加權(quán)遺傳算法的互信息特征反饋標(biāo)記方法。首先優(yōu)化數(shù)據(jù)處理流程，對(duì)目標(biāo)數(shù)據(jù)特征進(jìn)行加權(quán)處理，得到近似全局最優(yōu)解；其次用戶對(duì)文本特征或者圖像實(shí)例完成標(biāo)記，基于用戶的標(biāo)記與未標(biāo)記情況構(gòu)建雙重監(jiān)督圖；最后建立實(shí)數(shù)值推測(cè)函數(shù)并計(jì)算，獲取雙重監(jiān)督圖中未標(biāo)記的結(jié)點(diǎn)。通過(guò)仿真實(shí)驗(yàn)結(jié)果，驗(yàn)證了方法誤差較小、檢索精度較高，能夠?qū)崿F(xiàn)在大量的數(shù)據(jù)中快速找到目標(biāo)內(nèi)容。關(guān)鍵詞：加權(quán)遺傳算法；互信息；雙重監(jiān)督圖；實(shí)數(shù)值函數(shù)；近似全局最優(yōu)解中圖分類號(hào)：TP391.1；TP391.9 文獻(xiàn)標(biāo)

提出了一種基于互信息的魯棒跨域推薦系統(tǒng)，該推薦系統(tǒng)由域分離網(wǎng)絡(luò)和互信息魯棒風(fēng)險(xiǎn)兩個(gè)模塊構(gòu)成。域分離網(wǎng)絡(luò)模塊很好地解決了源域與目標(biāo)域差異的問(wèn)題;在互信息魯棒風(fēng)險(xiǎn)模塊中，提出了一個(gè)基于互信息的風(fēng)險(xiǎn)函數(shù)來(lái)過(guò)濾掉數(shù)據(jù)中的錯(cuò)誤標(biāo)注，使用該風(fēng)險(xiǎn)函數(shù)所訓(xùn)練出的跨域推薦系統(tǒng)可以很好地處理訓(xùn)練數(shù)據(jù)中存在的錯(cuò)誤信息，使跨域推薦系統(tǒng)能更好地應(yīng)用在各種真實(shí)的推薦場(chǎng)景下。本文采用對(duì)比試驗(yàn)的方法，在真實(shí)的數(shù)據(jù)集上將所提出的方法與幾種現(xiàn)有的推薦方法進(jìn)行了比較，試驗(yàn)表明，現(xiàn)有的推薦方法在

沙演變規(guī)律及其互信息關(guān)系，討論影響水沙變化的關(guān)鍵因素。結(jié)果表明：頭道拐站1956—2018年徑流量和輸沙量均呈顯著下降趨勢(shì)，徑流量和輸沙量均在1986年附近發(fā)生突變;頭道拐站徑流量和輸沙量Hurst指數(shù)分別為0.609和0.658，未來(lái)有很大可能繼續(xù)向減少趨勢(shì)發(fā)展;徑流量和輸沙量序列演變具有多尺度周期，隨著周期分解，徑流量、輸沙量的互信息值呈增大趨勢(shì);年徑流量均值在變化期（1987—2018年）與基準(zhǔn)期（1956—1986年）相比減少33.37%，輸沙量在

組Trie; 互信息; 信息熵 ; N-gram中圖分類號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）26-0001-05開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：Dynamic Recognition Model of Unknown Words Based on Mixed Information Double Array TrieCHEN Hao-yu，HONG Jia-wei，CHEN Zhi-ran（Faculty

Shannon互信息是刻畫(huà)兩個(gè)隨機(jī)變量相互之間獨(dú)立程度的度量，在信道編碼中有很重要的應(yīng)用且給出了信道容量[1].在量子信息論中，通過(guò)von Neumann熵形式給出了互信息的基本定義(與Shannon互信息對(duì)應(yīng)，本文稱作von Neumann互信息，通常也稱作量子互信息[2]).在量子信息處理中，von Neumann互信息可以描述兩體量子態(tài)上的全部關(guān)聯(lián)[3]，也用于量子信道容量的刻畫(huà)[4-5]，并在量子資源理論中有非常好的應(yīng)用[6].von Neuman

，本文考慮使用互信息度量融合云圖的類別信息來(lái)進(jìn)行LBP特征的選擇。具體地，本文通過(guò)計(jì)算每個(gè)LBP特征和類別變量之間的互信息構(gòu)造了一個(gè)F檢驗(yàn)統(tǒng)計(jì)量，并利用前向搜索的思想進(jìn)行特征選擇。本文提出的特征選擇算法不僅考慮了特征之間的冗余，使用簡(jiǎn)單方便，而且所選出的特征個(gè)數(shù)要遠(yuǎn)遠(yuǎn)少于直接基于互信息的最大相關(guān)性準(zhǔn)則選出的特征個(gè)數(shù)，在降低計(jì)算開(kāi)銷的同時(shí)也使得分類性能得到顯著的改進(jìn)。1 基于互信息F統(tǒng)計(jì)量的特征選擇算法1.1 LBP描述子對(duì)于紋理圖像分類，常常假定測(cè)試樣本和

