| Titre : | New advances in intelligent signal processing |
| Titre original: | Nouveaux progrès dans le traitement intelligent du signal |
| Auteurs : | A. E. Ruano ; AnnamÐaria R. VÐarkonyi-KÐoczy |
| Type de document : | Monographie imprimée |
| Editeur : | Berlin : Springer, 2011 |
| ISBN/ISSN/EAN : | 978-3-642-11738-1 |
| Format : | xiii, 254 p. / ill. (chiefly col.) / 24 cm |
| Catégories : |
[Agneaux] Adaptive signal processing. [Agneaux] Intelligent control systems. [Agneaux] Signal processing > Digital techniques. |
| Résumé : |
The book presents some of the most efficient statistical and deterministic methods for information processing and applications in order to extract targeted information and find hidden patterns. The techniques presented range from Bayesian approaches and their variations such as sequential Monte Carlo methods, Markov Chain Monte Carlo filters, Rao Blackwellization, to the biologically inspired paradigm of Neural Networks and decomposition techniques such as Empirical Mode Decomposition, Independent Component Analysis and Singular Spectrum Analysis. The book is directed to the research students, professors, researchers and practitioners interested in exploring the advanced techniques in intelligent signal processing and data mining paradigms. |
| Sommaire : |
Formulation of Fuzzy Random Regression Model . . . . . . . . . . . . . . . . . 1
Junzo Watada, Shuming Wang, Witold Pedrycz 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Fuzzy Random Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 3 Fuzzy Random Regression Model . . . . . . . . . . . . . . . . . . . . . . . . . . 7 4 The Solution to the FRRM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 4.1 Vertices Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 4.2 Heuristic Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 5 An Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 6 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 Evolutionary Multiobjective Neural Network Models Identification: Evolving Task-Optimised Models . . . . . . . . . . . . . . . . . . 21 Pedro M. Ferreira, Ant´ onio E. Ruano 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.1 Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2 Multiobjective Evolutionary Algorithms . . . . . . . . . . . . . 25 2.3 Model Design Cycle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.4 ANN Parameter Training . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3 Example Model Identification Problems . . . . . . . . . . . . . . . . . . . . . 35 3.1 Electricity Consumption Prediction . . . . . . . . . . . . . . . . . 35 3.2 Cloudiness Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 4 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3 Structural Learning Model of the Neural Network and Its Application to LEDs Signal Retrofit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 Junzo Watada, Shamshul Bahar Yaakob 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 2 Hopfield and Boltzmann Machine . . . . . . . . . . . . . . . . . . . . . . . . . . 57 X Contents 3 Boltzmann Machine Approach to Mean-Variance Analysis. . . . . . 59 4 Double-Layered Boltzmann Machine Example. . . . . . . . . . . . . . . . 62 5 Overview on LEDs Signal Retrofit . . . . . . . . . . . . . . . . . . . . . . . . . . 64 6 LEDs Signal Retrofit and Mean-Variance Problem . . . . . . . . . . . . . 65 7 Numerical Example of LEDs Signal Retrofit. . . . . . . . . . . . . . . . . . 67 8 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 4 Robustness of DNA-Based Clustering. . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Rohani Abu Bakar, Chu Yu-Yi, Junzo Watada 1 DNA Computing Methods for Solving Clustering Problems . . . . . 75 2 Background Study of Clustering Problems . . . . . . . . . . . . . . . . . . . 76 3 Robustness of DNA-Based Clustering Algorithms . . . . . . . . . . . . . 78 4 Proximity Distance Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 5 Robustness in Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 5.1 Dataset and Parameter Implementation. . . . . . . . . . . . . . . 83 5.2 Robustness Evaluation of DNA-Based Clustering . . . . . . 83 6 Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 5 Advances in Automated Neonatal Seizure Detection . . . . . . . . . . . . . . . 93 Eoin M. Thomas, Andrey Temko, Gordon Lightbody, William P. Marnane, Geraldine B. Boylan 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 2 Data and Experiment Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 3 Probabilistic Classification Framework . . . . . . . . . . . . . . . . . . . . . . 97 3.1 Preprocessing and Feature Extraction . . . . . . . . . . . . . . . . 98 3.2 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 3.3 Postprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 3.4 Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 4.1 Results over All Patients . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 4.2 Results for Individual Patients . . . . . . . . . . . . . . . . . . . . . . 107 5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 6 Design of Fuzzy Relation-Based Image Sharpeners. . . . . . . . . . . . . . . . 115 Fabrizio Russo 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 2 Linear Unsharp Masking: A Brief Review . . . . . . . . . . . . . . . . . . . . 116 3 Nonlinear Unsharp Masking Based on Fuzzy Relations. . . . . . . . . 118 4 Effects of Parameter Settings. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 5 Noise Prefiltering Using Fuzzy Relations . . . . . . . . . . . . . . . . . . . . 