簡(jiǎn)介：隨著工業(yè)過(guò)程規(guī)模的不斷擴(kuò)大和復(fù)雜性的日益提高，有效的過(guò)程監(jiān)控和故障診斷是保證生產(chǎn)安全、提高產(chǎn)品質(zhì)量和經(jīng)濟(jì)效益的關(guān)鍵。對(duì)復(fù)雜的工業(yè)過(guò)程來(lái)說(shuō)，準(zhǔn)確詳細(xì)的數(shù)學(xué)模型往往很難得到。即使能夠得到，這些理論上的等式也只能描述系統(tǒng)中一部分能量及物料平衡關(guān)系。這就限制了基于模型的過(guò)程監(jiān)控方法的應(yīng)用。另外，隨著計(jì)算機(jī)集散控制系統(tǒng)的應(yīng)用和發(fā)展，大量的測(cè)量數(shù)據(jù)被及時(shí)采集和存儲(chǔ)。如何從這些海量數(shù)據(jù)中挖掘出隱藏的有用信息，提高過(guò)程監(jiān)控和故障診斷能力，已經(jīng)成為越來(lái)越迫切需要解決的問題。統(tǒng)計(jì)過(guò)程監(jiān)控就是在這種背景下發(fā)展起來(lái)的，并且受到了廣泛關(guān)注。統(tǒng)計(jì)過(guò)程監(jiān)控是一種基于多元統(tǒng)計(jì)理論的方法。它通過(guò)對(duì)測(cè)量數(shù)據(jù)進(jìn)行分析和解釋，建立統(tǒng)計(jì)監(jiān)控模型，判斷過(guò)程所處的運(yùn)行狀態(tài)，在線檢測(cè)和識(shí)別過(guò)程中出現(xiàn)的異常工況，從而減小由過(guò)程故障所造成的損失，提高生產(chǎn)效率。本文在介紹統(tǒng)計(jì)過(guò)程監(jiān)控的研究?jī)?nèi)容、方法和發(fā)展現(xiàn)狀的基礎(chǔ)上，首先關(guān)注了連續(xù)生產(chǎn)過(guò)程自適應(yīng)監(jiān)控方法。基于主元分析PCA模型的傳統(tǒng)過(guò)程監(jiān)控假設(shè)工業(yè)過(guò)程是靜止的，PCA模型一旦建立就不需要發(fā)生變化。而實(shí)際的工業(yè)過(guò)程大部分都是時(shí)變的，當(dāng)用一個(gè)固定的PCA模型去監(jiān)控一個(gè)時(shí)變系統(tǒng)必然引起高的錯(cuò)誤率。其次，對(duì)于廣泛應(yīng)用于過(guò)程故障診斷的FISHER判別分析FDA，盡管比PCA或偏最小二乘PLS具有更好的故障診斷性能，但是當(dāng)故障數(shù)據(jù)存在相互重疊時(shí)，它的故障診斷能力顯著下降。與其它模式分類問題不同，過(guò)程故障診斷具有一個(gè)特殊類正常數(shù)據(jù)類。改進(jìn)的FDA充分利用這個(gè)特殊類，有效提高了FDA的故障診斷能力。最后，通過(guò)核方法將上述自適應(yīng)監(jiān)控方法和改進(jìn)的FDA推廣到非線性情況。具體來(lái)說(shuō)，本文的主要工作和貢獻(xiàn)體現(xiàn)在以下幾個(gè)方面1、針對(duì)工業(yè)過(guò)程時(shí)變特性，提出了一種新的基于可變移動(dòng)窗PCAVMWPCA的自適應(yīng)監(jiān)控方法。在遞歸更新協(xié)方差矩陣的基礎(chǔ)上，VMWPCA首先將移動(dòng)窗技術(shù)與經(jīng)典的秩R奇異值分解算法（RSVD）結(jié)合起來(lái)，實(shí)現(xiàn)了PCA監(jiān)控模型的遞歸更新。另一方面，移動(dòng)窗的長(zhǎng)度應(yīng)該是一個(gè)取決于過(guò)程變化快慢韻重要調(diào)節(jié)參數(shù)，而不能簡(jiǎn)單憑經(jīng)驗(yàn)選擇一個(gè)固定長(zhǎng)度。為此，提出了一種可變移動(dòng)窗策略，并詳細(xì)討論了各參數(shù)的選擇方法。它的最大特點(diǎn)是最優(yōu)移動(dòng)窗長(zhǎng)度直接由反映過(guò)程變化的均值和協(xié)方差矩陣的變化來(lái)決定。2、針對(duì)非線性時(shí)變工業(yè)過(guò)程，結(jié)合核主元分析KPCA處理非線性數(shù)據(jù)的優(yōu)點(diǎn)，提出了基于可變移動(dòng)窗核主元分析VMWKPCA的非線性自適應(yīng)監(jiān)控方法。通過(guò)核方法將VMWPCA推廣到VMWKPCA，需要解決兩個(gè)主要問題一是通過(guò)核化RSVD實(shí)現(xiàn)KPCA監(jiān)控模型的遞歸更新二是實(shí)現(xiàn)特征空間上的可變移動(dòng)窗策略。3、結(jié)合過(guò)程故障診斷的特點(diǎn)，提出了基于變量加權(quán)FDAVWFDA的故障診斷方法。VWFDA將變量加權(quán)與傳統(tǒng)FDA結(jié)合起來(lái)。通過(guò)變量加權(quán)獲得每一個(gè)故障的加權(quán)向量后，對(duì)所有故障數(shù)據(jù)類分別進(jìn)行加權(quán)。VWFDA能夠從這些加權(quán)數(shù)據(jù)中獲得更多判別信息，從而提過(guò)FDA的故障診斷能力。準(zhǔn)確的變量加權(quán)是VWFDA的重要一環(huán)。為此，提出了基于偏F值和累計(jì)變化百分比CPV的變量加權(quán)方法。CPV從全部測(cè)量變量中挑選候選變量后，只計(jì)算候選變量的偏F值，而不是全部測(cè)量變量的偏F值。這樣，不僅提高了偏F值的計(jì)算效率，而且也有效消除了無(wú)關(guān)變量的影響，改善了偏F值的加權(quán)性能。4、將非線性變量加權(quán)與核FDAKFDA結(jié)合起來(lái)，提出了基于變量加權(quán)KFDAVWKFDA的非線性故障診斷方法。這里非線性變量加權(quán)通過(guò)最大化變量加權(quán)準(zhǔn)則核目標(biāo)對(duì)齊KERNELTARGETALIGNMENT來(lái)獲得每一個(gè)故障的加權(quán)變量。與KFDA中的瑞利商（REYLEIGHQUOTIENT）準(zhǔn)則不同，核目標(biāo)對(duì)齊只與核矩陣有關(guān)，而不需要在優(yōu)化過(guò)程中反復(fù)計(jì)算判別向量。通過(guò)對(duì)加權(quán)故障數(shù)據(jù)集執(zhí)行KFDA，VWKFDA能夠從相互重疊數(shù)據(jù)中獲得更多判別信息，從而提高KFDA的故障診斷能力。

