膜性肾病诊断的高光谱图像张量嵌入分析

目的 高光谱成像技术因其能够获取目标的详细空间和光谱信息,在医学领域引起了广泛关注。然而,对于识别任务来说,高光谱图像的高维特征通常会导致分类器性能不佳。因此,降维在高光谱图像分析过程中至关重要。为了在低维空间中保留医学高光谱图像的多流形结构信息并增强特征判别能力,本文提出了一种基于张量表示的拉普拉斯稀疏低秩图嵌入方法（tensor-based Laplacian regularized sparse and low-rank graph,T-LapSLRG）,用于医学高光谱图像的判别分析。方法 在T-LapSLRG中,基于有标签的张量样本,通过引入稀疏、低秩约束及流形正则项以构造监督张量图。张量表示用于捕获空间结构信息,稀疏和低秩约束用于保留局部和全局结构信息,流形正则项用于利用固有的几何信息并增强特征判别能力。通过引入张量图嵌入技术获取数据的低维特征并输入分类器以实现数据的分类及识别。结果 实验数据采用膜性肾病数据集,通过降维方法获取数据的低维特征,使用支持向量机（support vector machine,SVM）分类器对获取的低维特征进行分类。将T-LapSLRG获得的实验结果与相关的降维方法获得的实验结果进行性能比较,以证明T-LapSLRG算法的有效性。采用4个性能指标,即各个类别的准确性、总体准确性（overall accuracy,OA）、平均准确性（average accuracy,AA）和Kappa系数衡量分类性能。T-LapSLRG在膜性肾病数据集下的OA为97.14%,AA为97.05%,Kappa为0.942,各项性能指标均优于对比方法。其中,OA高出1.40%~34.75%,AA高出1.46%~36.89%,Kappa高出0.031~0.73。此外,通过T-LapSLRG算法获得的各个患者的分类准确率均达到90%以上。结论 T-LapSLRG算法在膜性肾病诊断中具有潜在临床价值。     

基于低秩稀疏评分的非监督特征选择

在处理高维数据过程中,特征选择是一个非常重要的数据降维步骤。低秩表示模型具有揭示数据全局结构信息的能力和一定的鉴别能力。稀疏表示模型能够利用较少的连接关系揭示数据的本质结构信息。在低秩表示模型的基础上引入稀疏约束项,构建一种低秩稀疏表示模型学习数据间的低秩稀疏相似度矩阵;基于该矩阵提出一种低秩稀疏评分机制用于非监督特征选择。在不同数据库上将选择后的特征进行聚类和分类实验,同传统特征选择算法进行比较。实验结果表明了低秩特征选择算法的有效性。     

基于堆稀疏自编码的二叉树集成入侵检测方法

为了解决大规模入侵数据的分类问题,提出了堆稀疏自编码的lightGBM（light gridient boosting model）二叉树算法。首先将类别标签分为五类,构造成二叉树结构;然后通过上采样方法解决数据分布的不平衡问题,以上处理可以将大规模的数据分解开来以便之后分开训练;再采用稀疏自编码器网络进行特征降维,采用该种降维方法可以保证在原始数据中抽取出更深层特征的基础上节省降维时间;最后通过lightGBM集成算法进行分类,而采用lightGBM模型相比其他模型可以在保证分类性能的情况下节省训练时间。实验利用NSL-KDD数据集测量了所提方法的准确率、精确率、召回率,并且综合评价指标◢F▼◣▽1在五类分类上平均分别达到了87.42%、98.20%、91.31%,优于对比算法,且明显节省了运算时间。     

联合判别性低秩类字典与稀疏误差字典学习的人脸识别

目的 由于受到光照变化、表情变化以及遮挡的影响,使得采集的不同人的人脸图像具有相似性,从而给人脸识别带来巨大的挑战,如果每一类人有足够多的训练样本,利用基于稀疏表示的分类算法（SRC）就能够取得很好地识别效果。然而,实际应用中往往无法得到尺寸大以及足够多的人脸图像作为训练样本。为了解决上述问题,根据基于稀疏表示理论,提出了一种基于联合判别性低秩类字典以及稀疏误差字典的人脸识别算法。每一类的低秩字典捕捉这类的判别性特征,稀疏误差字典反映了类变化,比如光照、表情变化。方法 首先利用低秩分解理论得到初始化的低秩字典以及稀疏字典,然后结合低秩分解和结构不相干的理论,训练出判别性低秩类字典和稀疏误差字典,并把它们联合起来作为测试时所用的字典;本文的方法去除了训练样本的噪声,并在此基础上增加了低秩字典之间的不相关性,能够提高的低秩字典的判别性。再运用l₁范数法（同伦法）求得稀疏系数,并根据重构误差进行分类。结果 针对Extended Yale B库和AR库进行了实验。为了减少算法执行时间,对于训练样本利用随机矩阵进行降维。本文算法在Extended Yale B库的504维每类32样本训练的识别结果为96.9%。在无遮挡的540维每类4样本训练的AR库的实验结果为83.3%,1 760维的结果为87.6%。有遮挡的540维每类8样本训练的AR库的结果为94.1%,1 760维的结果为94.8%。实验结果表明,本文算法的结果比SRC、DKSVD（Discriminative K-SVD）、LRSI（Low rank matrix decomposition with structural incoherence）、LRSE+SC（Low rank and sparse error matrix+sparse coding）这4种算法中识别率最高的算法还要好,特别在训练样本比较少的情况下。结论 本文所提出的人脸识别算法具有一定的鲁棒性和有效性,尤其在训练样本较少以及干扰较大的情况下,能够取得很好地识别效果,适合在实际中进行应用。     

改进型DeepLab的极化SAR果园分类

目的 针对农作物种植趋向集中化、机械化和庄园化的现状,高分辨率遥感影像精准识别技术已广泛应用于农作物分类。研究表明,采用先进的深度学习算法挖掘高分辨率农作物影像信息,有利于高效地分析农作物长势和参量预测,为此,提出一种改进型深度神经网络（DeepLab）的高分辨率果园遥感图像分割算法。方法 首先提取原始数据的极化特征和基于相干/非相干分解的特征组成高维特征空间,然后选用流行学习降维方式获得最优3通道特征向量构成伪彩图,利用深度可分离网络（xception）、空洞卷积网络（atrous convolution）、多孔空间金字塔（ASPP）和上采样（upsample）搭建DeepLab的编码解码过程（encoder-decoder）,最后将伪彩训练集和标签导入搭建的DeepLab进行训练并保存模型,利用模型对目标数据进行有效分类。结果 利用本算法对中国海南某地的Ⅰ期芒果、Ⅱ期芒果、Ⅲ期芒果、槟榔、龙眼5类水果进行分类,针对不同时期的同一种水果分类错误率下降了8%左右,相比传统的果园分类算法,本算法的kappa系数提高了约0.1,总体分类精度（OA）也有一定程度的提高。结论 本算法在保证不同类别水果分类准确率的基础上,提高了不同时期的同一类水果的分类准确率,在一定程度上提高了农作物长势分析的准确性,保证了高分辨率果园数据分析的可靠性。     

稀疏近似最近特征空间嵌入标签传播

针对现有的基于图的半监督学习（graph-based semi-supervised learning,简称GSSL）方法存在模型参数敏感和数据空间判别信息不充分等问题,受最近特征空间嵌入和数据稀疏表示思想的启发,提出一种稀疏近似最近特征空间嵌入标签传播算法SANFSP（sparse approximated nearest feature space embedding label propagation）.SANFSP首先利用特征空间嵌入投影点来稀疏表示原始数据;然后,度量原始数据和稀疏近似最近特征空间嵌入投影间的相似性;进而提出稀疏近似最近特征空间嵌入正则化项;最后,基于传统GSSL 方法的标签传播算法,实现数据标签的平滑传播.同时,还将SANFSP 算法简单拓展到out-of-sample 学习.SANFSP 算法在人造和实际数据集（如人脸识别、可视物件识别以及手写数字分类等）上取得了有效的实验结果.     

