摘要：小波阈值密度估计器是一种非线性密度估计方法 ,具有较好的局部适应性和渐进性质 ,在收敛性和逼近效果上均优于线性小波密度估计器。本文讨论了估计器的网格结构、平滑参数和系数阈值的确定方法 ,以及 Q-Q图迭代检验以消除粗差数据等问题 ,给出了一种可行的小波阈值密度估计器设计方法。并利用小波阈值密度估计器分别对仪表失效数据和玻璃管厚度数据进行分析 ,表明了该设计方法的有效性。

摘要：及时、准确地估算饵料盘中残留饲料量是提高养殖效益的重要措施。针对虾类养殖场景下残饵检测模型复杂度高、计数精度低的问题,提出了一种基于混合空洞卷积和注意力多尺度网络(hybrid dilated convolution and attention multi-scale network,HAMNet)的残饵密度估计方法。首先,借鉴MCNN(multi-column convolutional neural network)多列架构的思想设计并行卷积块(parallel convolution block,PCB),使网络在单列架构中提取多种尺度的残饵特征,简化了网络结构并减轻了计算量;同时为了弥补网络结构简化造成残饵特征表示能力略有不足的问题,引入混合空洞卷积块(hybrid dilated convolution block,HDCB)避免信息丢失并增大感受野,增强模型深入挖掘多尺度残饵信息的能力。其次,在网络中嵌入通道注意力机制(channel attention mechanism,CAM),利用通道之间的相互依赖性重新校准有用特征信息的权重,凸显目标与背景的差异性。最后,针对下采样导致密度图质量差的问题,应用可学习的转置卷积恢复特征图细节信息,进而提升模型计数性能。利用饵料盘条件下采集的残饵图像进行了验证,试验结果表明,与基准模型MCNN相比,HAMNet模型的平均绝对误差、均方根误差和计算量分别降低了44.4%、40.8%和13.7%,参数量仅为0.52 MB。与经典密度估计模型CMTL(cascaded multi-task learning)、SANet(scale aggregation network)、CSRNet(congested scene recognition network)相比,该模型在各项性能指标上保持了最佳平衡,明显处于优势。该研究可为人工智能在水产养殖中快速量化残饵提供参考。

摘要：基于可能相关并具有某种遍厉性的样本数据,该文设计了一个具有多级自适应滤波器的有限元估计器去估计相应的(平稳)密度函数。数值例了表明了估计器的有效性。同时也讨论了一个有关估计器稳定性的性质。

摘要：本文引进密度函数的核估计结合再抽样的方法,研究洪水频率的分析计算;并用统计试验方法,对P-Ⅱ-CFM法,LN3-PWM法及密度估计法(DEM),分析比较了五组参数,三组样本特征等总共90种方案.统计结果表明:在这三种方法中,稳健性最好的是非参数的密度估计法,P-Ⅱ-CFM法次之,LN3-PWM法最差.另外,由于DEM法推求出的设计值无偏性及有效性都较好,而且它还跳出了传统的推求设计值要先假定分布线型的框框,避开了水文设计值计算上困惑多年的线型问题.因此,是一种有应用和研究价值的方法.

摘要：针对大规模人群的密度分析技术,对传统的像素统计特征人群密度分析和灰度共生矩阵(GLDM)密度分析算法进行了透视矫正改进,提高了群体密度分析的精度。同时综合了像素统计特征和灰度共生矩阵特征的优点,设计了大规模群体的密度分析系统,在全密度范围内具有比较高的密度估计精度,其提供的数据可以为大规模群体管理提供依据。

摘要：提出了一种混合卷积神经网络用于人群数量的感知计算,在高度密集的场景中可以准确地预测人群密度图。模型仅由两个部分组成:前端为扩张卷积神经网络提取二维特征;后端采用分数步长卷积神经网络降低下采样中的信息损失。为了验证和分析算法性能,模型设计基于当前较为流行的Shanghai Tech数据集,使用回归问题的评价指标,即平均绝对误差(MAE)和均方误差(MSE)作为评估算法性能的标准。在Shanghai Tech(MAE=100.8)、UCF_CC_50(MAE=305.3)与WorldExpo’10数据集上进行测试,实验表明模型在密集场景下较以往的方法有效降低了MAE和MSE,提高了密集人群计数的准确率。

摘要：在海量数据中辨识异常数据是确保异构网络安全运行的前提条件,为提高数据异常辨识精度、敏感性和效率,提出一种基于密度估计的异构网络数据异常辨识算法。采用稀疏去噪自编码网络消除异构网络中存在的噪声数据,避免噪声数据对辨识过程产生干扰,提高辨识结果的稳定性;通过密度估计获取异构网络数据的特征曲线,对其展开加权叠加处理,获得异构网络数据特征,并采用MISE最小准则优化窗宽,提高特征提取精度;引入欧几里得距离计算网络数据特征之间的相似度,设定异常辨识阈值,完成异构网络数据的异常辨识。实验结果表明,所提算法具有较高的辨识精度、敏感性和辨识效率。

摘要：人群的密度和运动估计对于人群安全和建筑物设计至关重要。本文研究了基于图像和视频处理的智能化人群自动估计方法。在人群密度估计上,对于低密度人群图像采用基于像素统计的方法,对于较高密度人群图像采用基于多尺度分析和分形的纹理分析方法,并应用支撑向量机进行人群密度等级分类。在人群运动估计上,使用块匹配法对人群运动速度进行估计。对人群图像和视频的实验表明,本文的方法较以前的方法更为准确有效。

摘要：基于近邻的离群点检测算法对近邻选择较为敏感,邻域范围过小会增加模型复杂度,导致过拟合;邻域范围过大会使模型过于简单,忽略大量可用信息。为了降低邻域范围选择对离群点识别的影响,达到更高的精确度,基于近邻关系设计了一种投票决策的算法。该算法包括密度估计和模拟投票2个步骤:密度估计用于加速收敛数据点的密度得到稳态密度,从而根据稳态密度进行不同策略的模拟投票;模拟投票策略是基于社区发现算法改进得到的离群点检测核心算法,同时考虑数据点的重要性与其近邻的相似性进行投票。数据点的重要性与其稳态密度呈正相关,重要性越大的数据点将优先进行主动投票,把自身信息传递给邻域内与其相似度最大的数据点,并累计被投票数据点的投票排名。当每个数据点都进行主动投票后,算法停止迭代,得到各数据点的投票排名,将投票排名越靠后的数据点视为离群点。在11个真实数据集上的实验结果表明:基于近邻的投票模拟检测算法平均精确度为79%,证明了所提算法的有效性。

摘要：车流量的不断增大,城市变得愈加拥挤,需要进行车辆密度估计,进而构建有效的车辆防碰撞系统。提出一种基于随机寻址RFID阵元分布的车辆密度参量估计算法,进行ZigBee和参量估计的车辆防碰撞预警系统设计。首先实现了基于ZigBee的车辆间的通信组网系统模型构建,得到了ZigBee组网与车辆碰撞预警方法,利用随机寻址RFID方法进行ZigBee的车辆间的通信组网系统模型构建,采用贝叶斯近似方法建立均匀矩形阵列,车辆作为阵元分布在均匀矩形网格中,以此描述车流动态变化过程,根据角度变化得到车流的方位和速度信息,实现车辆密度参量估计和防碰撞预警系统设计。系统实验结果表明,该算法和系统进行车辆密度参量估计,估计精度较高,信息全面准确。通过准确的车辆密度参量估计,提高了车辆防碰撞预警系统的性能。