的詞語(yǔ)左右熵和互信息新詞發(fā)現(xiàn)算法。先根據(jù)成詞規(guī)則，篩選掉文本中的停用詞和非中文字符，將每個(gè)字與其右鄰的字組成二元組;然后利用左右信息熵和互信息進(jìn)行成詞概率的計(jì)算，根據(jù)計(jì)算到的成詞概率和詞頻篩選出新詞;并且設(shè)計(jì)了三個(gè)實(shí)驗(yàn)，驗(yàn)證了算法的有效性和可行性。實(shí)驗(yàn)結(jié)果表明，該新詞發(fā)現(xiàn)算法成詞準(zhǔn)確率較高，比其他新詞發(fā)現(xiàn)算法時(shí)間效率有較大的提高，對(duì)于中文分詞結(jié)果的優(yōu)化起到重要的作用。關(guān)鍵詞： 新詞發(fā)現(xiàn)算法; 左右熵; 互信息; Trie樹(shù); 算法設(shè)計(jì); 對(duì)比驗(yàn)證中圖分類號(hào)

化技術(shù)中，采用互信息作為評(píng)價(jià)標(biāo)準(zhǔn)，提出一種衰變?nèi)謹(jǐn)_動(dòng)蜻蜓算法優(yōu)化Powell的醫(yī)學(xué)圖像配準(zhǔn)方法。通過(guò)仿真實(shí)驗(yàn)表明，該方法提高了醫(yī)學(xué)圖像配準(zhǔn)的精度和魯棒性。關(guān)鍵詞： 衰變擾動(dòng); 三分?jǐn)_動(dòng); 蜻蜓算法; Powell; 互信息; 醫(yī)學(xué)圖像配準(zhǔn)中圖分類號(hào)： TN911.73?34; TP391.41? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）04?0149?04Method of

TF-IDF和互信息的方劑推薦算法。其核心思想是根據(jù)TF-IDF算法的原理，確定核心藥物;再計(jì)算核心藥物和方劑間的互信息來(lái)確定二者相關(guān)性，以此確定最有效的方劑。對(duì)名老中醫(yī)治療肺癌的542首方劑，共計(jì)342味藥物進(jìn)行數(shù)據(jù)挖掘，通過(guò)該算法獲得核心藥物71味，推薦方劑126首。采用該算法獲得名老中醫(yī)治療肺癌的核心方劑的結(jié)果表明，該算法通用性強(qiáng)，效率高。由于不僅探索了藥物層面的規(guī)律，還挖掘了方劑層面的信息，故該算法有較高的實(shí)用價(jià)值。關(guān)鍵詞： TF–IDF; 有向含

此提出一種基于互信息加權(quán)的集成遷移學(xué)習(xí)（ETL）入侵檢測(cè)方法。首先，通過(guò)遷移策略對(duì)多組特征集進(jìn)行建模;然后，使用互信息度量在遷移模型下特征集在不同域中的數(shù)據(jù)分布;最后，根據(jù)度量值對(duì)多個(gè)遷移模型進(jìn)行集成加權(quán)，得到集成遷移模型。該方法通過(guò)學(xué)習(xí)新環(huán)境下的少量有標(biāo)記樣本和以往環(huán)境下的大量有標(biāo)記樣本的知識(shí)，可以建立效果優(yōu)于傳統(tǒng)非集成、非遷移的入侵檢測(cè)模型。使用基準(zhǔn)NSLKDD數(shù)據(jù)集對(duì)該方法進(jìn)行評(píng)估，實(shí)驗(yàn)結(jié)果表明，所提方法具有良好的收斂性能，并提高了入侵檢測(cè)的精準(zhǔn)率。

方法。首先使用互信息（MI）衡量每個(gè)維度的特征與每一維標(biāo)記之間的相關(guān)性，然后將所得相關(guān)性相加并排序，最后按照總的相關(guān)性大小進(jìn)行特征選擇。將所提方法與六種現(xiàn)有的比較有代表性的多標(biāo)記特征選擇方法作對(duì)比，如最大依賴性最小冗余性（MDMR）算法和基于樸素貝葉斯的多標(biāo)記特征選擇（MLNB）方法等。實(shí)驗(yàn)結(jié)果表明，EF-MLFS方法進(jìn)行特征選擇并分類的結(jié)果在平均準(zhǔn)確率、覆蓋率、海明損失等常見(jiàn)的多標(biāo)記分類評(píng)價(jià)指標(biāo)上均達(dá)最優(yōu);該方法無(wú)需進(jìn)行全局搜索，因此時(shí)間復(fù)雜度相較于MD

有效的全局特征互信息約束和局部位置特征互信息約束，可以使模型對(duì)空間結(jié)構(gòu)變得更加敏感，能使該問(wèn)題得到一定程度的緩解。互信息最大化優(yōu)化原理[7-8]主張?jiān)谏窠?jīng)網(wǎng)絡(luò)的輸入和輸出之間進(jìn)行最大化互信息，這可以獲取更為魯棒且均勻的映射關(guān)系。文獻(xiàn)[9]中提出的互信息神經(jīng)估計(jì)可以利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到連續(xù)變量的互信息估計(jì)，適用于深度神經(jīng)網(wǎng)絡(luò)中的互信息估計(jì)。筆者利用互信息對(duì)模型進(jìn)行優(yōu)化的思想啟發(fā)于文獻(xiàn)[10]中提出的可解釋表示學(xué)習(xí)方法，通過(guò)最大化條件變量與生成數(shù)據(jù)的互信息，使得