簡(jiǎn)介：分類號(hào)分類號(hào)密級(jí)級(jí)學(xué)號(hào)號(hào)2008080單位代碼單位代碼10407碩士學(xué)位論文論文題目論文題目基于統(tǒng)計(jì)學(xué)法的贛江源流域基于統(tǒng)計(jì)學(xué)法的贛江源流域水資源承載力及安全對(duì)策研究水資源承載力及安全對(duì)策研究研究方向水資源水資源專業(yè)名稱環(huán)境工程（理學(xué)）環(huán)境工程（理學(xué)）研究生姓名劉慧導(dǎo)師姓名師姓名、職稱、職稱蔡定建蔡定建副教授副教授2011年04月07日江西江西贛州贛州IIABSTRACTWITHSWIFTECONOMICDEVELOPMENTANDRAPIDLYINCREASINGWORLDPOPULATIONSINCE21STCENTURY,THEPHENOMENAOFWATERSHORTAGEANDPOLLUTIONISGETTINGMOREANDMORESEVERETHEREFORE,STUDYONWATERRESOURCEISAPPARENTLYURGENTANDINDISPENSABLETONATIONALWELFAREANDPEOPLE’SLIVELIHOODITISPAIDGREATATTENTIONBYCOUNTRIESALLOVERTHEWORLDANDPUTONTHEAGENDAOFSUSTAINABLEDEVELOPMENTINORDERTOESTABLISHASCIENTIFICWATERMANAGINGSYSTEMBYANALYZINGWATERRESOURCECARRYINGCAPACITYTHROUGHVALUINGITSDIALECTICALRELATIONTOECONOMICSOCIETY,PROMOTETHECONSISTENTPROGRESSOFSOCIALCIVILIZATIONANDHEALTHYDEVELOPMENTOFECOLOGICALENVIRONMENTHOWEVER,THEWATERRESOURCESCARRYINGCAPACITYHASNOTFORMEDAUNIFIEDEVALUATIONSYSTEM,ANDMANYRESEARCHMETHODSHAVEBEENRESTRICTEDBYTHEREGIONALTHUSSEARCHINGFORASUITABLEMETHODTOACERTAINPLACEHASBECOMINGAWORLDRESEARCHFOCUSBASEDONTHESTATISTICALMETHODWHICHWITHADVANTAGEOFREDUCINGTHESUBJECTIVEINTERFERENCE,ANDMEANWHILECATCHINGTHEMAINPOINTWITHMINIMALLOSSANDMODELINGSIMPLEANDCOMPREHENSIVEEVALUATION,WESTARTTOEXPLORETHEWATERRESOURCECARRYINGCAPACITYWEESTIMATEDTHEWATERRESOURCECARRYINGCAPACITYOFTHEHEADSTREAMOFGANJIANGRIVERBASININAFULLSCALEANDCOMPREHENSIVEWAYBYANALYZINGTHELOCALPHYSIOGNOMY,SOCIALECONOMYANDHISTORYRELATEDCULTUREBASEDONTHEWATERSUPPLYANDDEMANDSTATUSINTHISREGION,WESTATEDTHEIMPLICATIONOFWATERRESOURCECARRYINGCAPACITYTOTHENEEDSOFPOPULATIONSCALE,RESIDENTLIVELIHOOD,AGRICULTUREDEVELOPMENT,INDUSTRYBENEFITANDECOLOGICALENVIRONMENTDATUMADOPTEDFROMTHEFIVEFACTORSABOVEWERETREATEDBYREGRESSIONANALYSIS,FACTORANALYSIS,PRINCIPALCOMPONENTANALYSISANDENTROPYMETHOD,TOEVALUATETHEWATERRESOURCECARRYINGCAPACITYOFTHEHEADSTREAMOFGANJIANGRIVERBASININASCIENTIFIC,OBJECTIVEANDTRANSPARENTWAY,THROUGHCALCULATETHEECONOMICCARRYINGCAPACITYANDTHEPOPULATIONCARRYINGCAPACITYWHICHUNDERTHECONTROLOFTHEWATERRESOURCESCANOBTAINEDTHEFUTUREDEVELOPMENTTRENDOFTHEWATERRESOURCESCARRYINGCAPACITYINTHISSTUDY,WEFOUNDTHEWATERRESOURCECARRYINGCAPACITYOFTHEHEADSTREAMOFGANJIANGRIVERBASINHADASTABLEALTERATIONINRECENTTENYEARSITHEADSFORAOPTIMUMANDHEALTHTRENDASAWHOLESINCETHEALTERATIONSTABILITYENHANCESWITHYEARSEXCEPTFORASLIGHTREDUCTIONINYEAR2004HOWEVER,THEGAININGRATEWASRELATIVELYSMALLASTHEGENERALSCOREIN2009WASONLY0014HIGHERTHANITWASIN2001ASTHEFORECAST

簡(jiǎn)介：?jiǎn)挝淮a10293密級(jí)碩士學(xué)位論文論文題目基于統(tǒng)計(jì)學(xué)習(xí)的壓縮圖像超分辨率內(nèi)插研究1011010603劉婧朱秀昌教授博導(dǎo)信號(hào)與信息處理圖像處理與多媒體通信工學(xué)碩士二○一四年三月學(xué)號(hào)姓名導(dǎo)師學(xué)科專業(yè)研究方向申請(qǐng)學(xué)位類別論文提交日期南京郵電大學(xué)學(xué)位論文原創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過(guò)的研究成果，也不包含為獲得南京郵電大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過(guò)的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說(shuō)明并表示了謝意。本人學(xué)位論文及涉及相關(guān)資料若有不實(shí)，愿意承擔(dān)一切相關(guān)的法律責(zé)任。南京郵電大學(xué)學(xué)位論文使用授權(quán)聲明本人授權(quán)南京郵電大學(xué)可以保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子文檔；允許論文被查閱和借閱；可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索；可以采用影印、縮印或掃描等復(fù)制手段保存、匯編本學(xué)位論文。本文電子文檔的內(nèi)容和紙質(zhì)論文的內(nèi)容相一致。論文的公布（包括刊登）授權(quán)南京郵電大學(xué)研究生院辦理。涉密學(xué)位論文在解密后適用本授權(quán)書。研究生簽名_____________日期____________研究生簽名____________導(dǎo)師簽名____________日期_____________

