基于支持向量机的在线建模方法及应用

针对常规v支持向量回归用于在线建模时存在的问题，提出了一种支持向量回归在线建模方法．利用贝叶斯证据框架优化模型参数，通过判断新增观测值是否满足原来的KKT条件，并对历史数据给予不同程度的加权以充分利用最新的数据信息，使模型随着时间的推移在线更新．工业PTA氧化过程中4-CBA含量预测的实例表明，该方法能很好地跟踪4-CBA含量的变化趋势，是一种有效的在线建模方法．     

自适应观测权重的目标跟踪算法

针对视觉跟踪在复杂场景中跟踪精度较低和鲁棒性较差的问题,在贝叶斯框架下提出了一种自适应观测权重的目标跟踪算法。通过视觉跟踪中的线性表示模型构建出一种加权观测模型;提出一种基于迭代加权的模型优化算法,利用在线更新的自适应权重矩阵消除观测离群值对跟踪有效性的影响;最后,采用有效的似然评估函数实现对目标准确、鲁棒的跟踪。实验结果表明,该算法在跟踪精度和鲁棒性方面都优于现有的一些跟踪算法。     

基于粒子滤波多视角变尺度视频人脸的实时跟踪

提出了一种新的可在复杂环境下,人脸方向、姿态、尺度都有很大变化时,仍能够稳健跟踪的视频跟踪人脸的算法框架。该算法框架很好地结合了人脸检测器和粒子滤波的优点,利用人脸基本模型和特定模型,建立多视角人脸跟踪器,并使用实时跟踪结果,不断对多视角人脸模型进行在线学习,很好地克服了在传统视频跟踪过程中,由于人脸的旋转、尺度变化所造成的漂移甚至失败。实验结果表明,该算法对人脸的旋转、尺度变化、环境影响不敏感,具有很强的鲁棒性和精确性。     

一种离-在线混合数据驱动控制方法及其在直流电动机中的应用

针对离线和在线数据驱动控制方法各自存在的不足,提出一种离-在线混合数据驱动控制方法。首先给出一种基于最小二乘支持向量机和虚拟目标值反馈整定的离线数据驱动控制方法;其次在二自由度控制系统框架下,结合无模型自适应控制,给出一种离-在线混合数据驱动控制方法的结构和设计步骤。该方法跳过被控对象建模过程,大大降低了控制器设计成本,且可避免引入模型误差。将该方法应用于直流电动机离-在线数据驱动控制中,并进行了仿真实验,结果表明,离-在线混合数据驱动控制方法可以有效地实现目标信号跟踪和电动机系统的不确定(外部扰动)抑制。     

基于Co-Training的协同目标跟踪

运动目标跟踪是计算机视觉的核心问题之一,广泛应用于诸多领域。该文提出一种基于Co—Training半监督学习框架的目标跟踪方法。该方法融合2种互相独立的特征信息来描述目标模型,采用Co—Training来协同更新模型,有效避免了现有方法的误差累积问胚。实验结果证明,该方法在复杂场景下仍能实现稳定有效的跟踪。     

在线核选择的对抗式多臂赌博机模型

在线核选择是在线核方法的重要工作,可分为过滤式、包裹式和嵌入式3种类型。已有在线核选择探索了包裹式方法和嵌入式方法,也经验地采用了过滤式方法,但迄今尚没有一个统一的框架来比较、分析并研究各种在线核选择问题。文中 提出一种在线核选择的多臂赌博机模型,该模型可作为一个统一框架,同时给出在线核选择的包裹式方法和嵌入式方法。给定候选核集合,候选集中的一个核对应多臂赌博机模型中的一个臂,在线核选择的每回合依据一个概率分布重复地随机选择多个核,并应用指数加权的方法来更新该概率分布。这样,在线核选择问题本质上可归约为一个非遗忘对手环境下的对抗式多臂赌博机问题,并可应用对抗式多臂赌博机模型统一地给出在线核选择的包裹式方法和嵌入式方法。文中进一步提出一个新的在线核选择后悔的概念,理论证明包裹式方法具有关于回合数亚线性的弱期望后悔界,并且嵌入式方法具有关于回合数亚线性的期望后悔界。最后,在标准数据集上通过实验验证了所提统一框架的可行性。     

复杂环境下多无人机协作式地面移动目标跟踪

针对多无人机(UAV)协同地面移动目标跟踪问题展开研究.提出一种基于主动感知的问题求解框架,建立多UAV协同目标跟踪问题模型;在此基础上,采用分布式无色信息滤波实现目标状态融合估计与预测;然后,基于预测目标状态,结合滚动时域控制与遗传算法设计一种多UAV在线协同航迹规划算法.仿真结果表明:结合预测目标状态在线优化UAV...     

异类传感器融合跟踪系统配准偏差的在线补偿

针对多传感器融合跟踪系统的时变配准偏差补偿问题,提出了一种配准偏差的在线估计和补偿算法.该算法首先依据多传感器提供的测量和跟踪信息,建立配准偏差的动态模型,然后利用极小化似然函数结合卡尔曼滤波方法在线估计系统偏差,利用估计的配准偏差,补偿和修正跟踪器的测量信息,实现多传感器的融合跟踪.最后针对异类传感器(雷达、红外)组成的多传感器跟踪系统,给出了应用该方法的仿真结果.     

一种障碍物模型检测算法

针对观测场景结构复杂、建模困难的问题,提出了一种基于运动目标跟踪的场景障碍物模型检测方法.结合对目标的检测与跟踪过程,利用空间投影关系确定场景中障碍物的位置,并将其映射到场景模型上,即可得到场景观测模型.该方法只需要对目标运动进行简单地跟踪和统计,不需要进行三维结构恢复以及图像拼接处理,能够有效解决场景的在线自适应建模问题.     

一种基于监控视频的有效的行人自动跟踪方法

行人跟踪是智能视频监控领域一个重要的研究内容,受到广泛关注。在实际应用中,对视频中行人跟踪处理的实时性和准确性都有很高要求,因此,如何在场景复杂多变的视频图像中完成对多行人自动、快速而准确的跟踪,是行人跟踪方法的研究热点。提出了一种有效的行人自动跟踪方法,该方法通过Ada Boost+Haar的检测框架以及SURF特征点匹配,改进原始的在线Boosting跟踪算法,解决了跟踪过程中由于目标尺度变化造成的跟踪误差问题并实现了对视频图像中多行人自动检测跟踪。使用校园内实际监控视频进行实验,实验结果证明该方法有较好的跟踪效果。     

一种快速的自适应目标跟踪方法

由于光照变化、视角差异、相机抖动和部分遮挡等因素的影响,鲁棒的目标跟踪仍然是计算机视觉领域极具挑战性的研究课题.受协同训练和粒子滤波算法的启发,提出一种快速的自适应目标跟踪方法.该方法采用HOG(histogram of oriented gradients)和LBP(local binary pattern)描述目标特征并建立分类器,通过协同训练实现分类器的在线更新,有效解决了误差累积问题.为缩小目标搜索的状态空间,利用ICONDENSATION的运动模型和重要采样提高粒子采样的准确性和效率,并引入校正因子抑制虚假目标的干扰,从而提升了跟踪算法的鲁棒性和分类器更新的准确性.在两组标准测试集和两组自建测试集上的对比实验结果验证了所提出跟踪算法的有效性.与基于全局搜索的跟踪方法相比,该算法在不降低跟踪性能的前提下将处理速度提高25倍以上.     

An extended KCF tracking algorithm based on TLD structure in low frame rate videos

The KCF (Kernelized Correlation Filter) algorithm achieved a good performance on target tracking challenges. However, it still has some defects and problems of false tracking in low frame rate (LFR) scenarios, target scale variation, occlusion and out of view target, that exists in the correlation filter based methods. In this paper, we overcome the shortcomings of KCF tracking algorithm based on Tracking-Learning-Detection (TLD) framework. The proposed algorithm trained two classifiers simultaneously, based on semi supervised co-training learning algorithm. Then, we comparatively evaluate the proposed method on TB-100 datasets by other trackers. The experimental results demonstrate that the precision and robustness of the improved tracking algorithm is higher than traditional KCF, TLD and the other top state-of-the-art tracking algorithms in LFR videos.

     

基于Tri-training半监督学习的中文组织机构名识别*

针对中文组织机构名识别中的标注语料匮乏问题,提出了一种基于协同训练机制的组织机构名识别方法。该算法利用Tri-training学习方式将基于条件随机场的分类器、基于支持向量机的分类器和基于记忆学习方法的分类器组合成一个分类体系,并依据最优效用选择策略进行新加入样本的选择。在大规模真实语料上与co-training方法进行了比较实验,实验结果表明,此方法能有效利用大量未标注语料提高算法的泛化能力。     

智能假肢感知和约束变增益迭代学习控制

针对膝关节输入力矩为受限的阻尼力矩,步态跟随控制缺乏在线调节问题,提出用离线和在线集成的变增益一阶D型闭环迭代学习方法进行步态跟随控制。建立系统动力学模型,给出基于有限状态机的步态感知和人腿摆动相步速间接感知方法,减小跟随滞后。设计在线变步长指数增益调节算子,并针对输入力矩受限,设计离线的带惩罚因子的指数增益调节算子。利用谱半径约束条件,分析算法的收敛性。在真人比例虚拟样机模型上进行控制仿真实验,给出了固定增益和变增益调节下轨迹跟踪曲线。结果证明,提出的增益调节算子可保证输入在有效范围内,并可提高跟踪速度。     

Stream-based semi-supervised learning for recommender systems

To alleviate the problem of data sparsity inherent to recommender systems, we propose a semi-supervised framework for stream-based recommendations. Our framework uses abundant unlabelled information to improve the quality of recommendations. We extend a state-of-the-art matrix factorization algorithm by the ability to add new dimensions to the matrix at runtime and implement two approaches to semi-supervised learning: co-training and self-learning. We introduce a new evaluation protocol including statistical testing and parameter optimization. We then evaluate our framework on five real-world datasets in a stream setting. On all of the datasets our method achieves statistically significant improvements in the quality of recommendations.     

中文口语理解弱监督训练方法

标注数据的获取一直是有监督方法需要面临的一个难题,针对中文口语理解任务中的意图识别研究了结合主动学习和自训练、协同训练两种弱监督训练方法,提出在级联框架下,从关键语义概念识别中获取语义类特征子集和句子本身的字特征子集分别作为两个"视角"的特征进行协同训练。通过在中文口语语料上进行的实验表明:结合主动学习和自训练的方法与被动学习、主动学习相比较,可以最大限度地降低人工标注量;而协同训练在很少的初始标注数据的前提下,利用两个特征子集进行协同训练,最终使得单一字特征子集上的分类错误率平均下降了0.52%。     

Robust visual tracking via online semi-supervised co-boosting

This paper proposes a novel visual tracking algorithm via online semi-supervised co-boosting, which investigates the benefits of co-boosting (i.e., the integration of co-training and boosting) and semi-supervised learning in the online tracking process. Existing discriminative tracking algorithms often use the classification results to update the classifier itself. However, the classification errors are easily accumulated during the self-training process. In this paper, we employ an effective online semi-supervised co-boosting framework to update the weak classifiers built on two different feature views. In this framework, the pseudo-label and importance of an unlabeled sample are estimated based on the additive logistic regression for an integration of a prior model and an online classifier learned on one feature view, and then used to update the weak classifiers built on the other feature view. The proposed algorithm has a good ability to recover from drifting by incorporating prior knowledge of the object while being adaptive to appearance changes by effectively combining the complementary strengths of different feature views. Experimental results on a series of challenging video sequences demonstrate the superior performance of our algorithm compared to state-of-the-art tracking algorithms.     

基于强化学习神经网络的车速跟踪控制

提出一种用于汽车排放试验中驾驶机器人对车速跟踪控制的新方法.该控制方法基于神经网络并结合强化学习的自适应能力,通过神经网络的在线学习对车速进行跟踪控制.利用试验汽车所获得的数据,首先开发出用于车速控制的神经网络模型.然后基于强化学习神经网络结构设计神经网络控制器以取得车速跟踪的自适应控制.在仿真研究中,使用神经网络车速控制模型替代实际汽车来训练初始控制器,并用开发与训练好的自学习神经网络控制器用于汽车车速跟踪控制.结果表明,所开发的神经网络控制器具有良好的车速跟踪性能,控制效果明显.     

基于多视图半监督集成学习的人体动作识别算法

移动设备上难以获取大量标签样本，而训练不足导致分类模型在人体动作识别上表现欠佳。针对这一问题，提出一种基于多视图半监督集成学习的人体动作识别算法。首先，利用两种内置传感器收集的数据构建两个特征视图，将两个视图和两种基分类器进行组合构建协同学习框架；然后，根据多分类任务重新定义置信度，结合主动学习思想在迭代过程中控制预测伪标签结果；使用LightGBM对扩充后的训练集进行学习。实验结果表明，算法的精确率、召回率和F1值较高，能稳定、准确地识别多种人体动作。     

一种基于旋转森林的集成协同训练算法

集成协同训练算法（ensemble co-training）是将集成学习（ensemble learning）和协同训练算法（co-training）相结合的半监督学习方法,旋转森林（rotation forest）是利用特征提取来构造基分类器差异性的集成学习方法,在对现有的集成协同训练算法研究基础上,提出了基于旋转森林的协同训练算法——ROFCO,该方法重在利用未标记数据提高基分类器之间的差异性和特征提取效果,使基分类器的泛化误差保持不变或下降的同时,能保持甚至提高基分类器之间的差异性,提高集成效果。实验结果表明该方法能取得较好效果。