一种相似子空间嵌入算法

通过对经典的线性判别分析(Linear Discriminant Analysis, LDA)及最大边界准则(Maximum Margin Criterion, MMC)方法的分析,提出一种类内子空间深入学习的监督降维方法——相似子空间嵌入(Similarity Subspace Embedding, SSE),对类内离散度矩阵进行深入学习,得到每类的类内离散度子空间,通过对所有类内离散度子空间的学习,获得信息更为丰富的类间离散度矩阵,进而得到更好的低维空间。与MMC方法相比,SSE方法对类内数据学习更充分,同时避免了LDA方法存在的小样本问题。在AR人脸图像、Coil数据集及手写体上的试验结果表明,与其它三种相关的经典方法相比, SSE方法具有较高的识别率,说明了该方法的有效性。     

一种适于高维小样本数据的线性判别分析方法

针对高维小样本数据的类（模式）内离散度矩阵常为奇异,提出了一种改进的线性判别分析方法ModLDA。它通过嵌入偏最小二乘算法,完成投影方向矢量的稳健估计,进而提取出若干个特征变量。而后基于特征变量张成的低维空间,构造样本类别的线性判别函数。在实证中,将ModLDA应用于药物光谱数据的化学模式识别,结果显示ModLDA方法判别能力明显优于其他方法。     

一种基于电子鼻的辛味中药材的分类鉴别方法研究

为获取新的气味识别方法以提高智能传感器模式分类识别准确率和速度,使用了内置10个传感器的便携式电子鼻PEN3对辛味中药材进行气味采集检测.将辛味中药材在烧杯中进行密封静置待其形成稳定的气味顶空环境时,运用电子鼻对其进行检测采样得到样品高维气味数据信息.与传统的线性数据分析方法不同,针对气味蕴含多种诸如浓度、各种挥发性物质成分等特征,可知气味非线性的本质特征,在本次分析中采用了流形算法中的非线性的局部线性嵌入（Locally Linear Embedding,LLE）算法对非线性的气味数据进行特征提取与降维,再采用基于Fisher的线性判别分析（Linear Discriminant Analysis,LDA）实现对特征子空间的模式聚类与分类,通过多次实验优化LLE算法的参数,得到了最佳的辛味中药材的模式识别效果.分析结果表明,运用LLE和LDA相结合的算法（即LLE_LDA）可以很好地完成不同种类辛味中药材的挥发性气味信息的模式分类,为深层次地分析基于电子鼻的气味数据信息提供了一种新方法.     

类依赖增强线性判别分析算法

在增强线性判别分析和类依赖线性判别分析的基础上,提出了类依赖增强线性判别分析算法,对多模态数据进行分类.算法利用增强线性判别分析的局部信息保持能力,在不破坏多模态局部结构的前提下,对数据进行降维;然后采用最大散度差线性鉴别分析准则对每一类样本获取一个投影矩阵,从而获取不同类的样本分布的特征差异.在人脸数据库上进行实验验证,结果表明,该算法的分类效果好。     

基于四元数矩阵表示的彩色人脸图像LDA方法

为了缓解线性判别分析(linear discriminant analysis,LDA)方法在小样本情况下出现的矩阵奇异性问题,针对彩色人脸图像,利用其四元数矩阵表示模式,在人脸识别中引入基于四元数表示的二维LDA、双向LDA方法.这些方法充分利用了彩色图像的空间分布信息,通过在行、列方向降维提取图像的2DLDA、BDLDA特征,缓解了类内散度矩阵的奇异性问题.在FERET彩色人脸数据库及AR彩色人脸数据库上的大量实验证明,本文方法与基于四元数矩阵表示的2DPCA、BDPCA算法相比,识别性能均有提高.     

矩阵的满秩分解及其应用

应用矩阵的满秩分解,给出了多种广义逆矩阵以及线性方程组的小范数解,极小最小二乘解和极小范数最小二乘解的算法。     

基于流形学习的车牌图像超分辨率算法

为了解决视频监控系统中车牌图像分辨率较低、车牌字符难以辨识的问题,提出一种基于流形学习的车牌图像超分辨率重建算法。首先学习训练样本库中高、低分辨率图像之间的映射关系,然后利用线性判别分析(Linear Discriminant Analysis,LDA)算法提取图像特征,并利用流形学习中的局部线性嵌入(Locally Linear Embedding,LLE)算法对特征向量进行参数建模,最后通过特征映射关系获得高分辨率图像。实验表明,该方法对监控系统中的低分辨率车牌图像具有较好的超分辨率复原效果,不仅提高了字符的可读性,而且具有更高的峰值信噪比。     

基于低秩稀疏表达的弹性最小二乘回归学习

为了克服重定向最小二乘回归模型容易破坏回归目标的结构的缺点,提出了一种基于低秩稀疏表达的弹性最小二乘回归学习模型LRSR-eLSR。模型以最小二乘回归为基础,不使用严格的0-1标签矩阵作为目标矩阵,而是引入边距约束来直接从数据中学习回归目标,可以在保持回归目标低秩结构的同时,增加回归模型的灵活性。而且,为了捕获数据的结构信息,利用了数据的低秩表示来保持数据的结构。在计算的过程中,考虑问题求解的复杂性,使用了核范数正则化代替秩函数。除此之外,模型还引入了一个带有L_2,1范数的稀疏误差项来补偿回归误差,这有利于学习更灵活地变换。模型还对投影矩阵施加额外的正则化项,来避免过拟合问题。实验结果表明：在4个公开的数据集上,所提模型的识别准确率优于其他方法;在COIL-20数据集中,识别率可达到98%。     

便携式拉曼光谱仪结合化学计量法的水质分析

采用便携式拉曼光谱仪结合化学计量学的方法检测分类水质,改进了传统方法检测繁琐,效率低的问题。利用便携式拉曼光谱仪检测蒸馏水（对照组）和另外4组不同区域湖水水样的光谱信号,得到5种不同水样的光谱图,首先使用自适应迭代重加权惩罚最小二乘算法（airPLS）去除基线,然后采用正交偏最小二乘判别分析（OPLS-DA）进行模式识别,再使用s-line图找出五组光谱的特征波段,最后利用交叉验证证明了模型的可信度。结果表明:不同水质湖水水样具有不同的光谱特性,而OPLS-DA分析表明其特征谱带位于1 000~1 700 cm^-1的光谱范围内,因此便携式拉曼光谱仪结合化学计量法可以应用于快速水质分析。     

最小二乘大间隔孪生支持向量机

针对最小二乘孪生支持向量机（LSTWSVM）精度较低和可能存在的"奇异性"问题,提出了一种最小二乘大间隔孪生支持向量机（LSLMTSVM）.该算法在最小二乘孪生支持向量机的优化目标函数中引入了间隔分布,提高了算法的泛化性能.在目标函数中加入正则项,实现了结构风险最小化,进一步提高了分类能力.实验结果表明,最小二乘大间隔孪生支持向量机比已有的相关算法性能更优.     

基于区间分析的弹性平面问题不确定分析

研究含有不确定参数的线弹性平面问题的位移响应.采取的方法为求解区间线性方程组的固定点迭代算法,并利用EBE方法解决了在单元组装过程中引起的区间相关性问题.主要做了2方面内容：（1）基于INTLAB实现了文献[2]提出的算法,并详细讨论了单元数对算法有效性的影响;（2）将算法在原基础上进行了改进,改进后的算法可以同时考虑弹性模量,密度,单元厚度,外荷载及支座位移不确定性.通过两个算例证明了实现和拓展的有效性,数值结果显示得到和Monte Carlo抽样结果相比相对狭窄且保守.     

具有随机长时延与丢包的网络控制系统的随机稳定与镇定

对于带有随机性丢包和长时延的网络控制系统,设随机丢包过程为服从有上限的马尔可夫随机过程,随后在离散网络控制系统模型的基础上将随机丢包的网络控制系统建模为带有马尔可夫跳变参数的离散网络控制系统模型。之后将具有随机性丢包和有上限的随机长时延建模为带有长时延的马尔可夫跳变系统。在已有的关于时延马尔可夫跳变系统的基础上,运用Lyapunov函数和LMI进行稳定性分析并提出随机稳定的条件,用锥补线性化方法设计了镇定控制器,最后仿真算例验证了其有效性。     

零空间边界Fisher分析法及其在人脸识别中的应用

边界Fisher分析（MFA）是一种有效的特征抽取方法,但在人脸识别的应用中会遭遇小样本问题。基于此,提出一种利用零空间法求解MFA优化准则的算法。该算法通过在MFA的类内散度矩阵的零空间中最大化MFA类问离散度得到最优投影向量,从而避免MFA方法所遇到的小样本问题,同时也保留了包含在类内散度矩阵零空间中的鉴别信息。在标准人脸库上的识别实验结果表明,该算法的识别率高于LDA和MFA,并且较容易选择其最优低维特征空间的维数。     

基于Petri网和BOM的拆卸建模方法研究

基于Petri网理论提出了虚拟拆卸网模型,关键技术是同步器对变迁的逻辑关系的确定.给出了其库所、变迁以及托肯的含义.基于基本对象模型提出了虚拟拆卸交互模型VDIM,研究了从网到VDIM的实体类型、事件类型、交互模式以及状态机的映射原理,并讨论了VDIM的模型可组合性.从联邦成员的划分,时间管理和同步管理三个方面研究了网模型和VDIM模型中仿真信息的融合,以便直接用于仿真系统的开发.最后的实例证明了研究的可行性.     

改进的短波信道数据引导均衡算法研究(英文)

针对短波信道数据引导均衡算法(data-directed equalization algorithm,DDEA)存在的问题,即必须以一帧数据内信道恒定为前提假设,且在均衡器和译码器之间只能传递硬判决信息,提出两种改进的DDEA均衡算法,分别从不同角度对此加以解决。所提可变信道系数的DDEA算法无须假设一帧数据内信道系数恒定,而允许在每个采样间隔信道系数都是变化的。所提DDEA-Turbo均衡算法能通过在信道估计器、均衡器和译码器之间传递软判决信息,将均衡器和译码器联合起来进行迭代。仿真结果表明,两种改进算法相较于传统的DDEA算法在性能方面都有不同程度的提高,但有分析显示,这种性能的提高须以增加复杂度为代价。     

余能原理基面力元法在重力坝应力分析中的应用

介绍了二维线弹性问题的余能原理基面力元法。该方法以基线力表征物体的受力状态,以其对偶量位移梯度表征物体的变形状态。通过重力坝算例与平面4节点等参元（Q4模型）和平面4节点减缩积分单元（Q4R模型）的对比分析,探讨了基面力元法应用于重力坝应力分析的可行性。数值分析结果表明,基于余能原理的基面力元法具有较高的计算精度,可以应用于重力坝应力分析问题,有较广阔的应用前景。     

基于链式遗传-模拟退火混合算法的电网扩展规划

将模拟退火机制引入到食物链生态进化算法,提出了链式遗传-模拟退火混合算法（CAGSAH）,对种群执行并行退火操作,弥补食物链生态进化算法爬山能力不足,提高算法全局寻优能力。给出了链式遗传-模拟退火混合算法的详细计算流程,并将其应用到求解电网扩展规划问题,实际计算结果显示链式遗传-模拟退火混合算法在搜索效率及收敛性能上明显优于食物链生态进化算法。     

基于径向基神经网络的波达方向估计算法

针对传统的波达方向（DOA）估计算法在实际应用中普遍存在计算量较大,无法实时地跟踪期望信号且无法处理信号源数大于天线阵元数的问题,提出了一种在智能天线中基于径向基神经网络的波达方向估计算法.该算法利用神经网络进行多信号源跟踪（MUST）来完成信号源侦测和DOA估计.通过建立神经网络DOA估计算法模型,并对所建立的神经网络进行训练.通过仿真将该算法与传统的DOA估计算法进行比对的结果表明,基于径向基神经网络的波达方向估计算法能够快速准确的检测到信号源,响应时间明显快于传统的算法.