小;最后，基于互信息（MI）的特征選擇策略，提出新的相關(guān)性計(jì)算方法，在候選像素集中選出最相關(guān)的特征。在三個(gè)公開(kāi)數(shù)據(jù)集LFPW、HELEN、COFW上，相較于ESR算法，所提方法的定位精度分別提升7.52%、5.72%和5.89%。實(shí)驗(yàn)結(jié)果表明，自適應(yīng)窗回歸方法可以有效提高人臉特征點(diǎn)定位精度。關(guān)鍵詞：顯式形狀回歸;人臉特征點(diǎn)定位;相似人臉變換;自適應(yīng)窗回歸;互信息中圖分類號(hào)：TP391.4文獻(xiàn)標(biāo)志碼：A3 實(shí)驗(yàn)結(jié)果與分析3.1 實(shí)驗(yàn)環(huán)境本實(shí)驗(yàn)的運(yùn)行環(huán)境為：W

尤為重要?；?span id="syggg00" class="hl">互信息（MI）的特征選擇方法能夠有效地降低數(shù)據(jù)維數(shù)，提高分析結(jié)果精度，但是，現(xiàn)有方法在特征選擇過(guò)程中評(píng)判特征是否冗余的標(biāo)準(zhǔn)單一，無(wú)法合理排除冗余特征，最終影響分析結(jié)果。為此，提出一種基于最大聯(lián)合條件互信息的特征選擇方法（MCJMI）。MCJMI選擇特征時(shí)考慮整體聯(lián)合互信息與條件互信息兩個(gè)因素，兩個(gè)因素融合增強(qiáng)特征選擇約束。在平均預(yù)測(cè)精度方面，MCJMI與信息增益（IG）、最小冗余度最大相關(guān)性（mRMR）特征選擇相比提升了6個(gè)百分點(diǎn);與聯(lián)合互信

效的方法。通過(guò)互信息與鄰接熵的新詞發(fā)現(xiàn)方法從《漢書(shū)》中尋找未登錄詞，結(jié)合古代漢語(yǔ)詞匯表、古代人名詞表和古代地名表構(gòu)建古籍文本分詞詞典，以此為基礎(chǔ)，使用pyNLPIR對(duì)《漢書(shū)》進(jìn)行分詞操作。實(shí)驗(yàn)結(jié)果顯示，新詞發(fā)現(xiàn)方法可以在一定程度上完善古籍文本分詞所需的用戶詞典全面性，但是對(duì)3字以上的詞語(yǔ)識(shí)別效果較差。實(shí)驗(yàn)證明使用新詞發(fā)現(xiàn)結(jié)合詞典信息的方法對(duì)古籍文本進(jìn)行分詞能夠有效提高古代漢語(yǔ)分詞準(zhǔn)確度。關(guān)鍵詞：古籍文本;分詞;互信息;鄰接熵;新詞發(fā)現(xiàn)DOI：10. 119

獨(dú)特優(yōu)勢(shì)的基于互信息圖像配準(zhǔn)方法得到了廣泛關(guān)注?；?span id="syggg00" class="hl">互信息的圖像配準(zhǔn)方法不需要對(duì)待配準(zhǔn)圖像進(jìn)行預(yù)處理，且配準(zhǔn)精度較高[4]。然而這種方法也存在易誤匹配、計(jì)算效率低、易受圖像灰度影響，圖像本質(zhì)特征利用率低等缺陷。為了解決互信息法圖像配準(zhǔn)存在的問(wèn)題，本文利用圖像邊緣輪廓上的特征點(diǎn)進(jìn)行粗配準(zhǔn)，然后在粗配準(zhǔn)基礎(chǔ)上利用互信息法進(jìn)行縮小搜索范圍的精配準(zhǔn)，結(jié)合邊緣特征匹配和互信息配準(zhǔn)各自優(yōu)勢(shì)，設(shè)計(jì)了精度更高、速度更快、魯棒性更強(qiáng)的配準(zhǔn)方法，使這兩種最常用的多源圖像中的互

法最小化信號(hào)的互信息，實(shí)現(xiàn)對(duì)觀測(cè)混合信號(hào)的分離?；诿庖咚惴ǖ拿ば盘?hào)分離，利用免疫算法隱形并行處理，具有較好的全局搜索性能和易收斂到最優(yōu)解的特點(diǎn)。仿真分析表明，與傳統(tǒng)的ICA盲分離算法相比，所提出的算法對(duì)于多路混疊信號(hào)具有更好的分離效果。關(guān)鍵詞： 盲源分離； 免疫算法； 互信息； 獨(dú)立分量分析中圖分類號(hào)：TP399 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2018）03-42-05A blind signal separation algorithm

征詞條[1].互信息(Mutual Information,MI)是信息論中的重要概念,人們把互信息廣泛運(yùn)用于文本分類,互信息成為了文本分類中最常用的特征選擇方法,在文本分類的特征選擇度量指標(biāo)中,互信息值表示特征項(xiàng)的值與文本類別的統(tǒng)計(jì)相關(guān)性以及特征詞之間的統(tǒng)計(jì)相關(guān)性.MapReduce是Google公司提出的一種基于大規(guī)模數(shù)據(jù)集并行計(jì)算的編程模式,主要用于對(duì)海量數(shù)據(jù)的收集和處理,與傳統(tǒng)的計(jì)算模式相比,極大提升了性能,提高了效率.在當(dāng)今數(shù)據(jù)挖掘、新聞推薦、機(jī)

