混响环境下的直达声波达方向(Direction of Arrival,DOA)估计采用基于阈值挑选时频点的方式,可以有效地提升直达声DOA估计精度。但用基于阈值挑选出的时频点,所得到的估计结果混有偏离较大的离群点,影响直达声DOA估计精度。为了削弱极...混响环境下的直达声波达方向(Direction of Arrival,DOA)估计采用基于阈值挑选时频点的方式,可以有效地提升直达声DOA估计精度。但用基于阈值挑选出的时频点,所得到的估计结果混有偏离较大的离群点,影响直达声DOA估计精度。为了削弱极少数偏离较大离群点的干扰,采用空间聚类(DBSCAN)算法,提出了基于密度的挑选时频点的直达声DOA估计。与基于阈值挑选时频点相比,利用基于密度挑选出的时频点,剔除了部分偏差较大的离群点,留下了含有直达声信息的时频点,提高了直达声DOA估计精度。展开更多
针对传统的kNN(k-NearestNeighbor)近邻填补算法对缺失数据的填补效果会因为k最近邻数据存在噪声受到较大干扰的问题,提出一种基于kNN-DBSCAN(k-NearestNeighbor Density-based Spatial Clustering of Applications with Noise)的缺失...针对传统的kNN(k-NearestNeighbor)近邻填补算法对缺失数据的填补效果会因为k最近邻数据存在噪声受到较大干扰的问题,提出一种基于kNN-DBSCAN(k-NearestNeighbor Density-based Spatial Clustering of Applications with Noise)的缺失数据填补优化算法。将基于密度的DBSCAN聚类算法运用到kNN近邻填补算法中,先用kNN算法得到目标填补数据的原始k最近邻数据集,运用DBSCAN聚类算法对原始k最近邻数据集进行噪声检测并消除噪声数据,得到当前k最近邻数据集,最后并入kNN计算,填补目标缺失数据;同时,针对DBSCAN聚类算法参数设置敏感的问题,通过分析数据集的统计特性来确定参数,避免人为经验判断。最后利用真实数据对算法进行验证,结果显示该算法对目标缺失数据的填补准确度要优于传统的kNN算法。展开更多
针对在特定电力系统监控场景下的目标跟踪问题,提出了一种基于光流特征点的目标跟踪算法。首先,对Kanade-Lucas-Tomasi(KLT)跟踪算法提取到的特征点进行背景特征点滤除,分离出关键特征点;其次,利用Density Based Spatial Clustering of ...针对在特定电力系统监控场景下的目标跟踪问题,提出了一种基于光流特征点的目标跟踪算法。首先,对Kanade-Lucas-Tomasi(KLT)跟踪算法提取到的特征点进行背景特征点滤除,分离出关键特征点;其次,利用Density Based Spatial Clustering of Applications with Noise(DBSCAN)聚类方法对关键光流特征点进行聚类处理,区分出不同运动目标;最后,在KLT跟踪算法中引入Kalman滤波器对因遮挡导致的跟踪目标识别不全甚至目标丢失进行了优化。仿真实验结果表明:提出的算法能够在电力系统监控视频中实现对多目标的有效跟踪,并对跟踪目标遮挡情况有较高的鲁棒性。展开更多
文摘混响环境下的直达声波达方向(Direction of Arrival,DOA)估计采用基于阈值挑选时频点的方式,可以有效地提升直达声DOA估计精度。但用基于阈值挑选出的时频点,所得到的估计结果混有偏离较大的离群点,影响直达声DOA估计精度。为了削弱极少数偏离较大离群点的干扰,采用空间聚类(DBSCAN)算法,提出了基于密度的挑选时频点的直达声DOA估计。与基于阈值挑选时频点相比,利用基于密度挑选出的时频点,剔除了部分偏差较大的离群点,留下了含有直达声信息的时频点,提高了直达声DOA估计精度。
文摘针对传统的kNN(k-NearestNeighbor)近邻填补算法对缺失数据的填补效果会因为k最近邻数据存在噪声受到较大干扰的问题,提出一种基于kNN-DBSCAN(k-NearestNeighbor Density-based Spatial Clustering of Applications with Noise)的缺失数据填补优化算法。将基于密度的DBSCAN聚类算法运用到kNN近邻填补算法中,先用kNN算法得到目标填补数据的原始k最近邻数据集,运用DBSCAN聚类算法对原始k最近邻数据集进行噪声检测并消除噪声数据,得到当前k最近邻数据集,最后并入kNN计算,填补目标缺失数据;同时,针对DBSCAN聚类算法参数设置敏感的问题,通过分析数据集的统计特性来确定参数,避免人为经验判断。最后利用真实数据对算法进行验证,结果显示该算法对目标缺失数据的填补准确度要优于传统的kNN算法。
文摘针对在特定电力系统监控场景下的目标跟踪问题,提出了一种基于光流特征点的目标跟踪算法。首先,对Kanade-Lucas-Tomasi(KLT)跟踪算法提取到的特征点进行背景特征点滤除,分离出关键特征点;其次,利用Density Based Spatial Clustering of Applications with Noise(DBSCAN)聚类方法对关键光流特征点进行聚类处理,区分出不同运动目标;最后,在KLT跟踪算法中引入Kalman滤波器对因遮挡导致的跟踪目标识别不全甚至目标丢失进行了优化。仿真实验结果表明:提出的算法能够在电力系统监控视频中实现对多目标的有效跟踪,并对跟踪目标遮挡情况有较高的鲁棒性。