曲面的第Φ_r-形式在广义Ⅱ-等距下的公式

给出曲面的第Φr 形式在广义Ⅱ 等距下的公式的概念.借助混变张量,得到曲面的第Φr 形式在广义Ⅱ 等距下的公式.     

基于反调和平均的张量形态学算子模型及其在彩色图像边缘检测中的应用

旨在建立基于张量模型的彩色图像形态学算子。通过将HSV彩色空间下的三维向量利用二阶对称正定张量进行建模表示, 提出一种基于反调和平均的彩色形态学算子。在此基础上, 借助于张量相似性度量构造基于参考张量的形态学算子, 该算子能够实现滤波的输入保持。通过基于形态学梯度的边缘检测实验验证模型的可行性和有效性。对比实验表明基于张量的彩色形态学模型相对于原有的向量模型在图像处理中具有更好的结果。     

基于张量投票的图像超分辨率算法

张量投票算法在提取图像主观轮廓上具有良好的效果,本文提出了一种基于张量投票的图像超分辨率算法。首先用二维张量矩阵存储低分辨率图像各像素点所处的位置特征信息,并利用稀疏张量投票将特征信息进行加强,再使用稠密张量投票产生高分辨率图像对应的二维张量矩阵,此张量矩阵包含了视觉特性强的边缘信息,最后利用该边缘信息指导高分辨率图像的重构。实验结果表明,该方法得到的高分辨率图像信噪比高、视觉效果好。     

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。     

张量线性判别分析算法的脑灰质MRI结像分析

大脑结构MRI数据本质上是三维张量数据,而传统机器学习方法在提取大脑结构特性信息时,需要将其展开为一维向量,破坏了数据的内在结构信息.为了克服数据向量化带来的缺点,提出使用张量线性判别分析算法,用于大脑结构MRI数据分析.并对比基于向量的主成分线性判别分析算法,对20个正常人和20个精神病患者的脑灰质MRI结像进行分类.结果表明张量线性判别分析算法的最高识别率达到95%,其总体识别率、鲁棒性都要优于主成分线性判别分析算法.张量线性判别分析算法在大脑MRI数据分类上要优于传统基于向量的机器学习方法.     

节理岩体的动力学损伤变量

综述了目前节理岩体损伤描述的各种损伤变量及其意义，着重讨论了它们的适用场合，指出以波动理论定义的动力损伤主量对于岩体工程具有重要意义。     

基于变分贝叶斯推断的半盲信道估计

现有MIMO中继通信系统中,基于张量分解的半盲信道估计不能有效地将信道先验信息引入估计过程中,为此提出一种基于变分贝叶斯推断的信道估计算法.该算法首先利用NP(Nested PARAFAC)张量模型,引入有效精度、噪声精度等隐性超参数,建立信道估计概率图模型;由于所求信道参数后验概率分布较为复杂,传统最大似然和最大后验等点估计方法难以实现,算法采用变分贝叶斯推断,推导出信道矩阵、有效精度及噪声精度的递推公式,使具有因子分解形式的q分布逼近所求信道参数的后验分布;并分析了模型证据的下界、模型的初始化及算法复杂度等.该算法能利用信道先验信息以提高信道估计性能,有效精度和噪声精度等参数可自动调节,且计算复杂度与数据的维度呈线性关系.仿真结果表明:在平稳瑞利衰落信道条件下,与基于交替最小二乘(Alternating Least Square,ALS)的半盲估计算法相比,算法的计算复杂度较低,收敛速度较快;与带监督序列的双线性最小二乘(Bilinear Alternating Least Square,BALS)非盲估计算法,基于ALS及非线性最小二乘(Nolinear Least Square,NLS)的半盲估计算法相比,算法具有较高的估计精度.     

A3型李代数的张量积分解

不可约模的张量积分解是李代数表示理论的重要问题,在计算最低双边胞腔上的Kazhdan-Lusztig多项式的首项系数时,有重要的应用.通过李代数中的相关知识和计算机编程,给出了A3型李代数的部分张量积分解的具体表达式,为进一步计算?3型仿射Weyl群最低双边胞腔上的Kazhdan-Lusztig首项系数奠定了基础.     

融合注意力LSTM的神经张量分解推荐模型

针对结合深度学习模型的协同过滤算法未考虑关联数据的多维交互随时间动态变化的问题,该文提出一种融合时间交互学习和注意力长短期记忆网络的张量分解推荐模型(LA-NTF).通过采用基于注意力机制的长短期记忆网络从项目文本信息中提取项目的潜在向量,然后使用融合注意力机制的长短期记忆网络来表征用户—项目关系数据在时间上的多维交互...