要：ICP和互信息廣泛應(yīng)用于醫(yī)學(xué)圖像配準(zhǔn)，但存在以下問(wèn)題：其計(jì)算量非常大，耗時(shí)長(zhǎng)；受初始旋轉(zhuǎn)和平移參數(shù)影響較大，圖像配準(zhǔn)容易造成目標(biāo)函數(shù)陷入局部最優(yōu)值。該方法通過(guò)計(jì)算參考圖像和浮動(dòng)圖像的質(zhì)心，獲得配準(zhǔn)平移初始值；對(duì)醫(yī)學(xué)圖像坐標(biāo)進(jìn)行中心化處理，通過(guò)改進(jìn)的FCM聚類方法把圖像坐標(biāo)聚成2類；把這2個(gè)聚類中心擬合成一條直線，可以算出該直線的斜率，得出其傾斜角，從而獲得配準(zhǔn)旋轉(zhuǎn)初始值。實(shí)驗(yàn)結(jié)果表明，該方法既可用于單模態(tài)圖像配準(zhǔn)，也可以用于多模態(tài)配準(zhǔn)。還具有運(yùn)算量少

段，通過(guò)計(jì)算其互信息和[t-]信息來(lái)實(shí)現(xiàn)中文分詞歧義的消除。該文所研究的中文分詞算法，不僅可以在多個(gè)中文分詞方案中選擇更優(yōu)的分詞方案，消解中文分詞歧義；同時(shí)，還可以在已有分詞方案的基礎(chǔ)上，發(fā)現(xiàn)更加符合實(shí)際情況的分詞方案，以提高中文分詞的準(zhǔn)確性和適用性。關(guān)鍵詞：中文分詞；歧義發(fā)現(xiàn)；歧義消解；互信息；[t-]信息中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）31-0199-021 概述信息技術(shù)的不斷發(fā)展，提高了信息的搜集和傳輸效

，該文對(duì)傳統(tǒng)的互信息特征選擇方法進(jìn)行了改進(jìn)。除了針對(duì)其缺少詞頻信息，引入詞頻因子外，還針對(duì)二分類問(wèn)題，引入了特征貢獻(xiàn)比的概念。實(shí)驗(yàn)證明，采用改進(jìn)的互信息特征選擇方法大大提高了垃圾郵件的檢測(cè)效果。關(guān)鍵詞：垃圾郵件檢測(cè)；特征選擇；互信息；詞頻因子；特征貢獻(xiàn)比中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）14-0163-04近些年，隨著電子郵件文本數(shù)據(jù)規(guī)模的不斷擴(kuò)大，特別是特征維數(shù)的增大，采用向量空間模型表示的樣本數(shù)據(jù)特征維數(shù)高

最后，根據(jù)基于互信息的相似性度量方法實(shí)現(xiàn)雙視圖的可疑病灶區(qū)域的匹配。實(shí)驗(yàn)結(jié)果顯示：對(duì)DDSM數(shù)據(jù)庫(kù)中已確診的100幅腫塊圖像進(jìn)行實(shí)驗(yàn)對(duì)比，有90幅圖像能實(shí)現(xiàn)雙視圖腫塊的匹配，匹配率達(dá)到90%，與基于灰度分層的乳腺腫塊的雙視圖匹配相比，匹配率得到提高。關(guān)鍵詞：雙視圖；模板匹配；雙尺度Sech模板；互信息；匹配率DOI：1015938/jjhust201702024中圖分類號(hào)： TN91173文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 1007-2683（2017）02-01

像的特點(diǎn)，采用互信息和Census兩種相似性測(cè)度相結(jié)合的方式進(jìn)行模型密集匹配。由于組合Census 和互信息兩種相似性測(cè)度的優(yōu)點(diǎn)，多測(cè)度半全局匹配算法可以得到穩(wěn)健可靠、高效、精細(xì)且保邊緣的密集匹配結(jié)果。關(guān)鍵詞：無(wú)人機(jī)影像；互信息；Census1 概述來(lái)源于計(jì)算機(jī)視覺(jué)領(lǐng)域的半全局優(yōu)化密集匹配算法是當(dāng)前國(guó)內(nèi)外最先進(jìn)的密集匹配算法之一，在DSM提取、三維建模等領(lǐng)域得到了廣泛應(yīng)用，該算法的逐像素密度以及子像素精度可以大大提高獲取DSM的精度和可靠性。半全局優(yōu)化密集

蘇林摘要：采用互信息方法對(duì)SWMM模型輸入?yún)?shù)與輸出結(jié)果之間的非線性關(guān)系進(jìn)行了全局敏感性分析。以山東大學(xué)千佛山校區(qū)降雨徑流模擬為例，采用拉丁超立方體抽樣，研究了SWMM模型模型參數(shù)對(duì)輸出結(jié)果的影響程度。結(jié)果表明：峰值流量最敏感的參數(shù)為透水區(qū)曼寧糙率系數(shù)；峰現(xiàn)時(shí)間最敏感的參數(shù)為管道曼寧糙率系數(shù)，其次為最小滲透率；總產(chǎn)流最敏感的參數(shù)為最小滲透率。關(guān)鍵詞：信息熵；互信息；全局敏感性分析；參數(shù)選擇；SWMM模型隨著城市化進(jìn)程的不斷加快，城區(qū)不透水區(qū)比例增大，城市下

，提出一種改進(jìn)互信息的方法實(shí)現(xiàn)特征約簡(jiǎn)，從而創(chuàng)建一個(gè)特征詞典集合，對(duì)源聲進(jìn)行觀點(diǎn)分類，并作了大量實(shí)驗(yàn)驗(yàn)證該思想的可靠性。關(guān)鍵詞：特征提??；源聲；詞典集合；互信息引言本文將深入闡述在互聯(lián)網(wǎng)電商評(píng)論短文本信息分類領(lǐng)域的研究，構(gòu)建一個(gè)特征詞組-分類的map（k，v）集合，觀點(diǎn)是消費(fèi)者從自身立場(chǎng)出發(fā)對(duì)某產(chǎn)品的看法，由于產(chǎn)品領(lǐng)域的多樣性，產(chǎn)品各個(gè)領(lǐng)域都會(huì)成為評(píng)價(jià)的對(duì)象，因此同一條源聲會(huì)有多個(gè)觀點(diǎn)，可以將源聲以分隔符進(jìn)行拆分，短文本通過(guò)分隔符由內(nèi)向外并行分類方法，從而

