Непараметрические методы обнаружения и оценивания сигналов и изображений

1.1. Задачи непараметрического обнаружения полезного сигнала, наблюдаемого на фоне шума.
1.2. Непараметрический подход в задачах классификации и сегментации изображений
1.3. Непараметрические подходы к оцениванию и фильтрации сигналов и изображений
1.4. Выводы к главе
Глава 2. Непараметрические критерии обнаружения полезного сигнала,
на фойе шума, отличающегося дисперсией.
2.1. Построение выбеливающего фильтра
2.2. Непараметрические статистики масштаба, основанные на превышающих наблюдениях.
2.3. Улучшение характеристик критерия превышающих наблюдений
с помощью алгоритма группировки исходных наблюдений
2.3.1. Использование принципа группировки исходных данных для случая масштабных различий гипотезы и альтернативы.
2.3.2. Бинарное правило принятия решения, основанное на
линейно взвешенном суммировании Т статистик групп
2.4. Выводы к главе.
Глава 3. Синтез непараметрических статистик на основе проективного подхода.
3.1. Синтез непараметрической процедуры принятия решения, основанный на методе проекций.
3.2. Способ измерения проекций по исходным наблюдениям
3.3. Алгоритмы принятия решения о различии средних значений и дисперсий наблюдений выборок, основанные на измерении вектора проекций.
3.4. Выводы к главе
Глава 4. Адаптация ранговых алгоритмов при зависимых наблюдениях.
4.1. Исследование влияния зависимости исходных наблюдений на ранговые распределения с использованием детерминированной
модели возникновения совпадений.
4.1.1. Оценка параметра зависимости наблюдений г
для детерминированной модели
4.2. Исследование влияния зависимости исходных наблюдений на ранговые распределения на основе стохастической модели возникновения совпадений
4.2.1. Оценивание параметра а модели зависимых наблюдений.
4.3. Модели зависимости исходных наблюдений, применяемые
для двухвыборочных ранговых статистик.
4.3.1. Исследование влияния зависимости исходных наблюдений на распределения многомерных ранговых статистик с использованием детерминированной модели возникновения совпадений на примере статистики Вилкоксоиа,.
4.3.2. Исследование влияния зависимости исходных наблюдений на распределения многомерных ранговых статистик с использованием стохастической модели возникновения совпадений на примере статистики Вилкоксона
4.4. Выводы к главе.
Глава 5. Ранговые алгоритмы бинарной сегментации одномерных сигналов
и изображений.
5.1. Постановка задачи ранговой бинарной сегментации одномерных сигналов и изображений
5.2. Синтез алгоритма ранговой бинарной сегментации одномерных
сигналов.
5.3. Рабочие характеристики алгоритмов ранговой бинарной сегментации одномерных сигналов и изображений
5.4. Сравнение алгоритмов ранговой бинарной сегментации одномерных сигналов и изображений с известными правилами сегментации
наблюдений.
5.5. Одномерные алгоритмы ранговой многоуровневой сегментации
5.6. Использование одномерных алгоритмов ранговой бинарной сегментации при решении некоторых задач обработки сигналов
и изображений
5.6.1. Использование алгоритма ранговой бинарной сегментации
для классификации типа нарушения в сейсмической охранной системе
5.6.2. Использование алгоритма ранговой бинарной сегментации для выделения последовательностей буквенных и цифровых символов, нанесенных на борта железнодорожных вагонов.
5.7. Выводы к главе
Глава 6. Ранговая бинарная сегментация многомерных сигналов
и изображений
6.1. Постановка задачи ранговой бинарной сегментации многомерных сигналов и изображений.
6.2. Синтез алгоритма ранговой бинарной сегментации многомерных сигналов.
6.3. Сравнение результатов бинарной сегментации сигналов и оценивания параметров выборки, получаемых с использованием одномерного
и многомерного двухмерного ранговых алгоритмов.
6.4. Ранговая многоуровневая сегментация многомерных сигналов
и изображений
6.5. Ранговая сегментация векторных изображений
6.6. Выводы к главе
Стр.
7. Заключение.
8. Список использованных источников.
Приложение
ВВЕДЕНИЕ
Актуальность