Tsallis熵

摘要： 随着高速铁路建设与运营新趋势的出现,实现列车前方轨道异物的智能检测发展为必然趋势。基于机器视觉、图像处理等各项融合技术的异物检测手段应用逐渐推广,在基于图像处理方法的轨道异物检测中,进行分割后的图像是轨道异物检测和识别的关键。为验证分割算法的有效性,首先从图像分割的角度简述多种方法在轨道异物检测中的优化及应用,其次将一维、二维Tsallis熵算法应用于轨道异物图像分割处理,最后在区域间对比度的定量分析下,可验证算法在鲁棒性、实时性方面能够取得较好的分割效果。

摘要： Tsallis熵图像阈值分割具有算法简单、应用范围广泛等优点.Tsallis熵算法随着维数的增加使得算法复杂度增大、实时性下降.为了保证算法的分割效果并提高效率,提出基于图像复杂度的Tsallis熵阈值分割算法.通过计算图像复杂度缩小灰度值的遍历范围,并将二维Tsallis熵进行降维处理,引入类内离散测度函数设置新的目标函数,通过对标准测试图像进行验证,以区域间对比度GC作为评价函数,在与一维、二维Tsallis熵算法进行主观与客观效果对比后,发现该算法实时性与分割效果较好.

摘要： 复杂网络中节点重要性的评估是网络特性研究中的一项重要课题,相关研究具有广泛的应用.目前提出了许多方法来评估网络中节点的重要性,然而大多数方法都存在评估角度片面或者时间复杂度过高的不足.为了突破现有方法的局限性,本文提出了一种基于Tsallis熵的复杂网络节点重要性评估方法.该方法兼顾节点的局部和全局拓扑信息,综合考察节点的结构洞特征和K壳中心性,并充分考虑节点及其邻域节点的影响.为了验证该方法的有效性,本文采用单调性指标、SIR模型和Kendall相关系数作为评价标准,在8个来自不同领域的真实网络上与其他方法进行比较.实验结果表明,此方法能更有效和准确地评估网络节点的重要性,可以显著区分不同节点的重要性.此外,该方法的时间复杂度仅为O(n2),适用于大型复杂网络.

摘要： 针对现有图像分割算法中计算复杂度大的问题,提出一种基于自适应布谷鸟(adaptive cuckoo search,ACS)算法的Tsallis熵阈值图像分割方法,能够改善学习过程和收敛速度,减少分割时间.该方法使用Tsallis熵作为ACS的适应度函数值,实现无参数搜索过程,在搜索空间中使用当前位置的知识来自适应步长,最后使用ACS最大化Tsallis熵来获得最优阈值,得到分割图像.实验结果表明,该文方法能够有效实现图像分割,且分割时间低于粒子群优化算法、布谷鸟搜索算法和改进布谷鸟搜索算法,结构相似性(Structural Similarity,SSIM)和收敛成功率高于其他算法.

摘要： 为提高医学图像分割的效果,针对二维Tsallis熵阈值法图像分割效果受参数q选择的影响,提出一种基于云模型萤火虫算法优化二维Tsallis熵的医学图像分割算法.首先,将云模型引入萤火虫算法,提高萤火虫算法的收敛速度和寻优能力;其次,选择均匀性测度作为医学图像分割的评价指标,运用CMFA算法对二维Tsallis熵阈值法参数q进行自适应寻优.研究结果表明,与FA-Tsallis和Tsallis相比较,CMFA-Tsallis的均匀性测度最高,分割出来的结果边界清晰,从而证明本算法的有效性.

摘要： 设Hm是维数为m的复希尔伯特空间,S(Hm(☉)Hn)为复双体希尔伯特空间Hm(☉)Hn上的量子态的全体,Ssep(Hm(☉)Hn)为其中可分量子态构成的凸集.映射Φ:S(Hm(☉)Hn)→S(Hm(☉)Hn)是满射,且Φ(Ssep(Hm(☉)Hn))=Ssep(Hm(☉)Hn).若对于某个r∈R+＼{1},满射Φ保持量子态凸组合的Tsallis熵Sr(tρ+(1-t)a) =Sr(tΦ(ρ)+(1-t)Φ(σ))对于任意的ρ、σ∈S(Hm(☉)Hn)和任意的t∈[0,1]成立;那么在Hm、Hn上分别存在酉算子Um、Vn,使得Φ(ρ)=(Um(☉)Vn)ρ(Um(☉)Vn)*对于任意的ρ∈Ssep (Hm(☉)Hn)成立.

摘要： 本文分别介绍了冯诺依曼熵、线性熵、Rényi熵和Tsallis熵等几种量子熵,以及它们在相空间中基于Wigner函数的几种不同的定义.通过理论推导和具体的数值计算,证明了文献中利用Wigner函数的绝对值来定义相空间量子熵是不合适的,而本文给出的利用Wigner函数的Moyal星乘积定义的量子熵与通常利用密度矩阵定义的量子熵结果是相一致的.