摘要】 本文以互信息作為相似性測(cè)度，提出改進(jìn)的粒子群算法與煙花算法結(jié)合的混合算法來(lái)進(jìn)行圖像配準(zhǔn)，該方法中粒子群的慣性權(quán)重動(dòng)態(tài)變化提高粒子的搜索范圍，并利用煙花算法的高斯變異算子增加粒子的多樣性，防止粒子群算法陷入局部極值，并提高了配準(zhǔn)的精確度，實(shí)驗(yàn)證明該方法在圖像配準(zhǔn)中取得不錯(cuò)的效果。【關(guān)鍵詞】 圖像配準(zhǔn) 互信息 粒子群優(yōu)化算法 煙花算法引言圖像配準(zhǔn)是圖像處理應(yīng)用方面的一個(gè)基本問(wèn)題，主要目的是將不同傳感器、不同角度、不同時(shí)間或不同拍攝條件下獲取的同一場(chǎng)景的

；同義詞擴(kuò)展；互信息中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）36-0175-03Research on Fast Duplicate Detection Algorithm for Massive Documents Based on Semantic FingerprintsJIANG Xue，WAN Zheng-jing，LIANG Yan，TAO Yi-zheng（Institute of Computer A

4）小波變換和互信息配準(zhǔn)算法對(duì)比分析羅志娟（長(zhǎng)沙航空職業(yè)技術(shù)學(xué)院，長(zhǎng)沙410124）分別介紹小波變化和互信息應(yīng)用于配準(zhǔn)算法的原理，通過(guò)實(shí)驗(yàn)對(duì)互信息及小波變換的配準(zhǔn)算法進(jìn)行對(duì)比分析，得出在互信息基礎(chǔ)上引入小波變換能使配準(zhǔn)算法的精度和速度都有所提高的結(jié)論。小波變換；互信息；圖像配準(zhǔn)湖南省教育廳科學(xué)研究項(xiàng)目（No.14C0011）0　引言圖像配準(zhǔn)作為圖像融合、圖像鑲嵌等技術(shù)的基礎(chǔ)，成為了近年發(fā)展迅速的圖像處理技術(shù)之一。在現(xiàn)實(shí)生活中由于受諸多因素的影響，同一目標(biāo)即

新鋒基于歸一化互信息和金字塔分解優(yōu)化的圖像配準(zhǔn)算法研究劉曉慧，楊新鋒針對(duì)紅外和可見(jiàn)光圖像的特點(diǎn)，提出了一種改進(jìn)的以歸一化互信息為相似性測(cè)度的異源圖像配準(zhǔn)方法。為了提高算法的效率，采用金字塔分解法對(duì)該算法進(jìn)行了優(yōu)化。以紅外和可見(jiàn)光圖像的配準(zhǔn)作為驗(yàn)證實(shí)驗(yàn)，證明了該算法的有效性。關(guān)鍵詞：多源圖像；圖像配準(zhǔn)；互信息；金字塔分解0 引言圖像融合[1]的概念起源于二十世紀(jì)七十年代后期，是將多個(gè)傳感器在同一時(shí)間或不同的時(shí)間獲取的關(guān)于某個(gè)具體場(chǎng)景的圖像或圖像序列信息、加以

提出了一種基于互信息和小波變換的圖像配準(zhǔn)算法，利用小波分解圖像的近似分量和層層迭代算法進(jìn)行配準(zhǔn)，采用互信息作為圖像相似性度量的準(zhǔn)則，通過(guò)Matlab實(shí)驗(yàn)證明了該算法的有效性。關(guān)鍵詞：圖像配準(zhǔn)；互信息；小波變換中圖分類號(hào)：TP309 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）25-0197-03Abstract： This paper presents an image registration algorithm based on gray

機(jī)；變量選擇；互信息；距離相關(guān)系數(shù)；高能電子通量地球靜止軌道位于地球的外輻射帶區(qū)域，軌道上運(yùn)行著大量的通信、氣象、導(dǎo)航、預(yù)警等衛(wèi)星。外輻射帶區(qū)域的高能電子能量高、穿透性強(qiáng)，可穿透衛(wèi)星防護(hù)層并沉積在衛(wèi)星內(nèi)部的電解質(zhì)材料中，長(zhǎng)期的積累可形成局部強(qiáng)電場(chǎng)，誘發(fā)介質(zhì)的充放電現(xiàn)象，輕則形成偽信號(hào)影響衛(wèi)星工作，重則擊穿絕緣體，導(dǎo)致衛(wèi)星故障甚至永久損壞[1]。因此，采取有效方法對(duì)靜止軌道高能電子通量進(jìn)行預(yù)測(cè)，可以輔助操作人員對(duì)衛(wèi)星設(shè)備提前采取措施，降低甚至避免高能電子對(duì)衛(wèi)

