2011年武汉理工大学数学建模竞赛训练题目

2011年武汉理工大学数学建模竞赛训练题目第二题：放射性气体扩散的预测2011年3月11日,日本近海发生9.0级地震并引发了大海啸，沿海的核电站受到破坏，开始释放出大量具有放射性的物质。4月12日，日本将福岛第一核电站的核泄漏等级由原来的5级提高到与切尔诺贝利核电站同样的等级7级，属于最高级。日本核污染扩散问题引起了国际社会的广泛关注。设有一座核电站遇自然灾害发生泄漏，浓度为0p的放射性气体以匀速排出，速度为mkg/s，在无风的情况下，匀速在大气中向四周扩散,速度为sm/s。1）请你建立一个描述核电站周边不同距离地区、不同时段放射性物质浓度的预测模型。2）当风速为km/s时，给出核电站周边放射性物质浓度的变化情况。3）当风速为km/s时，分别给出上风和下风L公里处，放射性物质浓度的预测模型。4）将你建立的模型应用于福岛核电站的泄漏，计算出福岛核电站的泄漏对日本本土、我国东海岸、及美国西海岸的影响。计算所用数据可以在网上搜索或根据具体情况自己模拟。高斯模型高斯混合模型(gaussianmixturemodel)转贴(2011-01-0813:15:14)转载标签：杂谈分类：工作窝高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相比比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。对于复杂的图像，尤其是医学图像，一般是多峰的。通过将直方图的。通过将直方图的多峰特性看作是多个高斯分布的叠加，可以解决图像的分割问题。在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要。而建模正是背景目标提取的一个重要环节。我们首先要提起背景和前景的概念，前景是指在假设背景为静止的情况下，任何有意义的运动物体即为前景。建模的基本思想是从当前帧中提取前景，其目的是使背景更接近当前视频帧的背景。即利用当前帧和视频序列中的当前背景帧进行加权平均来更新背景,但是由于光照突变以及其他外界环境的影响，一般的建模后的背景并非十分干净清晰，而高斯混合模型是是建模最为成功的方法之一。混合高斯模型使用K（基本为3到5个）个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。通观整个高斯模型，主要是有方差和均值两个参数决定，对均值和方差的学习，采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。到这里为止，混合高斯模型的建模基本完成，我在归纳一下其中的流程，首先初始化预先定义的几个高斯模型，对高斯模型中的参数进行初始化，并求出之后将要用到的参数。其次，对于每一帧中的每一个像素进行处理，看其是否匹配某个模型，若匹配，则将其归入该模型中，并对该模型根据新的像素值进行更新，若不匹配，则以该像素建立一个高斯模型，初始化参数，代理原有模型中最不可能的模型。最后选择前面几个最有可能的模型作为背景模型，为背景目标提取做铺垫。