122 Contents XI 6 A Complete Fuzzy Relation-Based Image Enhancement System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 7 Application of Fuzzy Logic and Lukasiewicz Operators for Image Contrast Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 Angel Barriga, Nashaat Mohamed Hussein Hassan 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 2 Contrast Control Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 3 Soft Computing Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 3.1 Minimization of Image Fuzziness . . . . . . . . . . . . . . . . . . . 138 3.2 Direct Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 3.3 Fuzzy Histogram Hiperbolation . . . . . . . . . . . . . . . . . . . . . 140 3.4 Sharpening and Noise Reduction . . . . . . . . . . . . . . . . . . . . 140 4 Hardware Realizations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 5 Contrast Control by Means of Lukasiewicz Operators . . . . . . . . . . 142 6 Control Parameters Based on Fuzzy Logic . . . . . . . . . . . . . . . . . . . 144 7 Contrast Controller Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149 8 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153 8 Low Complexity Situational Models in Image Quality Improvement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 Annam´ aria R. V´ arkonyi-K´ oczy 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 2 Corner Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 2.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157 2.2 Detection of Corner Points . . . . . . . . . . . . . . . . . . . . . . . . . 159 2.3 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 3 “Useful” Information Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 3.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166 3.2 Surface Smoothing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169 3.3 Edge Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 3.4 Edge Separation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 3.5 Illustrative Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172 4 A Possible Application: 3D Reconstruction of Scenes . . . . . . . . . . 175 5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176 9 A Flexible Representation and Invertible Transformations for Images on Quantum Computers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 Phuc Q. Le, Abdullahi M. Iliyasu, Fangyan Dong, Kaoru Hirota 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 2 Flexible Representation of Quantum Images and Its Polynomial Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181 XII Contents 3 Quantum Image Compression Based on Minimization of Boolean Expressions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186 4 Image Processing Operators on Quantum Images Based on Invertible Transformations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191 5 Experiments on Quantum Images . . . . . . . . . . . . . . . . . . . . . . . . . . . 194 5.1 Storage and Retrieval of Quantum Images . . . . . . . . . . . . 194 5.2 Analysis of Quantum Image Compression Ratios . . . . . . 196 5.3 Simple Detection of a Line in a Quantum Image Based on Quantum Fourier Transform . . . . . . . . . . . . . . . 198 6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202 10 Weakly Supervised Learning: Application to Fish School Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203 Riwal Lefort, Ronan Fablet, Jean-Marc Boucher 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203 2 Notations and General Framework . . . . . . . . . . . . . . . . . . . . . . . . . . 205 3 Generative Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206 4 Discriminative Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209 4.1 Linear Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209 4.2 Non Linear Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210 5 Soft Decision Trees and Soft Random Forests. . . . . . . . . . . . . . . . . 211 5.1 Soft Decision Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211 5.2 Soft Random Forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213 6 Classifier Combination . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214 7 Application to Fisheries Acoustics . . . . . . . . . . . . . . . . . . . . . . . . . . 215 7.1 Simulation Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215 7.2 The Fish School Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . 216 7.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217 8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221 11 Intelligent Spaces as Assistive Environments: Visual Fall Detection Using an Evolutive Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 225 Jos´ e Mar´ ıa Ca˜ nas, Sara Marug´ an, Marta Marr´ on, Juan C. Garc´ ıa 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225 2 Global System Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228 3 Multimodal Evolutive Algorithm for Vision Based 3D Tracking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 3.1 Explorers and Races . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231 3.2 Fitness Function Observation Model. . . . . . . . . . . . . . . . . 233 3.3 Determine 3D Positions . . . . . . . . . . . . . . . . . . . . . . . . . . . 236 Contents XIII 4 Experiments. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237 4.1 Typical Execution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 4.2 Time Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241 4.3 System Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242 5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246 Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249 Subject Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251 |
Disponibilité (1)
| Cote | Support | Localisation | Statut | Emplacement | |
|---|---|---|---|---|---|
| SI8/3108 | Livre | BIB.FAC.ST. | Empruntable | Magazin |
Documents numériques (1)
 BOOKS URL |
Erreur sur le template
