一种面向信号分类的匹配追踪新方法

匹配追踪(MP)的主要策略是通过每次迭代时选择一个局部最优解,从而逐步逼近原始信号。然而传统的MP系列算法进行原子匹配时,各类原子集间存在交集,从而影响了原子的表示能力以及相应的分类效果。基于此,该文提出一种适用于信号监督分类的匹配追踪新算法。其原子挑选的准则为：同类信号采用相同的原子集匹配,获取相同的类内表示结构;异类信号选择不同的原子集匹配,从而增强信号的类间差异。示例分析表明,使原子集间相互独立,能够减少异类信号间的共性因素,强化信号间的区分度,从而有利于提升分类识别效果。通过在标准图像库和实测雷达辐射源信号集上的实验表明,较之传统的MP系列方法,所提算法对噪声和遮挡具有更强的鲁棒性。     

基于多层次互补特征的通用目标检测模型

针对实际场景中多类目标检测问题,该文提出了一种基于多层次特征表示和异质互补描述子的通用目标检测模型。该模型采用基于组件的目标描述思想,提取目标不同层次的互补特征,并将其统一到条件随机场(CRF)框架中。目标中单个组件及其局部特征对应CRF的一元节点,组件之间的几何空间结构特征则体现在节点之间的两两连接关系上。通过引入节点支持向量机(SVM)分类器和边缘拓扑结构学习,极大提高了模型的鉴别能力和灵活性。在UIUC多尺度数据集和PASCAL VOC 2007数据集上测试结果表明,该文模型不仅能有效描述多类复杂目标,还能较好地解决姿态、尺度、光照变化及局部遮挡情况下的目标检测问题。     

虚拟阵列Khatri-Rao积与子空间联合稀疏表示的DOA估计方法

利用目标信号在空域分布的稀疏性,该文提出了一种基于虚拟阵列Khatri-Rao(KR)积与信号子空间联合稀疏表示的单快拍DOA估计方法;该方法利用单次快拍的采样数据,构造出双向虚拟阵列数据,并对虚拟阵列数据的协方差矩阵进行KR积变换处理,然后对向量化后的数据进行顺序重构,利用重构矩阵的大奇异值对应的左奇异向量为估计信号子空间;最后,利用凸优化工具箱对稀疏模型进行二阶凸规划的优化求解,得到高精度的DOA估计值;仿真实验验证了算法的有效性,在低信噪比下比传统MUSIC和OMP算法具有更高的估计精度。     

基于矩阵表示的NURBS曲面逆值GPU并行求解算法

NURBS曲面逆向求值是CAD几何内核中最基础的算子之一,即计算NURBS曲面上三维空间点对应的二维参数值.然而,当前求解算法计算效率不高、鲁棒性不强,严重制约了CAD软件处理大规模复杂CAD模型的性能.现有的GPU加速算法也往往仅对传统算法进行简单并行化,没有充分利用GPU共享显存等架构特性.为此,提出一种全GPU运行的并行求解算法.基于NURBS矩阵表示的GPU逆值求解算法通过矩阵表示代替传统的B-Spline基函数递归表示,适配GPU缓存机制,实现GPU缓存优化,解决数据公用、寄存器占用和缓存频繁申请与释放等问题,从而提高求解效率.同时,该算法采用多层次求解算法,以自适应曲面细分算法得到粗略解,再辅以Gauss-Newton迭代法得到精确解,提高处理复杂模型的效率和鲁棒性.采用多张简单曲面和复杂曲面进行测试,结果表明,该算法每毫秒最多可求解超过10 000个逆值点,相比于传统算法,将NURBS曲面逆向求值速度提高了至少2个数量级.     

基于表示学习和深度森林的长链非编码RNA编码短肽预测模型

长链非编码RNA（lncRNA）中的小开放阅读框（sORFs）能够编码长度不超过100个氨基酸的短肽。针对短肽预测研究中lncRNA中的sORFs特征不鲜明且高可信度数据尚不充分的问题,提出一种基于表示学习的深度森林（DF）模型。首先,使用常规lncRNA特征提取方法对sORFs进行编码;其次,通过自编码器（AE）进行表示学习来获得输入数据的高效表示;最后,训练DF模型实现对lncRNA编码短肽的预测。实验结果表明,该模型在拟南芥数据集上能够达到92.08%的准确率,高于传统机器学习模型、深度学习模型以及组合模型,且具有较好的稳定性;此外,在大豆与玉米数据集上进行的模型测试中,该模型的准确率分别能达到78.16%和74.92%,验证了所提模型良好的泛化能力。     

基于支持向量机的中文模糊本体映射

Taking into account that fuzzy ontology mapping has wide application and cannot be dealt with in many fields at present, a Chinese fuzzy ontology model and a method for Chinese fuzzy ontology mapping are proposed. The mapping discovery between two ontologies is achieved by computing the similarity between the concepts of two ontologies. Every concept consists of four features of concept name, property, instance and structure. First, the algorithms of calculating four individual similarities corresponding to the four features are given. Secondly, the similarity vectors consisting of four weighted individual similarities are built, and the weights are the linear function of harmony and reliability. The similarity vector is used to represent the similarity relation between two concepts which belong to different fuzzy ontolgoies. Lastly, Support Vector Machine (SVM) is used to get the mapping concept pairs by the similarity vectors. Experiment results are satisfactory.     

基于半监督和自监督图表示学习的恶意节点检测

现实场景中,电子商务、消费点评、社交网络等不同平台用户之间往往存在着丰富的交互关系,将其构建成图结构,并基于图神经网络GNN进行恶意用户检测已成为相关领域近几年的研究趋势.然而,由于恶意用户通常占比较小且存在伪装和标记成本高的情况,导致了数据不平衡、数据不一致和标签稀缺等问题,从而使传统GNN方法的效果受到了一定的限制.提出基于半监督图表示学习的恶意节点检测方法,该方法通过改进的GNN方法进行图节点表示学习并对图中节点分类.具体地,构造类别感知的恶意节点检测方法 (class-aware malicious node detection, CAMD),引入类别感知注意力系数、不一致图神经网络编码器、类别感知不平衡损失函数以解决数据不一致与不平衡问题.接下来,针对CAMD在标签稀缺情况下检测效果受限的问题,提出基于图对比学习的方法 CAMD+,引入数据增强、自监督图对比学习及类别感知图对比学习,使模型可以从未标记的数据中学习更多信息并充分利用稀缺的标签信息.最后,在真实数据集上的大量实验结果验证所提方法优于所有基线方法,且在不同程度的标签稀缺情况下都表现出良好的检测效果.     

一种基于分层的人类动作识别和定位算法研究

人类动作识别在视频自动分析、视频检索等领域获得广泛应用,是目前的研究热点。然而现有的动作识别方法重点关注视频的非静态部分而忽略大部分静态部分,从而影响了动作识别和定位的效果。本文提出一种新的分层空间-时间分段表示法,以分层方式实现部位和整个身体的多分辨率表示,可用于运动识别和定位。该算法分为3个步骤。第一步,首先对每个视频帧进行分层分段,以得到一组分段树,每颗树是身体分段树的候选。第二步,利用视频的轮廓、接合对象结构、全局前景色等信息对候选分段树进行修剪。第三步,在时域上对剩余分段层的每个分段进行前向和后向跟踪。我们以难度较大的UCF-Sports和HighFive数据集为实验对象,对本文方法进行性能评估,实验结果表明,本文方法的性能要优于当前最新运动检测算法性能,运动定位性能与当前最新算法相当。     

基于Fisher字典学习稀疏表示的高光谱图像分类

近年基于稀疏表示的分类框架(Sparse Representation based Classification,SRC)在计算机视觉和模式识别领域取得了巨大成功,高光谱图像解译也逐渐引入稀疏表示方法。针对基于SRC的高光谱图像分类算法随机抽取训练样本构成字典较难捕获相似类别的相对差异性信息问题,提出采用Fisher字典学习方法增强相似类训练样本的可区分性。此外,考虑到高光谱图像具有较强空间相关性的特点,设计一种简单有效的投票策略进行类别判决。大量实验表明:基于Fisher字典学习的联合投票分类方法能够较好地改善高光谱分类精度。