基于张量奇异值分解的人脸识别方法

在人脸识别领域应用张量奇异值分解( TSVD)来进行人脸特征的表示和提取,克服了过去的提取方法,如主成分分析法( PCA)等过于依赖拍摄条件的缺点。 TSVD将数据转换成三维线性模型,所以能避免二维线性方法中条件改变则精确度下降的问题,使得识别算法在变化的条件下获得了相对稳定的结果。在此基础上对算法进行了优化,利用矩阵分解,在不影响算法正确率的情况下,有效减少计算量,提高算法效率。基于Matlab对该算法进行了四组实验,并将结果与用PCA方法得到的结果对比,验证了该识别算法在变化条件下显著的正确性以及稳定性;同时,对优化的TSVD算法进行了实验验证,在数据量较大的情况下,该算法速度明显提高。     

基于深度学习的高频雷达射频干扰自动识别与抑制

高频地波雷达的探测性能极易受到射频干扰的影响,当前射频干扰抑制的研究主要是通过人工识别来逐一处理,鲜见实时自动识别与抑制射频干扰的研究。随着深度学习在雷达图像处理方面应用的展开,本文尝试将其引入高频雷达射频干扰抑制中,利用YOLO (You Only Look Once)模型来识别雷达距离多普勒谱图中的射频干扰,继而用高阶奇异值分解(Higher Order Singular Value Decomposition, HOSVD)方法对其进行抑制。仿真和实测数据处理结果表明,此YOLO-HOSVD联合算法实现了对高频雷达射频干扰的自动识别与抑制,单场数据处理时间不超过1.8 s。该方法可以应用于高频地波雷达常规海态观测。     

矢量阵信号子空间投影波束形成

针对常规波束形成无法充分发挥矢量阵抗干扰性能的问题,提出了基于信号子空间投影的波束形成方法.对声矢量阵接收信号进行三阶张量建模,利用高阶奇异值分解得到信号子空间,并将阵列流形矢量投影于其上,从而得到相应的空间谱计算方法.计算机仿真试验验证了该方法的有效性.     

基于表情子空间多分类器集成的非特定人人脸表情识别

针对非特定人人脸表情平均识别率普遍不高（约65%）的问题,提出了一种基于表情子空间和多分类器集成的人脸表情识别新方法。通过局部二进制模式(LBP)与高阶奇异值分解(HOSVD)方法对训练集1中的人脸图像的全脸、眼睛（包括眉毛）和嘴巴三个区域进行特征提取与分解,建立相应的表情子空间;利用支持向量机(SVM)方法对训练集2中的人脸图像在表情子空间训练,得到模糊系统参数;最后结合表情子空间与多分类器集成,对测试集中的图像进行表情分类识别。在JAFFE人脸表情库中实验,获得了71.43%的平均识别率。实验结果表明,该方法有效地减少了人脸外观特征和表情表现方式所带来的影响,具有更好的识别效果。     

迭代张量高阶奇异值分解的图像恢复方法

为了有效地对图像缺失数据进行恢复, 提出一种迭代张量高阶奇异值分解（HOSVD）图像缺失数据恢复方法。该方法首先利用拉格朗日乘子方法将张量核范数目标函数进行子问题分解操作, 简化了求解过程, 然后迭代地采用张量高阶奇异值分解阈值方法进行子问题求解, 最终得到恢复后的图像缺失数据。将矩阵奇异值阈值算法进行扩展而得的HOSVD阈值方法充分利用了图像内部和图像与图像之间的多重约束关系, 大大提高了恢复精度。模拟实验和真实图像实验结果显示该方法具有良好的缺失数据的恢复性能。     

基于流形的表情分解算法

提出了基于流形的表情分解算法。首先,运用保局投影将图像投影到低维的表情流形子空间,再在流形子空间里对它们进行高阶奇异值分解,最后在个人子空间和表情子空间里完成人脸和表情识别。该算法用流形学习解决了高阶奇异值分解中的图像特征值提取问题,用高阶奇异值分解解决了流形表情识别中个人模式影响表情识别的问题。是一种流形学习与高阶奇异值分解优势互补的算法。在CMU-AMP和JAFFE人脸库上的实验表明,该算法对人脸和表情识别都十分有效。     