多矩阵低秩分解的鲁棒特征提取

由于传统的人脸识别算法效果容易受制于光照、表情、遮挡以及稀疏大噪声等外界因素的影响,如何有效提取数据特征、进一步提升算法的鲁棒性,是传统人脸识别方法发展的关键所在。本文将多矩阵低秩分解应用在人脸特征提取中,充分利用多张人脸之间的结构相似性,探索人脸图像集的低秩子空间,进而结合低秩矩阵恢复模型来提取测试样本的低秩特征。最后, 利用主成分分析（Principal component analysis, PCA）算法对所提取的特征矩阵进行进一步降维,并运用稀疏表示方法分类。实验结果表明,当样本中存在一定的椒盐噪声时,本文算法在AR、Yale和CMU_PIE人脸库上均具有较好的识别精度,验证了本文算法对椒盐噪声的鲁棒性。     

低秩约束的非线性属性选择算法

针对高维的数据中往往存在非线性、低秩形式和属性冗余等问题,提出一种基于核函数的属性自表达无监督属性选择算法——低秩约束的非线性属性选择算法（LRNFS）。首先,将每一维的属性映射到高维的核空间上,通过核空间上的线性属性选择去实现低维空间上的非线性属性选择;然后,对自表达形式引入偏差项并对系数矩阵进行低秩与稀疏处理;最后,引入核矩阵的系数向量的稀疏正则化因子来实现属性选择。所提算法中用核矩阵来体现其非线性关系,低秩考虑数据的全局信息进行子空间学习,自表达形式确定属性的重要程度。实验结果表明,相比于基于重新调整的线性平方回归（RLSR）半监督特征选择算法,所提算法进行属性选择之后作分类的准确率提升了2.34%。所提算法解决了数据在低维特征空间上线性不可分的问题,提升了属性选择的准确率。     

非负局部Laplacian稀疏编码和上下文信息的图像分类

目的 稀疏编码是图像特征表示的有效方法,但不足之处是编码不稳定,即相似的特征可能会被编码成不同的码字。且在现有的图像分类方法中,图像特征表示和图像分类是相互独立的过程,提取的图像特征并没有有效保留图像特征之间的语义联系。针对这两个问题,提出非负局部Laplacian稀疏编码和上下文信息的图像分类算法。方法 图像特征表示包含两个阶段,第一阶段利用非负局部的Laplacian稀疏编码方法对局部特征进行编码,并通过最大值融合得到原始的图像表示,从而有效改善编码的不稳定性;第二阶段在所有图像特征表示中随机选择部分图像生成基于上下文信息的联合空间,并通过分类器将图像映射到这些空间中,将映射后的特征表示作为最终的图像表示,使得图像特征之间的上下文信息更多地被保留。结果 在4个公共的图像数据集Corel-10、Scene-15、Caltech-101以及Caltech-256上进行仿真实验,并和目前与稀疏编码相关的算法进行实验对比,分类准确率提高了约3%~18%。结论 本文提出的非负局部Laplacian稀疏编码和上下文信息的图像分类算法,改善了编码的不稳定性并保留了特征之间的相互依赖性。实验结果表明,该算法与现有算法相比的分类效果更好。另外,该方法也适用于图像分割、标注以及检索等计算机视觉领域的应用。     

基于低秩稀疏分解与协作表示的图像分类算法

目前,大部分图像分类算法为了获取较高的性能均需要充分的训练学习过程,然而在实际应用中,往往存在训练样本不足及过拟合等问题。为了避免上述问题出现,在朴素贝叶斯最近邻分类算法的原理框架下,基于非负稀疏编码、低秩稀疏分解以及协作表示提出一种非参数学习的图像分类算法。首先,基于非负稀疏编码和最大值汇聚操作表示图像信息,并构建具有低秩性质的同类训练图像集的局部特征矩阵;其次,采用低秩稀疏分解结合别类标签信息构建两类视觉词典以充分利用同类图像的相关性和差异性;最后基于协作表示表征测试图像并进行分类决策,实验结果验证了所提算法的有效性。     

The Graphic-Linguistic Distinction Exploring Alternatives

What properties, if any, distinguish graphical representations from linguistic representations? This paper looks for answers in the literature of philosophy, logic, artificial intelligence, and cognitive psychology, and extracts seven alternative binary classifications of representations that may characterize the graphic-linguistic boundary. We assess each alternative by two standards: (a) whether it extensionally fits the graphic-linguistic distinction, and (b) how far it explains the properties commonly attributed to graphic representations but not to linguistic ones.     