摘要： 针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型；然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳；同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。

摘要： 针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型；然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳；同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。

摘要： 针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型；然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳；同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。

摘要： 针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型；然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳；同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。

摘要： 针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型；然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳；同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。

摘要： 针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型；然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳；同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。

摘要： 本发明公开一种基于可调节分段Tsallis熵的网络流量异常检测方法，主要提供一种可适应大规模网络的异常检测需求的基于可调节分段熵的网络流量异常检测方法。本发明所述的检测方法包括如下具体步骤：选取原样本空间；基于可调节分段熵的实现方法，得到高概率样本空间的高概率熵值和低概率样本空间低概率熵值；分别判断高概率熵值和低概率熵值的是否异常，若高概率熵值小于高概率熵阈值，则高概率熵值异常，否则，高概率熵值正常；若低概率熵值大于低概率熵阈值，则低概率熵值异常，否则，低概率熵值正常；确定异常熵值对应的样本空间即为网络流量异常样本空间，即判定此时发生了网络流量异常。

摘要： 一种基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法，该方法针对传统灰度级-平均灰度级直方图存在着近似假设和计算需要搜索整个解空间而导致分割不准确和效率不高问题，提出改进的二维对称Tsallis交叉熵阈值分割及其快速递推方法，该阈值分割法普适性较强、分割精确；为了实现灰度图像准确的分割，本发明采取新的灰度-梯度二维直方图，并结合分割效果优越的二维对称Tsallis交叉熵理论，有效地提高了灰度图像分割的精度；同时为了满足工业流水线在线实时性，本发明采用了新型快速递推算法，减少冗余计算；利用本发明对工业流水线灰度图像进行处理后，图像区域内部均匀、轮廓边界准确、纹理细节清晰，同时具有很好的普适性。

摘要： 本发明公开一种基于Tsallis熵最小化的逆合成孔径雷达ISAR全局包络对齐方法，其实现步骤是：(1)对解线频调后回波信号进行距离向脉压；(2)利用平均距离像Tsallis熵最小估计出各次回波的包络偏移量；(3)根据计算得的包络偏移量对各次回波进行对齐；(4)计算包络对齐后平均距离像的Tsallis熵；(5)重复执行步骤(2)、步骤(3)和步骤(4)，直到平均距离像的Tsallis熵不再减小，完成了ISAR全局包络对齐。本发明可用于运动目标回波包络高效精确地对齐，在确保较好的对齐效果的同时提高了逆合成孔径雷达ISAR全局包络对齐的精度和效率。

摘要： 本申请公开了一种基于Tsallis熵的地铁接触轨系统状态评估方法，包括：实时采集地铁接触轨不同状态下的检测数据；采用经验模态分解算法对检测数据进行分解，得到不同频率的本征模态函数分量及残差；采用赤池信息准则的自回归谱分析各本征模态函数分量的峰值频率，并对不在接触轨结构波长范围内的本征模态函数分量进行叠加重组，以提取出检测数据的非接触轨结构波长成分；将提取到的非接触轨结构波长成分数据进行小波包分解，并求取对应的Tsallis熵值，作为接触轨的状态特征；根据Tsallis熵值的变化评估接触轨系统的状态。其可以解决决传统接触轨状态评价采用二元评价体系无法反映接触轨状态变化规律和发展趋势，状态评估的灵敏度和准确性较低的问题。

摘要： 本发明公开了一种基于Tsallis熵的车载CAN总线信息安全检测方法、系统及设备，包括标定步骤，采集多种工况下的车载CAN总线网络中的报文作为标定基础数据，对报文数据进行预处理，根据采集的数据判断车辆运行工况；对预处理后的数据计算评估单算子、检测基准熵和判断检测阈值，最后形成车载CAN总线信息检测样本库；检测步骤，将采集到的待测CAN总线报文进行数据预处理，判断车辆行驶工况，然后进行Tsallis熵值计算后与标定阶段建立的检测样本库进行比对分析，检测是否有异常出现。本发明可以实现不同运行工况下车载CAN总线的信息进行安全异常检测。

摘要： 本发明属于图像处理与分析技术领域，公开了一种基于二维Tsallis灰度熵快速迭代的阈值分割方法，利用了图像中类内灰度信息并结合图像目标和背景的邻域灰度信息，给出了基于灰度‑邻域平均灰度级二维直方图的Tsallis灰度熵阈值选取公式；随后，采取快速迭代算法改进最佳阈值搜索过程，有效提高了最佳阈值的计算效率，同时采用递推方式建立查找表，大大减少了迭代过程中有关函数的重复计算，使算法迭代一次的速度更快。因此，本专利提出的方法能更为精细地分割出目标，分割后的边界轮廓更为完整，细节纹理特征更加清晰，且运行速度快，耗时最短，具有更为优越的图像分割性能，也必将具有广阔的应用前景。

摘要： 本发明公开了一种Otsu和Tsallis熵的二次图像分割方法，具体按照如下方式实施：步骤1，对输入原图像I进行对比度扩展变换预处理，处理后的图像灰度动态范围是[0,255]；步骤2，采用Otsu算法求出原图像的阈值K，并根据阈值K对图像进行初次分割，得到分割图像I1；步骤3，创建分割图像I1的二维直方图，计算分割图像I1的Tsallis熵；步骤4，求得使二维Tsallis熵最大的(u',v')为最佳阈值，用该阈值对分割图像I1进行二次分割，得到最终的再分割图像I2。本发明解决了Otsu未考虑目标和背景像素分布情况而出现的错分割问题，提高了分割的准确度。

摘要： 本发明一种基于Tsallis熵选择的疑似肺结节检测方法，对分割后的候选结节通过Tsallis熵值的计算筛选出疑似结节，进而构造多尺度的特征提取掩膜。进而特征提取，并将提取的特征投入到分类器中去，最后得到结果。本发明引入Tsallis熵，通过比较候选结节的Tsallis熵值与给定的经验阈值T，提出一种新的筛选候选结节的方法，可以更好的降低整个系统的结节检测假阳性率，新方法可以更加方便快速地辅助医生对肺结节的诊断。

摘要： 本发明涉及图像处理技术领域，尤其涉及一种最小交叉Tsallis熵的小目标MRI图像分割方法。它主要是增加了一个非线性图像优化模型，将奇偶图像阵列经过非线性图像优化模型优化，采用这种方法得到的分割图像准确度较高。

摘要： 本发明公开一种基于双参数Tsallis熵对的网络流量异常检测方法，所述方法：由于Tsallis熵: