面向帕金森病语音诊断的非监督两步式卷积稀疏迁移学习算法

帕金森病(Parkinson's Disease,PD)语音诊断存在小样本问题,如果借助相关语音数据集进行迁移学习,容易加重训练集和测试集之间的分布差异,影响分类准确率.为了解决上述矛盾问题,本文提出了两步式稀疏迁移学习算法.该算法分为两大步:第一步算法为语音段特征同时优选的快速卷积稀疏编码算法,构造卷积稀疏编码算子用...     

基于稀疏核主成分分析的语音情感识别研究

为提升语音情感识别的能力,本研究提出一种基于稀疏核主成分分析(Sparse Kernel Principal Component Analysis,SKPCA)的方法。该方法结合核主成分分析以及稀疏表示的方法,能够同时满足特征降维和样本稀疏,起到降维和降噪的作用。本研究首先利用openSMILE工具包提取情感语音样本的声学特征及其统计特征用于情感识别,然后介绍SKPCA的算法原理及推导过程,最后使用多种分类器在柏林库做了大量的实验,实验结果表明,使用SKPCA方法可取得较好的识别结果。     

基于字典对齐的迁移稀疏编码图像分类

基于稀疏编码的图像分类算法,当源域和目标域间样本服从不同分布时,从源域样本中学习到的字典无法有效对目标域样本进行编码,进而严重影响算法的分类性能。为了解决此问题,提出一种基于字典对齐的迁移稀疏编码(TSC-DA)算法。一方面,通过将字典对齐机制引入稀疏编码模型训练过程中,以减少源域和目标域间样本分布差异;另一方面,采用L2正则化项代替字典约束项,将其转化为无约束优化问题,从而回避了拉格朗日对偶法复杂的求解方式。实验结果表明,TSC-DA能够有效提高目标域的图像分类精度。     

基于稀疏编码的卷积神经网络在语音识别中的应用

在语音识别研究中,为了消除特征之间的相关性,将稀疏表示引入到模式识别中;针对深度神经网络忽略了输入数据空间位置信息的缺点,将卷积神经网络引入到模式识别中,构建了基于稀疏表示的卷积神经网络。由于经过稀疏编码后的特征互不相关,可以更有效地表示样本数据,而卷积神经网络能有效利用空间信息。因此,基于稀疏表示的卷积神经网络能大幅提升系统识别性能。该研究通过对稀疏编码和卷积神经网络现状的研究,对两种方法进行了总结。     

样本扩充的稀疏表示单样本人脸识别

人脸识别中,表情、光照与遮挡变化引起的同类间的类内差异特征可在不同类间共享,为此,从已知样本数充足的样本库中可提取类内差异特征,从而达到扩充单样本训练库的目的。欠样本条件下扩展的稀疏表示人脸识别算法（Extended SRC,ESRC）利用类内图像相减,得到一个扩充的训练样本库,在一定程度上提高了单样本人脸识别率。但是,其扩充样本库的方法过于简单,样本库包含的特征信息有限。针对这点,本文引入联合稀疏模型（Jointly Sparse Model,JSM）提取类内差异特征,该模型将一连串相关联的信号表示成共同特征与差异特征之和,用该模型对样本数充足的人脸图像进行特征提取,把得到的类内差异特征与单样本一起作为稀疏表示识别算法的训练样本。基于AR人脸数据库的实验结果表明,该算法取得了较高的识别率,为单样本人脸识别问题提供了一个有效的解决途径。      

基于卷积融合字典的电路板红外图像去噪研究

由于红外图像存在噪声,电路板芯片定位困难,因此基于红外图像的机载电路板故障诊断方法在实际应用中诊断效果并不理想。针对此问题,本文在卷积稀疏编码和字典学习的基础上,提出了一种基于卷积融合字典学习的航电系统电路板红外图像去噪算法。首先,并行融合改进卷积稀疏编码结构和离散余弦变换字典形成复合初始化字典,以有效提取电路板红外图像特征;接着,建立稀疏特征矩阵,更新红外图像特征原子;最后,将稀疏特征系数带入算法对模型进行训练和测试,完成电路板红外图像的去噪重构。实验采用航电系统电源电路板进行可靠性分析,实验结果表明,与K SVD和卷积网络去噪方法相比,本文算法在图像视觉效果,输出PSNR和SSIM方面更具优势,具有更好的去噪效果。     

基于卷积稀疏自编码的图像超分辨率重建

针对卷积稀疏编码算法中特征映射的准确性的问题,为了进一步提高图像超分辨率重建的的质量,文中提出一种基于卷积稀疏自编码的图像超分辨率重建算法。该算法首先在预训练阶段利用稀疏自编码器对输入高低分辨率图像分别进行训练,得到对应的图像稀疏特征表示;然后再由卷积神经网络根据得到的稀疏系数共同训练相应的滤波器及特征映射函数并更新到最优解;最后由高分辨率滤波器和对应的稀疏表示系数卷积求和,得到高分辨率重建图像估计。实验结果显示,改进算法的峰值信噪比（PSNR）结果较卷积稀疏编码算法提高了近0.1 dB,有效提高了重建图像的质量。     

基于稀疏表示的密写编码

密写编码技术以占用较多的载体数据为代价来减少对载体数据的修改量,从而降低信息隐藏引起的失真.本文首先将密写编码方法的构造转化为一个数据的稀疏表示问题,然后提出密写编码构造算法.利用该构造算法可得到一系列密写编码方法,并进一步研究密写编码的组合形式,在不同占用率条件下获得了良好的编码性能,优于矩阵密写编码和游动密写编码.     

基于稀疏编码的视频序列超分辨率重构

把学习型算法用于稀疏编码的重建算法中来实现视频序列图像的超分辨率重构。该算法无需显式求取运动向量,能够克服传统方法对精确运动估计的要求,通过稀疏编码便能够自动利用邻近帧中最相关的那些样本块进行重构;另外,算法通过设置最大运动窗口,利用帧间运动的连续性特点,在相邻帧已经重建的基础上,提取其运动窗口内的高、低分辨率图像块来构建样本库,从而实现减小所需样本库的尺寸的目的。     

基于超图稀疏编码框架的图像特征提取方法

作为一种降维的方法,稀疏编码的有效性很高。编码字典具有超完备性,在编码中会丢失不同编码字典特征的衔接信息与相似度,因而使得稀疏编码自身的识别率有所下降。针对编码字典不同特征的距离与相似度,本文构建了新型的超图稀疏编码框架,在计算稀疏编码中,可以在此结构基础上运用相似度权重和超图理论,有效的改善了稀疏编码方法,使稀疏编码特有的鲁棒性得到增强。接着分别在Caltech和Scene数据库做实验,对该稀疏编码的有效性进行了验证。     

融合半监督降维与稀疏表示的人脸识别方法

由于人脸图像数据的维数都较高,将稀疏表示分类用于人脸识别时计算量很大,为了提高人脸识别系统的效率,提出了一种融合半监督降维和稀疏表示的人脸识别方法。首先利用半监督降维算法对图像进行降维处理,在较低的维数空间快速取得较高的识别率,然后利用稀疏表示分类进行人脸识别,取得比传统的最近邻分类器更高的识别率,最后在ORL人脸库上进行实验验证。结果表明,利用该融合算法可快速有效地提高人脸图像的识别效果。     

基于稀疏编码和背景差分的迁移学习行人检测算法

针对多变化场景中通用分类器复杂度高和手工标 记工作量大的问题,提出了一种新的迁移学习框架, 结合稀疏编码和背景差分进行行人检测。首先优化HOG+SVM通用检测器,融合BCLBP和HOG进 行特 征提取,训练linearSVM,并在目标场景序列上利用基于GMM的背景差分法获得帧目标样本的 运动区域 以丰富样本特征。其次利用尺寸等过滤器从目标样本中筛选出部分样本作为目标模板,然后 通过稀疏编码 计算源样本与目标样本和目标模板的相关性,根据稀疏系数与置信度值去计算源样本和目标 样本的权重。 在重训练过程中,基于稀疏编码对所有样本进行权重分配,排除源样本的异常点,从而解决 目标样本漂移, 得到特定场景的行人检测器。为验证算法的有效性,在INRIA、Caltech、TUD数据集上实验 ,本文训练的 特定场景行人检测器的检测率相对于其他传统方法实现了不同程度的提高。     

基于MDCGAN的裂缝样本扩充及识别研究

针对裂缝图像获取困难导致的样本少、传统数据扩充方法提升样本特征空间能力不足等问题,提出了一种基于改进深度卷积生成对抗网络(MDCGAN)的裂缝样本扩充方法。首先对数据集进行预处理,利用滑窗法进行数据降维和清洗;其次优化激活函数,提高生成特征的多样性,同时引入谱归一化进行权重标准化提升网络结构的稳定性,以生成高质量的裂缝数据集;最后,利用改进的Alexnet网络对扩充后的混合样本集进行特征提取并分类识别。结果表明,MDCGAN网络数据增强性能与传统扩充方法相比均有明显提高,适用于扩充裂缝图像。     

基于图正则化局部特征编码算法的图像分类方法

为了解决经典局部特征编码方法会产生相似局部特征之间编码系数不一致的问题,本文提出一种图正则化局部特征编码算法.该算法在对初始编码矢量所定义的能量化函数中引入正则化项,保证空间上相邻外观上相似的局部特征之间的编码矢量尽可能一致.MSRcv2、Caltech101、Scene 15以及Indoor 67四个公开数据集上的实验结果表明本文方法能够提高硬分配、软分配、稀疏编码、局部约束线性编码以及局部软分配五种经典编码方法的性能,并且基于本文编码算法的图像分类方法在上述四个公开数据集上的平均分类正确率分别达到了91.13%、76.02%、83.76%、44.78%.     

一种局部稀疏判别投影算法

提取有效特征是模式识别中的关键步骤。流形学 习算法能有效处理样本的非线性,而 稀疏表示表现出具有较好的鲁棒性。为了提取具有判别特性和鲁棒的特征,本文结合稀疏表 示和判别准则,提出了一种局部稀疏表示和判别分析的特征提取算法,即局部稀疏判别投影 算法,并应用于人脸识别。算法通过保持数据间的局部稀疏性和最大化不同类别数据间的 可分性,使得降维后的数据具有稀疏性和可分性,因此有利于后续的分类。在ORL和YALE两 个开放人脸数据库上进行了实验,实验结果表明,算法具有较高的识别性,验证了算法的正 确性和有效性。     

稀疏编码在静息态核磁共振图像中的应用

为了提取静息态的默认网络,降低核磁共振图像中的数据运算量,本文提出了数据降维和非线性变换的方法。首先,对核磁共振图像进行主成分分析,降低运算维度和数据复杂度。然后,对静息核磁数据进行稀疏编码学习,提取默认网络。实验结果表明,稀疏编码学习的效果优于传统的独立成分分析,且前者提取默认网络更加迅速,噪声更低。     

基于稀疏编码的语音增强方法研究

本文利用带噪语音经特征基函数矩阵转换后所具有的稀疏特性,用最大似然估计方法对转换后得到的稀疏分量进行非线性压缩去噪,然后再经过反变换和重构恢复出原始语音信号的估计.特征基函数矩阵反映了语音数据本身的统计特性,因此具有很好的合理性和可取性.仿真结果表明利用稀疏编码方法能极大程度地抑制背景噪声,与小波消噪法相比优势明显.     

基于局部约束编码的稀疏保持投影降维识别方法研究

稀疏表示技术的引入可有效解决降维处理对图参数的依赖,但这类降维方法不能同时兼顾稀疏重构和样本数据的邻近性问题。针对该问题,本文提出了一种基于局部约束编码的稀疏保持投影降维识别方法。通过稀疏表示分类模型构建了图边权矩阵,引入局部约束因子设计了降维投影模型,推导降维求解过程,分析了本文方法与SPP （ Sparse Preserving Projections ）和SLPP（ Soft Locality Preserving Projections ）方法之间的共性和区别,最后给出了识别算法流程。采用人脸图像数据集和高分辨SAR（ Synthetic Aperture Radar ）图像数据集对算法的有效性进行仿真验证,由于考虑了数据间的邻近性,本文方法较传统方法可获得更好的识别性能。     

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器（Sparse Auto-Encoder,SAE）实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络（CNN）算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。     

原子稀疏结合块结构稀疏的联合表示图像识别算法

针对结构稀疏表示识别算法中稀疏准则的选择以及字典内块的划分两个重要问题,提出两种改进的结构稀疏表示识别算法。首先,针对结构稀疏准则会出现较多系数不为零的情况,提出将结构稀疏准则与原子稀疏准则相结合的思路,包括并行和串行两种结合方式。并行结合是将两者以加权求和的方式同时作为稀疏表示的判别准则进行分类,串行结合则是在结构稀疏表示后,通过重组字典,再对测试样本进行原子稀疏表示实现分类。然后,针对字典中类内样本的块划分问题,提出基于MLP的结构稀疏表示识别算法,先将类内样本经过MLP的划分,保证各个分块分别位于低维的线性子空间中,再进行结构稀疏表示的分类。实验结果证明两种改进的结构稀疏表示识别算法的有效性。