知识的单形表示方法研究

本文基于形式逻辑的“三段论”以及代数拓扑学的三角剖分理论提出了一种新的知 识表示方法——单形表示法，并与其它一些知识表示方法进行了比较．它在表达能力、表达 方式及解释能力等方面都有明显的特点．     

Analog and Digital Representation

In this paper, I argue for three claims. The first is that the difference between analog and digital representation lies in the format and not the medium of representation. The second is that whether a given system is analog or digital will sometimes depend on facts about the user of that system. The third is that the first two claims are implicit in Haugeland's (1998) account of the distinction.

Genetic Algorithms for the Travelling Salesman Problem: A Review of Representations and Operators

This paper is the result of a literature study carried out by the authors. It is a review of the different attempts made to solve the Travelling Salesman Problem with Genetic Algorithms. We present crossover and mutation operators, developed to tackle the Travelling Salesman Problem with Genetic Algorithms with different representations such as: binary representation, path representation, adjacency representation, ordinal representation and matrix representation. Likewise, we show the experimental results obtained with different standard examples using combination of crossover and mutation operators in relation with path representation.     

深度学习在代码表征中的应用综述

代码表征是对代码数值化的一种技术,把代码映射为一组连续的实值向量,提取隐藏在代码内部的属性,辅助程序员生成或分析代码,是代码克隆、代码推荐、代码剽窃等软件工程任务的核心技术和研究热点。研究者们对代码表征方面进行了一系列研究,根据源代码抽取信息的方式,分为基于文本的表征、基于语法的表征、基于语义的表征和基于功能的表征;根据表征粒度的大小,分为基于词汇的表征、基于语句的表征、基于函数的表征等不同等级;根据表征方法的不同,分为基于统计的模型、基于自然语言的模型和基于深度学习的模型。对近几年基于深度学习的代码表征研究进展进行了综述,并从表征粒度、表征层次、表征模型、应用场景等方面对现有工作进行了概括、比较和分析。对基于深度学习的代码表征的未来发展趋势进行分析和展望。     

基于混合知识表示的专家系统设计

论述了混合知识表示的重要性,介绍了知识表示应具备的性质和基本原则,运用混合知识表示方法设计了切屑折断过程与槽型ＣＡＤ专家系统。     

基于RBR和CBR规划中的知识表示方法研究

"知识"是"规划"的前提和基础,通过归纳对已有"知识"的表示,就成为了"规划"的先行条件.基于"规则"和"案例"的规划是各种现代规划器常用的两种规划方式,通过对现有的"规则"和"案例"的各种知识表示方法的研究,描述了其各自的优缺点,并给出了如何选择合适的知识表示方法以处理特定规划问题的方法和思想,从而更快,更好的构建能够解决实际问题的规划系统.     

图表示学习方法研究综述

针对图表示方法的相关解析任务进行了研究,从形式化定义出发,首先以不同核心技术作为分类标准将图表示学习方法划分为五大类,其包括基于降维解析、矩阵分解、随机游走、深度学习和其他表示学习方法。其次通过归纳与对比分析梳理各类技术发展脉络,进而深层次展现各类图表示方法的优劣。随后结合图表示学习的常用数据集、评估方法和应用领域的归纳分析,展开动态性、可扩展性、可解释性和可解析性的四维剖析。最后总结并展望了图表示学习的未来研究趋势与发展方向。     

基于低秩约束的稀疏主题模型

传统潜在语义分析模型所得到的主题空间映射矩阵往往比较稠密,不仅存储代价比较高,而且各个主题含义不明确。针对该问题,提出一种新的稀疏主题模型,该模型通过对映射矩阵施加稀疏性约束,使得每个主题只与少数词项关联,来增加主题的可解释性;同时,通过对编码系数矩阵施加低秩约束,使得数据在主题空间中呈现出更好的聚类特性。实验结果表明,基于该模型得到的主题空间更有利于分类,映射矩阵的存储代价更低。