紧支撑二维小波多尺度融合图像效果评价

针对图像融合的效果评价标准以及小波函数选择等热点研究问题，丈中采用了紧支撑二维小波db3对图像进行了多尺度分解及重构的融合研究，并且通过亮度参数、细节参数和光谱信息参数等对融合尺度不同的图像进行了客观质量评价。实验证明，经过该方法融合后的图像能把源图像各自具有的信息融合在一起，亮度适中、信息熵增加、清晰度提高。理论分析结果、融合图像的视觉效果与所采用的客观质量评价标准的数值分析结果是相一致的，表明了该方法客观而有效。     

粗糙集在融合图像质量评价中的应用

提出了一种基于粗糙集理论的融合图像质量评价方法。采用粗糙集属性约简方法把冗余的属性和冲突的对象从决策表中删去,从而对决策信息系统进行了相对简化,使模型具有一定的抗信息丢失能力。该方法运用到融合图像质量评价中去,实验结果表明其有效性。     

改进小波包结合支持向量机分类器的无线Ad Hoc网络性能评价

使用训练集大小、特征提取方法和识别方法作为影响识别错误率的三个因素,采用改进小波包（IWPA）和SVMDT相结合的方法对无线Ad Hoc网络的性能进行了评价。通过采用方差分析和最小二次无偏估计的方法等数理统计方法分析实验数据,获得了各个因素的主效应及其之间的相互效应对识别错误率边际均值的具体影响程度。研究结果表明,IWPA特征提取方法的性能远优于WPA和WT,SMDT分类方法的性能也优于RBF和SA,并且IWPA和SMDT相结合产生了最佳的交互效应。     

光测力学在表征聚合物应力场中的应用

简介了光测力学的应用和基本原理,对光散射技术原理及其应用进行了说明,详细阐述了光测力学在聚合物流场应力表征中的应用,尤其是对光测力学表征挤出机口模的狭缝流场的方法和光测力学在聚合物电磁塑化挤出流场中的应用进行了详细说明,介绍了光测图象处理技术,如图像增强、模式识别等,并且展望光测力学在新型聚合物电磁动态成型机理方面作出贡献。     

凹半监督支持向量机及其应用

在训练集不足的情况下,SVM算法有待改进,以提高其评价的准确性。采用凹半监督支持向量机,利用少量标注样本和大量未标注样本进行机器学习,提高了模型预测的精度。     

改进SVM分类算法中多重共线性问题研究

提出了一种可以解决SVM分类算法中的多重共线性问题的因子分析方法。因子分析的核心是用较少的互相独立的因子反映原有变量的绝大部分信息,它既能大大减少参与数据建模的变量个数,简化支持向量机结构,减少支持向量机分类过程中的复杂度和运算量,同时不会改变样本的分布特性,保持样本的分类信息。实验结果表明,通过因子分析对样本数据的处理,使用3个因子代替7个原始变量,原始变量间的多重共线性问题得到了很好的解决。     

ε-支持向量回归机算法及其应用

针对现有传统的一些图像去噪方法难以获得清晰图像边缘的问题,提出了利用ε-SVR技术构建图像去噪滤波器的新方法。ε-支持向量回归机通过引入ε不敏感损失函数,可以实现具有较强鲁棒性的回归,而且回归估计是稀疏的,保留了SVM的所有优点。分析了ε-支持向量回归机理论算法及其在图像去噪中的应用,使用ε-支持向量回归机对图像进行滤波并且与最小值滤波、均值滤波和维纳滤波等常用的滤波方法相比较,还比较了SVM各种核函数对不同噪声的滤波效果和分析了不同阶数的Multinomial核的滤波效果。实验结果表明了ε-支持向量回归机能够有效地去除噪声,不但信噪比较高而且比较清晰,同时具有良好的稀疏性。     

支持向量机在分类和回归中的应用研究

SVM在许多领域的分类和回归方面起了越来越重要的作用,显示了它的优势。由于SVM方法较好的理论基础和它在一些领域的应用中表现出来的与众不同的优秀的泛化性能,近年来,许多关于SVM方法的应用研究陆续提了出来。围绕支持向量机在分类和回归中的问题进行了阐述,使我国在这一领域的研究和应用能够尽快赶上国际先进水平具有十分重要的意义。     

基于双编码器表示学习的多模态情感分析

多模态情感分析旨在通过用户上传在社交平台上的视频来判断用户的情感. 目前的多模态情感分析研究主要是设计复杂的多模态融合网络来学习模态之间的一致性信息, 在一定程度上能够提升模型的性能, 但它们大部分都忽略了模态之间的差异性信息所起到的互补作用, 从而导致情感分析出现偏差. 本文提出了一个基于双编码器表示学习的多模态情感分析模型DERL (dual encoder representation learning), 该模型通过双编码器结构学习模态不变表征和模态特定表征. 具体来说, 我们利用基于层级注意力机制的跨模态交互编码器学习所有模态的模态不变表征, 获取一致性信息; 利用基于自注意力机制的模态内编码器学习模态私有的模态特定表征, 获取差异性信息. 此外, 我们设计两个门控网络单元对编码后的特征进行增强和过滤, 以更好地结合模态不变和模态特定表征, 最后在融合时通过缩小不同多模态表示之间的L2距离以捕获它们之间潜在的相似情感用于情感预测. 在两个公开的数据集CMU-MOSI和CMU-MOSEI上的实验结果表明该模型优于一系列基线模型.     

基于注意力融合网络的方面级多模态情感分类

方面级多模态情感分类任务的一个关键是从文本和视觉两种不同模态中准确地提取和融合互补信息, 以检测文本中提及的方面词的情感倾向. 现有的方法大多数只利用单一的上下文信息结合图片信息来分析, 存在对方面和上下文信息、视觉信息的相关性的识别不敏感, 对视觉中的方面相关信息的局部提取不够精准等问题, 此外, 在进行特征融合时, 部分模态信息不全会导致融合效果一般. 针对上述问题, 本文提出一种注意力融合网络AF-Net模型去进行方面级多模态情感分类, 利用空间变换网络STN学习图像中目标的位置信息来帮助提取重要的局部特征; 利用基于Transformer的交互网络对方面和文本以及图像之间的关系进行建模, 实现多模态交互; 同时补充了不同模态特征间的相似信息以及使用多头注意力机制融合多特征信息, 表征出多模态信息, 最后通过Softmax层取得情感分类的结果. 在两个基准数据集上进行实验和对比, 结果表明AF-Net能获得较好的性能, 提升方面级多模态情感分类的效果.