簡(jiǎn)介：目的了解醫(yī)學(xué)研究生成就動(dòng)機(jī)的現(xiàn)狀；運(yùn)用合適的統(tǒng)計(jì)學(xué)方法揭示醫(yī)學(xué)研究生成就動(dòng)機(jī)與人格、自我效能感、自尊以及社會(huì)支持的相關(guān)性關(guān)系。方法通過(guò)分層隨機(jī)抽樣，抽取232名某醫(yī)科大學(xué)全日制在校一、二、三年級(jí)碩士學(xué)生進(jìn)行一對(duì)一的問卷調(diào)查，獲得其成就動(dòng)機(jī)、人格、自我效能感等的現(xiàn)況資料；運(yùn)用描述性統(tǒng)計(jì)分析、單因素分析、PEARSON相關(guān)性分析、多元線性回歸分析、主成分回歸分析、因子分析、結(jié)構(gòu)方程模型分析等統(tǒng)計(jì)方法，揭示醫(yī)學(xué)碩士研究生成就動(dòng)機(jī)和其相關(guān)的社會(huì)心理因素之間以及影響因素之間的相互的關(guān)系。運(yùn)用META分析得到大學(xué)生成就動(dòng)機(jī)的的平均水平，作為與醫(yī)學(xué)研究生成就動(dòng)機(jī)比較的依據(jù)。結(jié)果本次調(diào)查共獲得有效問卷221份，被調(diào)查的醫(yī)學(xué)研究生追求成功動(dòng)機(jī)（MS）的平均分為3890±565，避免失?。∕F）的平均分?jǐn)?shù)是3616±539，成就動(dòng)機(jī)平均分（MSMF）為274±353。表明醫(yī)學(xué)研究生追求成功的愿望比較強(qiáng)烈，積極努力的為取得成功付出相應(yīng)的努力；避免失敗的平均分?jǐn)?shù)明顯高于大學(xué)生的平均水平（男2656±789；女2942±697）。多元線性回歸結(jié)果顯示，自我效能感和社會(huì)支持是影響醫(yī)學(xué)研究生成就動(dòng)機(jī)水平的影響因素。主成分分析和因子分析顯示醫(yī)學(xué)研究生的心理行為特征包括自尊，自我效能感，社會(huì)支持和人格這些因素能夠解釋大部分的變異。結(jié)構(gòu)方程模型分析結(jié)果顯示自尊、自我效能感、社會(huì)支持和人格這幾個(gè)方面都對(duì)成就動(dòng)機(jī)有直接的影響，而生源地、性別和工作經(jīng)歷這些相關(guān)因素可以通過(guò)間接的通過(guò)影響自尊、自我效能感的途徑來(lái)影響成就動(dòng)機(jī)。結(jié)論醫(yī)學(xué)研究生追求成功的動(dòng)機(jī)與常模比較沒有顯著性的差異，避免失敗的動(dòng)機(jī)顯著高于一般院校的大學(xué)生，成就動(dòng)機(jī)的總得分相比較低于一般學(xué)校的大學(xué)生。各種統(tǒng)計(jì)學(xué)方法的使用，可以充分的對(duì)數(shù)據(jù)進(jìn)行發(fā)掘分析，對(duì)于研究心理衛(wèi)生問題提供了一些更好的方法。

簡(jiǎn)介：點(diǎn)擊查看更多基于統(tǒng)計(jì)學(xué)和解耦算法的丙酮-丁醇蒸餾系統(tǒng)優(yōu)化研究.pdf精彩內(nèi)容。

簡(jiǎn)介：點(diǎn)擊查看更多基于統(tǒng)計(jì)學(xué)習(xí)的文本情感分析關(guān)鍵技術(shù)研究.pdf精彩內(nèi)容。

簡(jiǎn)介：點(diǎn)擊查看更多“醫(yī)學(xué)統(tǒng)計(jì)學(xué)”微課程教學(xué)系統(tǒng)的構(gòu)建與學(xué)習(xí)分析研究.pdf精彩內(nèi)容。

簡(jiǎn)介：近年來(lái)，基于字典學(xué)習(xí)的圖像去噪方法已經(jīng)成為圖像處理領(lǐng)域中的一個(gè)研究熱點(diǎn)。該方法基于統(tǒng)計(jì)學(xué)習(xí)理論，能從一組訓(xùn)練樣本中學(xué)習(xí)得到自適應(yīng)表示圖像塊的字典，對(duì)加性高斯白噪聲可以達(dá)到較好的去噪效果。本文在研究超完備稀疏表示和字典學(xué)習(xí)的基礎(chǔ)上，討論了多種統(tǒng)計(jì)字典學(xué)習(xí)方法，包括KSVD字典學(xué)習(xí)、在線字典學(xué)習(xí)和非參數(shù)BAYESIAN字典學(xué)習(xí)方法等。分析了現(xiàn)有字典學(xué)習(xí)圖像去噪方法未充分利用圖像自相似性的缺陷，提出結(jié)合圖像自相似性的幾種字典學(xué)習(xí)圖像去噪方法。主要工作包括1提出基于圖像自相似性正則的字典學(xué)習(xí)圖像去噪方法。在稀疏表示和字典學(xué)習(xí)圖像去噪的框架下，將空域字典學(xué)習(xí)和非局部自相似性策略相結(jié)合，設(shè)計(jì)了圖像自相似性正則，以及基于稀疏性和圖像自相似的統(tǒng)計(jì)字典學(xué)習(xí)方法，克服了KSVD字典學(xué)習(xí)去噪方法利用圖像相似信息不充分的局限。在自然圖像上驗(yàn)證了方法的有效性，實(shí)驗(yàn)結(jié)果表明本方法相比基于稀疏表示和字典學(xué)習(xí)的去噪方法，在提高同質(zhì)區(qū)域平滑性的同時(shí)兼顧保留圖像的紋理、輪廓、邊緣細(xì)節(jié)信息，去噪后的圖像具有更好的視覺效果和更高的數(shù)值評(píng)價(jià)指標(biāo)。2基于圖像多尺度去噪原理，提出基于圖像自相似性正則的多尺度字典學(xué)習(xí)圖像去噪方法。利用多尺度變換提取出圖像的各個(gè)尺度上的細(xì)節(jié)信息，設(shè)置各個(gè)尺度的殘差控制因子，在各個(gè)尺度分別用學(xué)習(xí)獲得的字典進(jìn)行去噪，從而很好地保留了圖像細(xì)節(jié)，克服了單尺度字典學(xué)習(xí)去噪方法利用圖像細(xì)節(jié)結(jié)構(gòu)信息不充分的局限。