012)?基于互信息的多模態(tài)醫(yī)學(xué)圖像融合李加恒1，戴文戰(zhàn)2，李俊峰1(1.浙江理工大學(xué)自動(dòng)化研究所，杭州 310012； 2.浙江工商大學(xué)信息與電子工程學(xué)院，杭州 310012)摘要:目前已知的醫(yī)學(xué)圖像融合算法未充分考慮源圖像間差異性的大小，針對(duì)該不足提出了一種基于互信息特征的多模態(tài)融合算法。算法引入提升小波變換，將目標(biāo)圖像分解為高、低頻子帶，根據(jù)高頻子帶的互信息量不同，對(duì)低互信息子帶采用區(qū)域梯度能量與區(qū)域標(biāo)準(zhǔn)差相結(jié)合的融合規(guī)則，對(duì)高互信息子帶采用邊緣強(qiáng)度

假設(shè)結(jié)構(gòu)，通過(guò)互信息參量排序降低學(xué)習(xí)復(fù)雜度. 針對(duì)生產(chǎn)過(guò)程中隨機(jī)因素對(duì)診斷準(zhǔn)確性的影響問(wèn)題，結(jié)合Leaky Noisy-OR模型引入隨機(jī)參量節(jié)點(diǎn)，對(duì)數(shù)據(jù)需求和推理進(jìn)行降解優(yōu)化. 以溝道磨削表面形貌質(zhì)量問(wèn)題的診斷為例，給出模型構(gòu)建與推理程序，并驗(yàn)證了所構(gòu)建模型及優(yōu)化方法的可行性和有效性.關(guān)鍵詞:工序質(zhì)量問(wèn)題；貝葉斯網(wǎng)絡(luò)； 互信息；Leaky Noisy-OR模型；溝道磨削產(chǎn)品的質(zhì)量是關(guān)系到企業(yè)市場(chǎng)競(jìng)爭(zhēng)能力的重要指標(biāo). 隨著市場(chǎng)競(jìng)爭(zhēng)的日益加劇,生產(chǎn)模式向多品種

特征空間正則化互信息（M?FNMI）算法，使用輸入特征組合與類之間的互信息（MI）來(lái)代替單個(gè)特征與類之間的MI，從而提取出更準(zhǔn)確的特征詞；最后，利用支持向量機(jī)（SVM）算法來(lái)對(duì)特征進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，該方案具有較高的分類精度，能夠?yàn)榉缸锶∽C提供判斷依據(jù)。關(guān)鍵詞：數(shù)字取證；文本分類；維吾爾文；互信息；支持向量機(jī)0　引　言由于信息和存儲(chǔ)技術(shù)的飛速發(fā)展，公安信息系統(tǒng)中存儲(chǔ)了大量的案件信息。為了能夠更好地預(yù)防、打擊和控制犯罪，則需要應(yīng)用數(shù)字取證技術(shù)，對(duì)存儲(chǔ)數(shù)據(jù)

關(guān)聯(lián)性的‘部分互信息新方法”（Part mutual information for quantifying direct associations in networks）的最新研究成果。該成果首次提出“部分互信息”的新概念和理論，通過(guò)“部分互信息”量化網(wǎng)絡(luò)中節(jié)點(diǎn)之間的直接關(guān)聯(lián)性，可實(shí)現(xiàn)由觀測(cè)數(shù)據(jù)直接構(gòu)建網(wǎng)絡(luò)或變量間因果關(guān)系。相關(guān)論文2016年4月18日在線發(fā)表于Proceedings of the National Academy Of Science

性特征樣本熵和互信息腦網(wǎng)絡(luò)等特征。結(jié)果表明，雙耳差頻聲刺激的腦區(qū)激活存在個(gè)體差異性，對(duì)聲刺激敏感的受試者，差頻刺激下，腦電功率譜中的beta頻段在右顳區(qū)能量增強(qiáng)（T4，p ＜0.005），T3電極處三組人群（alpha＋theta）/ beta比值具有顯著差異性，敏感人群中刺激組樣本熵值比對(duì)照組高10.53%，且互信息集群系數(shù)最高（0.971），腦網(wǎng)絡(luò)信息交流增強(qiáng)，這說(shuō)明差頻聲刺激能改變大腦的生理狀態(tài)，在提高航天員的注意力和警覺(jué)度、對(duì)抗腦力疲勞方面具有應(yīng)用

L；COCA；互信息；對(duì)比分析現(xiàn)代語(yǔ)料庫(kù)語(yǔ)言學(xué)（modern corpus linguistics）是20世紀(jì)中后期興起的一門語(yǔ)言研究科學(xué)，是指專門對(duì)大規(guī)模儲(chǔ)存于計(jì)算機(jī)里的語(yǔ)料庫(kù)進(jìn)行研究的學(xué)問(wèn)［1］。本研究使用了三個(gè)語(yǔ)料庫(kù)，一是中國(guó)學(xué)生英語(yǔ)口筆語(yǔ)語(yǔ)料庫(kù)Spoken and Written English Corpus of Chinese Learners（以下簡(jiǎn)稱SWECCL）；二是美國(guó)當(dāng)代英語(yǔ)語(yǔ)料庫(kù)Corpus of Contemporary Amer

、文本預(yù)處理、互信息檢驗(yàn)、文本表示4個(gè)模塊提取了14個(gè)特征。然后，利用高互補(bǔ)性建立了基于KNN和Bayes算法的組合分類器模型。最后，利用交叉驗(yàn)證對(duì)iPhone 6 Plus的產(chǎn)品評(píng)論進(jìn)行檢驗(yàn)，得到評(píng)價(jià)指標(biāo)分別為：正確識(shí)別率75.3%、召回率82.1%以及F1值77.5%.關(guān)鍵詞 KNN算法；Bayes算法；組合分類器；互信息；交叉驗(yàn)證中圖分類號(hào) O213；TP18 文獻(xiàn)標(biāo)識(shí)碼 A1 引 言電子商務(wù)的異軍突起促使網(wǎng)購(gòu)走進(jìn)人們的日常生活，網(wǎng)購(gòu)的同時(shí)，多數(shù)網(wǎng)民

性弱，本文基于互信息提出一種新的圖像分割算法，分割時(shí)盡可能保留原圖像相鄰區(qū)域的互信息，實(shí)驗(yàn)結(jié)果表明該算法可以提高分割準(zhǔn)確度，更好地恢復(fù)圖像。關(guān)鍵詞：互信息；圖像分割；準(zhǔn)確度；多目標(biāo)中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）01-0201-02Research and Design of Image Segmentation Algorithm Based on Mutual InformationHU Heng-wu，

語(yǔ)；名詞短語(yǔ)；互信息；條件隨機(jī)場(chǎng)［摘要］基于哈薩克語(yǔ)文本語(yǔ)料特點(diǎn)，分析名詞短語(yǔ)構(gòu)成規(guī)則，結(jié)合互信息（MI）知識(shí)，建立了哈薩克語(yǔ)名詞短語(yǔ)特征模板，利用條件隨機(jī)場(chǎng)（CRF）模型實(shí)現(xiàn)哈薩克語(yǔ)名詞短語(yǔ)自動(dòng)獲取。實(shí)驗(yàn)表明，哈薩克語(yǔ)名詞短語(yǔ)獲取正確率達(dá)到95.2%，獲取性能高于基于規(guī)則、基于規(guī)則與互信息結(jié)合的抽取方法。隨著web2.0的迅速發(fā)展，互聯(lián)網(wǎng)成為民眾獲取信息的重要來(lái)源，同時(shí)也是人們傳播信息和表達(dá)觀點(diǎn)的重要渠道。民眾通過(guò)網(wǎng)絡(luò)平臺(tái)對(duì)國(guó)家政策或突發(fā)事件發(fā)表意見(jiàn)，及

采用小波變換與互信息算法及運(yùn)用人工采樣檢查點(diǎn)對(duì)Google圖像進(jìn)行配準(zhǔn)分析?？芍?，此算法適用于多數(shù)圖像，且對(duì)于特征較少、低空間分辨率的圖像，配準(zhǔn)效果更佳?！娟P(guān)鍵字】小波變換與互信息；人工采樣；Abstract：In this paper，Google image registration based on the wavelet transform and mutual information algorithm and manual sampling c

行優(yōu)化獲得最大互信息值，進(jìn)而獲得最佳空間匹配參數(shù)，最后通過(guò)三幀差分法檢測(cè)出目標(biāo)。該算法相對(duì)傳統(tǒng)算法，能夠抑制背景殘留噪聲，而且不需要對(duì)圖像進(jìn)行預(yù)處理、特征選取以及背景更新，降低了算法復(fù)雜度。通過(guò)與傳統(tǒng)蜂群算法的結(jié)果對(duì)比，證明了改進(jìn)算法的有效性和可靠性。關(guān)鍵詞：視頻檢測(cè)；蜂群算法；互信息中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：AAbstract：Here，a video object detection method based on an improved b

79）對(duì)頻率與互信息在漢語(yǔ)詞典編撰中的作用的實(shí)例考察余一驕1賈 凌2（1.2.華中師范大學(xué)語(yǔ)言學(xué)系，湖北武漢，430079）頻率與互信息是近年來(lái)漢語(yǔ)新詞自動(dòng)發(fā)現(xiàn)中最重要的特征，它們還被列入現(xiàn)代漢語(yǔ)詞典編撰選詞原則中。本文以《現(xiàn)代漢語(yǔ)詞典》（第6版）中全體包含“蛋”字的二字詞、三字詞為考察對(duì)象，分別在北京大學(xué)CCL語(yǔ)料庫(kù)、華中師范大學(xué)Cici語(yǔ)料庫(kù)中統(tǒng)計(jì)其頻次，計(jì)算互信息。對(duì)比被收錄詞和部分未被收錄詞的頻次和互信息卻發(fā)現(xiàn)：部分被收錄詞的頻次、互信息都比一些未

改進(jìn)SIFT與互信息的算法，尋找兩幅圖像中的相關(guān)點(diǎn)，從而實(shí)現(xiàn)兩幅圖像的匹配。為了改善SIFT算子的匹配效果，本文提出的改進(jìn)方法，成功地增加了正確匹配點(diǎn)數(shù)；同時(shí)使用局部互信息量作為判斷標(biāo)準(zhǔn)，可以在正確匹配點(diǎn)數(shù)即使占劣勢(shì)的情況下，依然能排除錯(cuò)誤的匹配點(diǎn)，擴(kuò)展了匹配算法的適用性。結(jié)果和實(shí)際測(cè)試表明，兩種算法結(jié)合能顯著改善匹配效果。關(guān)鍵詞：異源圖像匹配；改進(jìn)SIFT；互信息中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1673-5048（2014）05-

200072）互信息算法在車牌識(shí)別中的應(yīng)用研究謝宇1，周學(xué)禮1，2，胡岳1（1.常熟理工學(xué)院 物理與電子工程學(xué)院，江蘇 常熟 215500；2.上海大學(xué)通信與信息工程學(xué)院，上海 200072）將醫(yī)學(xué)圖像配準(zhǔn)中的互信息算法移植到車牌識(shí)別系統(tǒng)，首先基于顏色信息快速定位車牌并校準(zhǔn)分割出待識(shí)別的車牌字符，然后計(jì)算分割字符與字庫(kù)字符的互信息值，互信息值的大小反映了圖像之間的相似程度，最后通過(guò)比較互信息值的大小確定最終結(jié)果.實(shí)驗(yàn)證明，互信息算法相對(duì)其他車牌識(shí)別常規(guī)算法