集体智慧下的网络群体事件预警机制构建

针对网络群体事件的爆发与集体智慧工具的特点,提出利用自下而上的网络元数据建立本体信息库,构建网络群体事件的预警机制模型。采用高阶奇异值分解（HOSVD）实现对预警信息和可信度本体库中数据的过滤与处理,解决依据数据库中的海量信息进行情报预判的问题。以集体智慧中结合用户反馈信息的特点直接构成本体库,能够解决原有预警机制被动式信息检索的问题,有效提高机制的预警反应效率。     

融合朋友关系和标签信息的张量分解推荐算法

针对大众标注网站项目推荐系统中存在数据矩阵稀疏性影响推荐效果的问题,考虑矩阵奇异值分解(SVD)能有效地平滑数据矩阵中的数据,以及朋友圈能够反映出一个人的兴趣爱好,提出了一种融合朋友关系和标签信息的张量分解推荐算法。首先,利用高阶奇异值分解(HOSVD)方法对用户-项目-标签三元组信息进行潜在语义分析和多路降维,分析用户、项目、标签三者间关系;然后,再结合用户朋友关系、朋友间相似度,修正张量分解结果,建立三阶张量模型,从而实现推荐。该模型方法在两个真实数据集上进行了实验,结果表明,所提算法与高阶奇异值分解的方法比较,在推荐的召回率和精确度指标上分别提高了2.5%和4%,因此,所提算法进一步验证了结合朋友关系能够提高推荐的准确率,并扩展了张量分解模型,实现用户个性化推荐。     

Augmented TP model transformation‐based parallel distributed compensation control design

The usual sampled hyper grid points of uniform sampling method are distributed equally in the TP model transformation, thus, the sampling results often omit the local extrema when the sampling step is not fine‐tuned. Then the resultant tensor which is used for controller design can not fully cover the state space, although the gain which is the feasible solution of the linear matrix inequalities. In this paper, we proposed a non‐uniform sampling method for tensor product model transformation, local extrema are considered in the sampling step, while the sampling step can vary dynamically for different function entries. In this paper, TP model transformation‐based parallel distributed compensation (PDC) controller is extended in three folds: (i) The existing TP model transformation‐based PDC controller with uniform sampling method is extended to TP model transformation‐based PDC tracking controller with the uniform sampling method and an extended signal. (ii) A new TP model transformation‐based PDC tracking controller is proposed based on a new sampling method, that is, the Hammersley sampling method. (iii) TP model transformation‐based PDC tracking controller is also proposed based on the non‐uniform sampling method. The proposed adaptive TP model transformation‐based PDC tracking controller is able to enhance the performance of the TP model transformation‐based PDC controller, and the adaptive TP model transformation‐based PDC controller obtains the best results due to the nearly exact sampling of the system.     

基于TTr1SVD的张量奇异值分解及其在人脸识别上的应用

张量是一种数据组织形式,它的实质是高维数组。很多数据都可以被组织成张量的形式。可以考虑将人脸图像组织成张量的形式。人脸识别过程中最重要的一个环节是特征提取, 后续的匹配识别过程是建立在它的基础上。TTr1SVD是一种新型的张量分解算法,可以认为该算法是矩阵SVD在张量领域的扩展。实际数据库里的图片的图像模态往往是最大的,结合TTr1SVD算法,得到张量的高阶奇异值分解,改变图片的组织形式,可以加速人脸特征的提取。本文基于TTr1SVD的高阶奇异值分解算法,实现人脸特征的提取和识别,并且保持了较好的准确性。实验结果表明,该算法比传统的使用Tensor Toolbox的高阶奇异值分解算法更加灵活高效。