這種方法在保持均勻區(qū)域平滑的基礎(chǔ)上兼顧保留了圖像的細(xì)小紋理邊緣等信息。在自然圖像上的實(shí)驗(yàn)結(jié)果充分證明了其有效性，相比第三章所提出的單尺度字典學(xué)習(xí)與自相似性的方法，在視覺效果和數(shù)值指標(biāo)上都有所提高。3在第三章空域去噪算法的基礎(chǔ)上，利用BM3D采用塊匹配操作挖掘圖像自相似性的優(yōu)點(diǎn)，提出基于多尺度字典學(xué)習(xí)和BM3D約束正則的圖像去噪方法。設(shè)計(jì)了利用BM3D去噪結(jié)果的約束項(xiàng)，并分析了約束項(xiàng)的正則因子的經(jīng)驗(yàn)求解方法，建立去噪模型。利用了第四章多尺度變換方法分解圖像得到多尺度細(xì)節(jié)信息，在多尺度細(xì)節(jié)圖上用該方法進(jìn)行字典學(xué)習(xí)并去噪。該方法克服了單尺度字典學(xué)習(xí)不能利用自相似性信息、利用細(xì)節(jié)結(jié)構(gòu)信息不充分和殘差參數(shù)單一的局限。在自然圖像上驗(yàn)證方法的有效性，實(shí)驗(yàn)結(jié)果表明這種方法在提高同質(zhì)區(qū)域平滑性的同時(shí)兼顧保留圖像的紋理、輪廓、邊緣細(xì)節(jié)信息，相比字典學(xué)習(xí)去噪方法、BM3D算法及第三章和第四章的方法，在視覺效果和數(shù)值指標(biāo)上都有顯著的提高。

簡(jiǎn)介：自然語(yǔ)言的歧義性，是計(jì)算機(jī)處理和理解文本的重大難題之一。語(yǔ)言的各個(gè)層面都存在歧義性，包括語(yǔ)音、詞法、句法、語(yǔ)義和語(yǔ)用等。本文重點(diǎn)關(guān)注詞法層面歧義的處理，即自動(dòng)詞義消歧。自動(dòng)詞義消歧，即在特定的上下文中為單詞選擇合適的詞義，是自然語(yǔ)言處理中最為基礎(chǔ)的核心技術(shù)之一。對(duì)機(jī)器翻譯、信息檢索、語(yǔ)義分析等領(lǐng)域起著十分重要的支撐作用。隨著九十年代機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，有監(jiān)督機(jī)器學(xué)習(xí)算法在詞義消歧中取得了優(yōu)勢(shì)。然而，在目前的詞義消歧研究中，大多只是逐個(gè)地對(duì)出現(xiàn)的每個(gè)多義詞進(jìn)行消歧，而且沒有考慮相鄰多義詞消歧結(jié)果之間的相關(guān)性，以及對(duì)整個(gè)句子的多義詞消歧結(jié)果的全局優(yōu)化。本文以全局優(yōu)化為著眼點(diǎn)，重點(diǎn)考察結(jié)構(gòu)化機(jī)器學(xué)習(xí)方法在詞義消歧的應(yīng)用，并將句法結(jié)構(gòu)與機(jī)器學(xué)習(xí)方法的圖結(jié)構(gòu)有機(jī)的結(jié)合，進(jìn)一步提高詞義消歧的性能。此外，標(biāo)注數(shù)據(jù)匱乏一直是困擾詞義消歧的問題。對(duì)多義詞進(jìn)行人工標(biāo)注是一個(gè)非常耗費(fèi)人力的過(guò)程，目前沒有任何一種語(yǔ)言具有充分多的詞義標(biāo)注語(yǔ)料。相反，無(wú)標(biāo)注語(yǔ)料卻是大量存在的，尤其互聯(lián)網(wǎng)上存在海量的無(wú)標(biāo)注文本。如何利用這些唾手可得的無(wú)標(biāo)注語(yǔ)料來(lái)增強(qiáng)詞義消歧的性能，是一個(gè)受到廣泛關(guān)注的方向。本文考察了話題特征和自舉在詞義消歧的應(yīng)用。本文具體研究?jī)?nèi)容如下1采用隱馬爾可夫模型對(duì)全文消歧進(jìn)行精確建模，引入一步上下文依賴關(guān)系，并進(jìn)一步擴(kuò)展為最大熵馬爾可夫模型，以集成非獨(dú)立的語(yǔ)言學(xué)特征。全文消歧是對(duì)給定文本中全部開放詞（包括名詞、動(dòng)詞、形容詞和副詞）進(jìn)行消歧，它的一個(gè)突出特點(diǎn)就是各個(gè)多義詞的消歧結(jié)果是相關(guān)的。據(jù)我們所知，目前的方法很少考慮到這一特點(diǎn)，而將每個(gè)多義詞單獨(dú)進(jìn)行消歧。本文則充分利用這一特點(diǎn)，首先，用隱馬爾可夫模型對(duì)全文消歧進(jìn)行建模，將全文消歧轉(zhuǎn)化為一個(gè)線性序列標(biāo)注問題。然后，針對(duì)隱馬爾可夫模型只能利用較為單一觀察值的缺點(diǎn)，本文將其擴(kuò)展為最大熵馬爾可夫模型，將大量的上下文特征集成到模型中。再次，由于全詞消歧包含大量狀態(tài)，在隱馬爾可夫模型和最大熵馬爾可夫模型中均存在數(shù)據(jù)稀疏和高時(shí)間復(fù)雜度的問題，本文設(shè)計(jì)了柱狀搜索VITERBI算法和平滑策略來(lái)解決。最后，在SENSEVAL2和SENSEVAL2004的英語(yǔ)全文消歧數(shù)據(jù)集上進(jìn)行了評(píng)測(cè)，本文提出的基于最大熵馬爾可夫模型的消歧方法與國(guó)際上權(quán)威評(píng)測(cè)SENSEVAL中最好的結(jié)果相當(dāng)。2利用條件隨機(jī)域消除“消歧標(biāo)記偏置”，用近似訓(xùn)練、并行化等手段解決模型復(fù)雜度過(guò)高的問題，并用依存句法樹擴(kuò)展模型的圖結(jié)構(gòu)。對(duì)于全文消歧而言，由于最大熵馬爾可夫模型需要對(duì)逐個(gè)隱狀態(tài)進(jìn)行局部歸一化，導(dǎo)致了“消歧標(biāo)記偏置”問題。為了進(jìn)一步提升消歧系統(tǒng)的性能，本文采用了條件隨機(jī)域模型，它使用全局歸一化來(lái)解決標(biāo)記偏置問題。而條件隨機(jī)域的時(shí)間復(fù)雜度很高，在單機(jī)上無(wú)法解決像全文消歧這樣的大狀態(tài)問題。本文通過(guò)近似訓(xùn)練、并行化等方法將條件隨機(jī)域的訓(xùn)練時(shí)間復(fù)雜度由OMLTN2降為OMLTR2，其中N為狀態(tài)數(shù)，約為幾萬(wàn)到十幾萬(wàn)，R為一個(gè)詞的最大可能詞義數(shù)，約為數(shù)十；通過(guò)柱狀搜索將條件隨機(jī)域的解碼時(shí)間復(fù)雜度由OTN2降為OTR2。本文在SENSEVAL2004英語(yǔ)全文消歧任務(wù)上對(duì)條件隨機(jī)域進(jìn)行實(shí)驗(yàn)，召回率（詞義消歧的評(píng)測(cè)指標(biāo)見362節(jié)）為0657，高于該評(píng)測(cè)中的最好成績(jī)。