術(shù)》課程中平均互信息的教學(xué)探討陳燕燕（華僑大學(xué) 廈門工學(xué)院，福建 廈門 361021）平均互信息是信息論與編碼技術(shù)中用來(lái)計(jì)算信道容量、信息率失真函數(shù)和信道剩余度的重要物理量。通過(guò)一道典型例題來(lái)講解求平均互信息的不同方法：根據(jù)平均互信息的定義求、根據(jù)損失熵求、根據(jù)噪聲熵求、根據(jù)信息熵的強(qiáng)可加性求，最后用MATLAB語(yǔ)言進(jìn)行編程驗(yàn)證，實(shí)驗(yàn)表明四種方法求出的結(jié)果是一致的。在課堂教學(xué)時(shí)，教師應(yīng)鼓勵(lì)學(xué)生靈活運(yùn)用各種方法，做到舉一反三。平均互信息；定義法；損失熵法；噪

特征選擇方法有互信息 （MI）、文檔頻率方法（DF）、信息增益 （IG）、期望交叉熵 （ECE）、χ2統(tǒng)計(jì) （CHI）、文本證據(jù)權(quán) （WET）等［1，2］。互信息是信息論和統(tǒng)計(jì)學(xué)中一種經(jīng)典的統(tǒng)計(jì)算法，常用來(lái)計(jì)算樣本和類別的相關(guān)性，互信息作特征選擇方法也廣泛地用在特征選擇中，但是其在理論上還有一定的不完善性，在實(shí)踐中，特征選擇時(shí)特征的提取效果也不是十分理想，尤其在中文文本分類中。本文針對(duì)互信息 （MI）特征選擇方法在特征提取時(shí)分類效果不理想的狀況，提出了一種

準(zhǔn)方法中，基于互信息(mutual information，簡(jiǎn)稱MI)的圖像配準(zhǔn)技術(shù)是人們熱點(diǎn)研究的一種方法。互信息表示一個(gè)系統(tǒng)所包含的另一個(gè)系統(tǒng)的信息量。配準(zhǔn)之后的結(jié)果，會(huì)使得一幅圖像所包含的另一幅圖像的信息量，也就是兩個(gè)被測(cè)目標(biāo)的互信息值最大。互信息的表達(dá)式也就是配準(zhǔn)中非常重要的相似性測(cè)度公式，隨著研究的深入，眾多學(xué)者將圖像之間互信息和圖像內(nèi)部像素之間空間信息結(jié)合一起考慮。本章將二階互信息和3*3鄰域方差相結(jié)合對(duì)醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)，效果較好。二 互信息的

基于互信息的圖像配準(zhǔn)是配準(zhǔn)的常用方法之一，但互信息的局部極值一直是難以解決的問(wèn)題[1-3]。針對(duì)這一問(wèn)題提出的解決方案大多集中在對(duì)插值方法的改進(jìn)上，彭景林等[4]提出利用均勻B樣條基函數(shù)拓展PV插值法來(lái)避免局部極值，劉哲星等[5]提出利用插值平均法來(lái)避免局部極值，馮林等[6]也提出通過(guò)確定隨機(jī)擾動(dòng)消除局部極值。然而以上方法均比較復(fù)雜，且計(jì)算量大。本文旨在對(duì)局部極值的產(chǎn)生原因進(jìn)行研究，以闡述灰度預(yù)分割避免局部極值的機(jī)制。1 配準(zhǔn)理論給定兩組圖像，浮動(dòng)圖F和參

的條件下，引入互信息這一概念，有助于克服以上地名識(shí)別困難。2.2 基于互信息的地名識(shí)別方法目前，國(guó)內(nèi)關(guān)于中文地名的研究主要有基于交換的地名識(shí)別方法，得到地名上下文的規(guī)律，對(duì)規(guī)律再進(jìn)行篩選。本文提出了一種基于互信息的中文地名識(shí)別方法，提出中文地名的上下文互信息概念，引入互信息對(duì)其進(jìn)行描述，并通過(guò)引入調(diào)整閥值進(jìn)行矯正，有效地提高了中文地名識(shí)別的效果，保證了較高的召回率，有助于中文自動(dòng)分詞系統(tǒng)中未登錄詞識(shí)別的提高。互信息一般反映的是字與字之間的靜態(tài)結(jié)合，因?yàn)樗?jì)

10632利用互信息法進(jìn)行多模醫(yī)學(xué)圖像配準(zhǔn)近來(lái)成為醫(yī)學(xué)圖像處理領(lǐng)域的熱點(diǎn)[1～4]。互信息法只依賴于圖像本身的信息，不需要對(duì)圖像進(jìn)行預(yù)處理，配準(zhǔn)精度可達(dá)到像素級(jí)。然而互信息量與配準(zhǔn)圖像間的重疊部分有相關(guān)性[5]，為了消除重疊區(qū)域的變化對(duì)互信息的影響，使目標(biāo)函數(shù)能更加準(zhǔn)確地反映互信息和配準(zhǔn)參數(shù)之間的關(guān)系，Studholme等[6]和Maes[7]等提出了歸一化互信和熵相關(guān)信息的正規(guī)化的互信息測(cè)度，歸一化互信息比互信息方法更具有魯棒性[8]。目前許多不同的算法