nonparametric model. Based on these different model construction methods， Bayesian nonparametric process is widely used in regression， clustering， variable selection and so on. This paper introduces the method of Constructing BayesianKey words：Bayesian nonparametri；Nonparametric models；Local observation贝叶斯模型的基本思想是用数学中的概率论来表示和处理所有形式的模型中的不确定量。
这是一个十分简单却异常有效的方法。
只需要掌握两个概率论的定理：求和规则和乘法规则。