另外，為了在消歧過(guò)程中更好的利用句法樹信息，本文將條件隨機(jī)域的圖結(jié)構(gòu)由線性改為樹狀，使用樹狀條件隨機(jī)域進(jìn)行消歧。本文在SENSEVAL2004英語(yǔ)全文消歧任務(wù)上對(duì)樹狀條件隨機(jī)域進(jìn)行實(shí)驗(yàn)，召回率為0668，說(shuō)明加入句法信息能夠提高詞義消歧的性能。3利用話題特征提高詞義消歧的性能。由于現(xiàn)有詞義消歧的上下文信息較少，以及人工標(biāo)注訓(xùn)練集規(guī)模不足，導(dǎo)致了嚴(yán)重的數(shù)據(jù)稀疏。話題模型作為一種無(wú)監(jiān)督學(xué)習(xí)方法，試圖對(duì)信息進(jìn)行聚類和壓縮，反映某種語(yǔ)義信息并提高詞的泛化性。本文提出了一種融合話題特征的消歧方法，從無(wú)標(biāo)注語(yǔ)料庫(kù)推導(dǎo)出潛在狄利克萊話題特征，并用這些話題特征來(lái)提升詞義消歧分類器的性能。該方法在SENSEVAL2004英語(yǔ)全文消歧任務(wù)上的召回率為068，超過(guò)了已知文獻(xiàn)中的最好結(jié)果067。實(shí)驗(yàn)結(jié)果還顯示適當(dāng)?shù)脑掝}數(shù)有助于消歧；背景語(yǔ)料庫(kù)的性質(zhì)對(duì)消歧性能有直接影響；規(guī)模大、平衡的背景語(yǔ)料庫(kù)對(duì)消歧性能的提升較大。4采用自舉的方法，結(jié)合標(biāo)注語(yǔ)料和無(wú)標(biāo)注語(yǔ)料來(lái)提高消歧系統(tǒng)的性能。人工標(biāo)注語(yǔ)料的匱乏，和無(wú)標(biāo)注語(yǔ)料的大量存在，促使我們考慮利用無(wú)標(biāo)注語(yǔ)料來(lái)增強(qiáng)消歧系統(tǒng)的性能。該算法的基本思想是，用人工標(biāo)注語(yǔ)料生成初始分類器，用這些初始分類器對(duì)無(wú)標(biāo)注語(yǔ)料進(jìn)行自動(dòng)標(biāo)注，然后從這些自動(dòng)標(biāo)注的語(yǔ)料中選取若干標(biāo)注置信度較高的樣本加入訓(xùn)練語(yǔ)料，使訓(xùn)練語(yǔ)料的規(guī)模增大。如此循環(huán)往復(fù)，期望通過(guò)訓(xùn)練語(yǔ)料規(guī)模的增大來(lái)改進(jìn)分類器的性能。本文在SENSEVAL2004漢語(yǔ)采樣詞消歧任務(wù)上，系統(tǒng)的考察了自舉算法中迭代次數(shù)、樣本池大小和增長(zhǎng)速度等經(jīng)驗(yàn)參數(shù)對(duì)消歧性能的影響。針對(duì)在迭代過(guò)程中樣本標(biāo)記比例破壞的問題，本文設(shè)計(jì)了維持樣本集類別比例的采樣算法。針對(duì)自舉算法經(jīng)驗(yàn)參數(shù)對(duì)于數(shù)據(jù)過(guò)于敏感的問題，本文采樣多個(gè)分類器進(jìn)行平滑來(lái)增大獲取最優(yōu)經(jīng)驗(yàn)參數(shù)的概率。

簡(jiǎn)介：茶葉起源于中國(guó)，而且種類繁多。目前茶葉分類方法很多，按加工工藝的不同，茶葉可分為綠茶、紅茶、白茶、青茶（烏龍茶）、黑茶和黃茶六大類。國(guó)內(nèi)外對(duì)于六大茶類的區(qū)分主要依賴加工工藝的不同，缺乏量化指標(biāo)。隨著加工工藝的不斷改進(jìn)，有的茶葉在加工時(shí)融合了多個(gè)茶類加工工藝，單純依賴工藝差異無(wú)法實(shí)現(xiàn)對(duì)不同茶類進(jìn)行正確區(qū)分，這就為茶類的鑒別帶來(lái)了一定的困難。目前，各類茶葉加工工藝、成分檢測(cè)技術(shù)已經(jīng)成熟，但茶葉尚無(wú)量化的分類標(biāo)準(zhǔn)。本文以茶葉的化學(xué)成分作為基礎(chǔ)，建立綠茶、紅茶、烏龍茶和白茶四類茶的量化判別模型，實(shí)現(xiàn)茶葉的化學(xué)分類。本研究共收集了全國(guó)各地包括國(guó)外不同等級(jí)、不同年份、不同類別的四類茶（綠茶、紅茶、白茶和烏龍茶）共324個(gè)，檢測(cè)其主要化學(xué)成分（咖啡堿、兒茶素、多酚總量、游離氨基酸總量、水浸出物等）的含量，運(yùn)用SPSS軟件對(duì)分析結(jié)果進(jìn)行主成分分析，提取、得到主要成分因子，在此基礎(chǔ)上利用BAYES判別和FISHER判別建立判別方程，對(duì)比分析得到最優(yōu)判別模型，論文在研究過(guò)程中主要取得了以下結(jié)果（1）在比較的基礎(chǔ)上，得到了影響茶葉分類的主要成分因子。選取不同的化學(xué)成分進(jìn)行分析，利用得到的成分因子進(jìn)行BAYES判別，以判別正確率為標(biāo)準(zhǔn)，確定了兒茶素總量、咖啡堿、EGCG兒茶素總量和兒茶素總量游離氨基酸總量為成分因子。（2）建立了BAYES的判別模型綠茶5938CAFF0142兒茶素總量90261EGCG兒茶素總量4389兒茶素總量游離氨基酸總量41365紅茶12035CAFF1619兒茶素總量21789EGCG兒茶素總量3576兒茶素總量游離氨基酸總量25848白茶8507CAFF1249兒茶素總量102472EGCG兒茶素總量3599兒茶素總量游離氨基酸總量46243烏龍茶5388CAFF1574兒茶素總量99608EGCG兒茶素總量9664兒茶素總量游離氨基酸總量48890上述的BAYES判別對(duì)四類茶進(jìn)行的交叉判別，實(shí)現(xiàn)941％的判別率。（3）建立四類茶的FISHER判別模型FISHER10176兒茶素總量0739EGCG兒茶素總量0485兒茶素游離氨基酸0546CAFFFISHER20761兒茶素總量0343EGCG兒茶素總量0927兒茶素游離氨基酸0052CAFFFISHER31509兒茶素總量0739EGCG兒茶素總量0173兒茶素游離氨基酸0297CAFF（4）建立了四類茶逐步判別的FISHER判別模型。紅茶FISHER0307兒茶素總量0577CAFF0131兒茶素總量游離氨基酸總量0974EGCG兒茶素總量烏龍茶FISHER0922兒茶素總量0214CAFF1231兒茶素總量游離氨基酸總量0244EGCG兒茶素總量白茶FISHER1309兒茶素總量1121CAFF0130兒茶素總量游離氨基酸總量0068EGCG兒茶素總量此方法每步的判別正確率分別為991、957、969，判別正確率很高，誤判個(gè)數(shù)少于兩個(gè)，得出運(yùn)用此方法的判別率較高，為現(xiàn)有最優(yōu)判別模型。

