光子学报
2021, 50(10): 1020002
1 西安建筑科技大学 信息与控制工程学院, 陕西 西安710055
2 西安建筑科技大学 管理学院, 陕西 西安 710055
针对BP神经网络存在的过拟合问题, 提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数, 利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导, 并为调整量添加了动量项用于提高神经网络收敛速度, 然后建立了关联度反向传播预测模型, 并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验, 通过与改进的RBF和BP神经网络对比, 表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了402, 收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合, 能够在保证效率的同时, 解决过拟合问题, 提高预测精度。
Pearson关联度 BP神经网络 时间序列预测 Pearson correlation BP neural network time series prediction 光学 精密工程
2018, 26(11): 2805
块匹配电子稳像算法是一种稳定性好、准确度高的电子稳像算法.块匹配算法在目标区域中从起始点到匹配点进行搜索时,需要对图像块进行反复匹配,计算量大、实时性差成为限制其应用的主要问题.本文从缩小块匹配算法搜索范围的思想出发,提出了一种利用时间序列预测来确定最优搜索起始点的电子稳像算法.根据图像序列全局运动矢量的内部统计特性,选择合适的时间序列模型; 采用AIC准则和Durbin-Levinson递推算法估计模型的阶次和参量,并通过残差检验对模型进行检验和更新.利用建立的时间序列模型和历史数据对当前时刻全局运动矢量进行最优预测,并将其作为搜索起点来进行下一步精确搜索.实验结果证明,时间序列预测方法有效缩小了块匹配算法的搜索范围,使计算速度得到较大幅度的提高,并可直接推广到其它电子稳像算法中.
电子稳像 块匹配 全局运动矢量 时间序列预测 Electronic image stabilization Block matching Global motion vector Time series prediction