簡(jiǎn)介：水懸浮劑因環(huán)境相容性好、稀釋液懸浮率高等優(yōu)勢(shì)，已成為近年來(lái)發(fā)展迅速的農(nóng)藥劑型之一。懸浮劑屬于熱力學(xué)不穩(wěn)定體系，在加速貯存過(guò)程中易析水、絮凝或結(jié)塊，影響制劑的商品性能。為降低農(nóng)藥配方研究的盲目性，提高配方篩選效率及成功率，劑型工作者引進(jìn)了多組分研究方法。本研究系統(tǒng)比較和評(píng)價(jià)了正交設(shè)計(jì)、均勻設(shè)計(jì)和響應(yīng)面法在懸浮劑配方優(yōu)化中的應(yīng)用效果，主要結(jié)果如下1分別采用正交設(shè)計(jì)和均勻設(shè)計(jì)U664制備30％噻蟲胺懸浮劑。綜合考察了潤(rùn)濕分散劑和黏度調(diào)節(jié)劑對(duì)制劑析水率、離心沉淀率、黏度、流動(dòng)性、分散性、熱貯前后樣品的粒度分布和懸浮率的影響。通過(guò)主效應(yīng)圖分析正交試驗(yàn)結(jié)果，采用逐步回歸和偏最小二乘法PLS分析均勻試驗(yàn)結(jié)果，最后檢驗(yàn)了優(yōu)化配方的各項(xiàng)性能。結(jié)果表明，正交試驗(yàn)和均勻試驗(yàn)的所有樣品黏度均在1445～3178MPAS，均具有良好的流動(dòng)性和分散性。由于奧氏熟化作用，樣品經(jīng)熱貯后，粒子的粒徑輕微增大，D10、D50和D90分別由056～100ΜM、088～153ΜM和177～268ΜM變?yōu)?76～102ΜM、112～156ΜM和207～325ΜM。所有樣品貯前懸浮率均在9188％～9639％，經(jīng)熱貯后樣品的懸浮率變化不大，分別在9191％～9613％。正交試驗(yàn)分析結(jié)果表明，TERSPERSE2700、黃原膠和硅酸鎂鋁的用量對(duì)熱貯析水率和離心沉淀率均有顯著影響，且均隨用量增加降低，而NR1601的用量對(duì)兩個(gè)因變量的影響不顯著。采用正交設(shè)計(jì)優(yōu)化的配方，樣品黏度為2296MPAS，流動(dòng)性和分散性良好，熱貯前后懸浮率分別為9476±070％和9350±020％，熱貯析水率為423±019％，離心沉淀率也低于10％。均勻設(shè)計(jì)中，PLS平方項(xiàng)模型對(duì)熱貯析水率有良好的預(yù)測(cè)性，熱貯析水率為255±003％，離心沉淀率也僅為436±021％，優(yōu)化樣品的黏度為3242MPAS，流動(dòng)性和分散性良好，熱貯前后懸浮率分別為9319±009％和9277±022％，粒子的粒徑小且分布較窄。PLS線性模型對(duì)離心沉淀率表現(xiàn)出良好的預(yù)測(cè)性，優(yōu)化配方的離心沉淀率為775±014％，熱貯析水率為524±019％。逐步回歸模型對(duì)因變量的預(yù)測(cè)性均較差，優(yōu)化配方也并非最優(yōu)配方，熱貯析水率為951±020％，離心沉淀率也高達(dá)1663±019％。采用雙重篩選逐步回歸和PLS可以同時(shí)優(yōu)化熱貯析水率和離心沉淀率兩個(gè)因變量，其中前者優(yōu)化的模型擬合性比后者好，但其優(yōu)化配方也并非最優(yōu)配方。正交設(shè)計(jì)試驗(yàn)次數(shù)較多，但數(shù)據(jù)分析方法簡(jiǎn)單易掌握，采用主效應(yīng)圖結(jié)合方差分析即可有效地優(yōu)化懸浮劑配方。均勻設(shè)計(jì)的穩(wěn)健性差于正交設(shè)計(jì)，但其試驗(yàn)次數(shù)少，可有效降低試驗(yàn)成本，若能掌握其復(fù)雜的統(tǒng)計(jì)及分析方法，也可以獲得理想的優(yōu)化配方。2以噻蟲啉為模式藥劑，以TERSPERSE2700X1，AE1601X2，黃原膠X3）和硅酸鎂鋁X4為四個(gè)因素篩選25％噻蟲啉懸浮劑配方。通過(guò)四因素五水平的響應(yīng)面設(shè)計(jì)考察了上述4個(gè)因素對(duì)該制劑析水率R1）、離心沉淀率R2和黏度R3）的影響。結(jié)果表明，影響3個(gè)因變量的主要因素為X3，X4，X2和X1，此外，部分交互項(xiàng)也有顯著影響。以最小R1，R2和R3和成本最低原則為優(yōu)化目標(biāo)，通過(guò)引入期望函數(shù)進(jìn)行多響應(yīng)優(yōu)化。綜合的最優(yōu)化條件為X3024％，X4133％，X2050％和X1290％（質(zhì)量分?jǐn)?shù)）。驗(yàn)證試驗(yàn)表明，最優(yōu)配方的R1，R2和R3分別為169％，263％和25774MPAS，預(yù)測(cè)的相對(duì)誤差分別為769％，418％和141％。響應(yīng)面法可以有效地優(yōu)化懸浮劑配方，獲得最大效益。3將均勻設(shè)計(jì)U994和響應(yīng)面法聯(lián)用，優(yōu)化30％噻蟲胺懸浮劑配方。分別采用PLS二次多項(xiàng)式回歸和二次多項(xiàng)式逐步回歸分析潤(rùn)濕分散劑和黏度調(diào)節(jié)劑對(duì)制劑熱貯穩(wěn)定性和懸浮率的影響。兩種回歸方法擬合熱貯析水率模型的決定系數(shù)R2分別為09411和09999，表明可用于預(yù)測(cè)熱貯析水率，但兩模型均不能有效預(yù)測(cè)熱貯前后樣品的懸浮率（預(yù)測(cè)模型R2僅為07左右）。經(jīng)驗(yàn)證，對(duì)熱貯析水率的預(yù)測(cè)配方均為優(yōu)惠配方，樣品的熱貯析水率均低于5％，熱貯前后樣品的懸浮率均高于92％。其中二次多項(xiàng)式逐步回歸模型對(duì)熱貯析水率的預(yù)測(cè)性更好，相對(duì)偏差僅為485％。最優(yōu)條件為3％TERSPERSE2700，04％NR1601，022％黃原膠和2％硅酸鎂鋁，此時(shí)熱貯析水率最小為227％±008％，熱貯前后制劑的懸浮率分別為9251±025％和9202±046％，熱貯后未發(fā)現(xiàn)絮凝、結(jié)塊或結(jié)底現(xiàn)象，而且該制劑具有良好的分散性和流動(dòng)性。結(jié)合響應(yīng)面結(jié)果分析，適當(dāng)降低TERSPERSE2700的用量后，樣品的熱貯析水率仍低于5％，且其它性能均合格?？梢?，均勻設(shè)計(jì)和響應(yīng)面法聯(lián)用優(yōu)化懸浮劑配方有良好的適應(yīng)性。

簡(jiǎn)介：視頻目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的核心問題在民用和軍事上都具有廣泛地應(yīng)用。盡管人們已經(jīng)提出了許多有效的視頻目標(biāo)跟蹤算法但是在實(shí)際應(yīng)用中視頻目標(biāo)跟蹤仍然面臨許多困難如光照變化、目標(biāo)姿態(tài)的改變、非線性形變以及背景中的噪聲和干擾等因此設(shè)計(jì)魯棒的視頻目標(biāo)跟蹤算法仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。本文在粒子濾波框架內(nèi)從視頻跟蹤算法的兩個(gè)主要方面即目標(biāo)表觀設(shè)計(jì)和似然度設(shè)計(jì)開展了深入的研究并針對(duì)視頻目標(biāo)跟蹤中的難點(diǎn)問題提出了一些有效的新算法。本文的主要研究成果如下1提出了一種基于非負(fù)最小二乘估計(jì)的視覺目標(biāo)跟蹤算法。該算法從新的視角看待經(jīng)典模板匹配算法。模板用其在由多個(gè)采樣粒子對(duì)應(yīng)的特征向量張成的空間上的線性投影來(lái)近似。系數(shù)施加非負(fù)性約束它反映了評(píng)估模板和候選粒子的相似程度可用于粒子權(quán)重的定義。實(shí)驗(yàn)結(jié)果表明所提算法具有更好的跟蹤精度并對(duì)噪聲具有更強(qiáng)的魯棒性。2提出了一種基于局部約束最小二乘估計(jì)的視覺目標(biāo)跟蹤算法。該算法給出目標(biāo)拓?fù)浣Y(jié)構(gòu)的一種描述方法該描述充分探討了目標(biāo)塊信息之間的關(guān)系給出新的目標(biāo)表觀表示這有助于處理目標(biāo)遮擋及背景雜波干擾問題。然后基于巴氏系數(shù)給出觀測(cè)似然模型。實(shí)驗(yàn)結(jié)果表明該算法具有更好的跟蹤精度并能適應(yīng)目標(biāo)的尺度變化。3提出了基于L2范數(shù)正則化最小二乘估計(jì)的視頻目標(biāo)跟蹤算法。模板和候選區(qū)域的特征在一組字典基上的表示系數(shù)通過(guò)具有L2范數(shù)正則化的最小二乘估計(jì)得到該估計(jì)具有解析解計(jì)算量小。而且后者在建模中引進(jìn)先驗(yàn)知識(shí)以增加算法對(duì)遮擋、光照、雜波、姿態(tài)變化等的魯棒性。字典中引進(jìn)的平凡模板可解釋噪聲。相似度度量是基于模板和候選區(qū)域特征的表示系數(shù)的歐式距離定義的這進(jìn)一步提高了算法的區(qū)分能力。4提出了一種基于子空間的多任務(wù)稀疏學(xué)習(xí)和GRASSMANN更新的增量型視頻目標(biāo)跟蹤算法。該算法基于子空間表示給出多任務(wù)稀疏學(xué)習(xí)模型它能有效解決背景或異常對(duì)目標(biāo)表觀表示的影響。在跟蹤目標(biāo)時(shí)采用定義在仿射群AFF2上的粒子濾波算法狀態(tài)模型為一階自回歸過(guò)程這為目標(biāo)搜索提供了有效機(jī)制。觀測(cè)似然度基于重構(gòu)殘差的L1范數(shù)并引進(jìn)對(duì)偶元以解釋遮擋。子空間更新看作GRASSMANN流行上的優(yōu)化問題梯度下降法中步長(zhǎng)的選取非常重要文中給出步長(zhǎng)自適應(yīng)策略。所采用的目標(biāo)更新策略能適應(yīng)目標(biāo)表觀緩慢或快速的變化有效避免了跟蹤模型的漂移問題顯著提高了跟蹤算法的準(zhǔn)確度和魯棒性。

簡(jiǎn)介：分類號(hào)C731‘密級(jí)單位代碼10422學(xué)號(hào)仍偉13OZ力⑧∥需辦寫碩士論文論文題目雋音海H髻私人機(jī)友互廄姒基擄托掘殺傷確憲脅口厶～磊礬∞厶玉一多以J臥一一易∥釓認(rèn)如此釘一忻加P講民朋以岬鄉(xiāng)熊H作者姓名圣墼≤壘學(xué)院名稱整遞耋隨專業(yè)學(xué)位名稱三些蘭狂指導(dǎo)教師墓堡壘塹益合作導(dǎo)師加，1F』年』月I∥日山東大學(xué)碩士學(xué)位論文目錄摘要1ABSTRACT3第一章緒論511課題研究背景和意義5111課題研究背景5112課題研究意義712國(guó)內(nèi)外研究現(xiàn)狀7121數(shù)據(jù)挖掘研究現(xiàn)狀7122視頻數(shù)據(jù)挖掘國(guó)內(nèi)外研究現(xiàn)狀8123研究現(xiàn)狀總結(jié)913課題研究?jī)?nèi)容1014課題研究方法和技術(shù)路線11141課題研究方法11142課題研究技術(shù)路線13第二章相關(guān)理論和技術(shù)綜述1421數(shù)據(jù)挖掘相關(guān)理論14211數(shù)據(jù)挖掘的概念及對(duì)象14212數(shù)據(jù)挖掘的任務(wù)及方法1422統(tǒng)計(jì)學(xué)相關(guān)理論15221幾種相關(guān)概率分布15222常用抽樣方法16223中一心極限定理和總體比率的區(qū)間估計(jì)1723結(jié)構(gòu)化系統(tǒng)分析與設(shè)計(jì)相關(guān)理論18231結(jié)構(gòu)化系統(tǒng)分析與設(shè)計(jì)方法18

簡(jiǎn)介：在本文中，我們探討了高維度的機(jī)器學(xué)習(xí)問題。本文分析了高維問題所面臨的挑戰(zhàn)以及這些導(dǎo)致這些問題的原因。為了解決這些問題，機(jī)器學(xué)習(xí)在高維度下的模型和算法需要相應(yīng)地重新設(shè)計(jì)。本文介紹了一些已有的工作，例如L0正則化方法，L1正則化方法和逐步回歸方法。本文主要工作是基于貪婪逆尺度空間流算法推廣得到一種高維機(jī)器學(xué)習(xí)問題的方法貪婪逆尺度空間流方法。該方法可以被廣泛的應(yīng)用于不同的機(jī)器學(xué)習(xí)模型。特別地，本文將強(qiáng)調(diào)該方法應(yīng)用于線性回歸和邏輯回歸的情形。貪婪逆尺度空間流方法也適合于傳感器不斷產(chǎn)生數(shù)據(jù)或者大規(guī)模時(shí)間序列的情形，可以快速識(shí)別重要的節(jié)點(diǎn)或者時(shí)間點(diǎn)。本文給出了一些機(jī)器學(xué)習(xí)的實(shí)際問題和模擬問題的算例，用以評(píng)價(jià)不同的變量選擇方法。本文介紹了一些新的用于評(píng)價(jià)特征選擇的尺度。這些尺度更適用于從不同的角度評(píng)價(jià)特征選擇的結(jié)果。在這些算例中，貪婪逆尺度空間流方法的表現(xiàn)是符合預(yù)期的，特別是在選擇效率上，相比于其他方法，貪婪逆尺度空間流方法具有顯著的優(yōu)勢(shì)。

簡(jiǎn)介：視覺是人類感知外界的主要途徑，圖像在人類的視覺感知中扮演著相當(dāng)重要的角色。圖像處理的主要目的是使處理后的結(jié)果能夠滿足人類或者機(jī)器視覺分析應(yīng)用要求。高質(zhì)量圖像的邊緣、紋理等細(xì)節(jié)特征和高保真的色彩不僅給人以賞心悅目的感受，而且有利于后續(xù)的特征抽取和高層模式識(shí)別。所以，如何獲取高質(zhì)量的圖像一直是人們非常關(guān)注的問題。然而，由于成像設(shè)備和成像過(guò)程不可避免地受到相機(jī)抖動(dòng)、不均勻光照、惡劣天氣等不利因素影響，所獲取的圖像會(huì)模糊不清、目標(biāo)結(jié)構(gòu)難以辨識(shí)，視覺效果不理想。因此，低質(zhì)圖像質(zhì)量提升（涵蓋圖像去噪、去模糊、增強(qiáng)、去霧、超分辨等）成為圖像處理經(jīng)久不衰的研究課題。論文圍繞圖像復(fù)原、圖像增強(qiáng)和圖像去霧等低質(zhì)圖像質(zhì)量提升問題，研究了基于變分正則化和統(tǒng)計(jì)學(xué)習(xí)的新方法，取得的創(chuàng)新性成果為1針對(duì)圖像復(fù)原問題，以同時(shí)保持圖像中物體邊緣和局部結(jié)構(gòu)細(xì)節(jié)為目標(biāo)，分析了傳統(tǒng)全變差TOTALVARIATION，TV正則項(xiàng)和基于稀疏性先驗(yàn)的正則項(xiàng)的優(yōu)缺點(diǎn)，提出了一種聯(lián)合TETROLETS閾值收縮和加權(quán)各向異性TV的圖像復(fù)原模型和算法。我們利用加權(quán)各向異性TV來(lái)保持圖像中多個(gè)方向的邊緣，同時(shí)利用TETROLET變換的多尺度性質(zhì)和TETROLETS的支集具有多形狀自適應(yīng)的特點(diǎn)，建立了基于TETROLETS閾值收縮的稀疏性正則項(xiàng)通過(guò)聯(lián)合加權(quán)各向異性TV正則項(xiàng)和TETROLET稀疏性正則項(xiàng)，得到最終的復(fù)合正則化圖像復(fù)原模型，并給出了求解模型的對(duì)偶DOUGLASRACHFD分裂算法。實(shí)驗(yàn)結(jié)果表明，與其他基于TV正則化的圖像復(fù)原模型或基于其他經(jīng)典稀疏性先驗(yàn)的圖像復(fù)原模型相比，本文提出的模型和算法無(wú)論是對(duì)灰度圖像還是彩色圖像，都能夠保持圖像中的重要邊緣和小尺度的細(xì)節(jié)結(jié)構(gòu)。2通過(guò)對(duì)圖像增強(qiáng)的感知啟發(fā)變分框架的分析，針對(duì)該框架中原有的能量泛函在增強(qiáng)圖像對(duì)比度時(shí)不能自適應(yīng)圖像的局部亮度的問題，以及基于相關(guān)熵距離的離差能量項(xiàng)在度量?jī)煞鶊D像之間的統(tǒng)計(jì)相似性時(shí)沒有考慮像素之間的相對(duì)位置關(guān)系，會(huì)造成圖像顏色不夠自然的現(xiàn)象，提出了一種利用WASSERSTEIN距離的局部亮度自適應(yīng)彩色圖像增強(qiáng)模型。該模型基于感知啟發(fā)變分框架，模擬人類視覺感知特性，構(gòu)造了一個(gè)圖像局部亮度指標(biāo)，使得對(duì)比度能量項(xiàng)能夠針對(duì)圖像中不同區(qū)域的亮度自適應(yīng)地增強(qiáng)局部對(duì)比度，同時(shí)在離差能量項(xiàng)中采用WASSERSTEIN距離作為原始圖像和估計(jì)圖像之間像素強(qiáng)度的相似性度量。實(shí)驗(yàn)結(jié)果表明本文提出的方法不僅能夠增強(qiáng)圖像中明亮區(qū)域和昏暗區(qū)域的對(duì)比度，還能夠還原圖像的真實(shí)色彩。3從人類視覺系統(tǒng)神經(jīng)生理學(xué)的研究成果看，人類視覺對(duì)色彩的感知是不因光照強(qiáng)弱變化而變化的，經(jīng)典的RETINEX理論模擬并解釋了人類視覺系統(tǒng)是如何感知色彩和光照的。本文根據(jù)RETINEX理論，研究圖像的像素強(qiáng)度、反射系數(shù)與照度的性質(zhì)，提出了基于變分貝葉斯框架的RETINEX新模型和彩色圖像增強(qiáng)方法。對(duì)照度圖像、反射率圖像和參數(shù)分別建立先驗(yàn)?zāi)Ｐ停梅謱迂惾~斯方法建立了同時(shí)估計(jì)照度分量、反射率分量和模型超參數(shù)的統(tǒng)計(jì)估計(jì)框架。進(jìn)一步給出了易于求解的RETINEX變分貝葉斯模型和圖像增強(qiáng)新算法。理論分析和實(shí)驗(yàn)結(jié)果表明，本文提出的RETINEX變分貝葉斯框架具有很好的靈活性，可以根據(jù)不同的圖像先驗(yàn)設(shè)計(jì)不同的RETINEX方法。同時(shí)，本文方法能避免在處理圖像時(shí)對(duì)未知參數(shù)的調(diào)節(jié)，進(jìn)而在給定相同額外信息時(shí)，能比其他基于RETINEX理論的圖像增強(qiáng)方法得到更加準(zhǔn)確的結(jié)果。4針對(duì)霧天圖像質(zhì)量提升問題，以霧的光學(xué)模型為基礎(chǔ)，針對(duì)現(xiàn)有的基于樣例的圖像去霧方法沒有充分利用觀測(cè)的有霧圖像及其對(duì)應(yīng)的介質(zhì)傳播圖之間的關(guān)系的不足，提出了一個(gè)基于二維典型相關(guān)分析TWODIMENSIONALCANONICALCRELATIONANALYSIS，2DCCA的圖像去霧方法。該方法假設(shè)無(wú)霧圖像中局部小塊是平滑的且近似于常數(shù)，推斷出觀測(cè)的有霧圖像塊及其對(duì)應(yīng)的介質(zhì)傳播圖像塊之間潛在的線性相關(guān)性。為了充分利用觀測(cè)的有霧圖像及其對(duì)應(yīng)的介質(zhì)傳播圖之間的關(guān)系，利用已有的霧天道路圖像數(shù)據(jù)庫(kù)和2DCCA學(xué)習(xí)出一個(gè)能使這種線性相關(guān)性最大化的子空間。給定一幅有霧的測(cè)試圖像，其對(duì)應(yīng)的未知的介質(zhì)傳播圖就可以在該子空間基于這個(gè)相關(guān)性用最近鄰算法重建出來(lái)。由于初始估計(jì)的介質(zhì)傳播圖是用圖像塊重建出的，比較粗糙不平滑，進(jìn)而提出一個(gè)局部均值自適應(yīng)引導(dǎo)濾波來(lái)精細(xì)化介質(zhì)傳播圖。最后，去霧后的結(jié)果圖像通過(guò)二色大氣模型來(lái)求出。實(shí)驗(yàn)結(jié)果表明，本文提出的單幅圖像去霧方法在重建待估計(jì)的介質(zhì)傳播圖時(shí)更加可靠且有意義，提出的介質(zhì)傳播圖精細(xì)化方法能很好地保持圖像中不同距離的結(jié)構(gòu)，從而得到更加準(zhǔn)確的去霧結(jié)果。