一种检测视频中运动目标的新方法

现有的用于视频运动目标检测的鲁棒主成分分析方法通常将背景矩阵的秩函数松弛为核范数,导致求解低秩矩阵的奇异值收缩算子法的阈值恒定,从而背景恢复精度不高。为此提出由加权核范数和结构稀疏范数组成的新的损失函数并用交替方向乘子法进行优化。采用加权核范数作为矩阵的低秩约束,使得压缩阈值与相应奇异值的大小呈单调递减关系,从而大奇异值得以较小幅度压缩。使用结构稀疏范数作为前景稀疏约束,有效利用了前景运动目标的空间区域连续性的先验知识。实验结果表明,该方法在动态背景、阴影等复杂场景下均能取得较其他鲁棒主成分分析方法更好的效果。     

一种应用博弈和L0约束的盲图像修复方法

图像修复是利用原始图像的先验信息从缺失像素的观察图像出发恢复原始图像的过程。大多数图像修复模型假定图像缺失区域是已知的,但在实际应用中,这些缺失区域的信息很难直接获得。为了解决这类问题,利用L₀范数的稀疏性先验和博弈理论,建立了新的图像修复模型。新模型适用于图像缺失区域已知和未知两种情况。根据目标函数的结构,提出了有效的临近交替方向乘子法和基于博弈的交替框架来解决相应的最小化问题,分析了文中模型在一定的条件下的收敛性。与现有的修复模型进行了对比,数值实验表明,所提出的模型和算法在主观和客观质量评价上比现有修复模型具有更好的结果和稳健性。     

基于对称交替方向乘子法的单列车最优运行控制

作为高铁系统研究的重点问题之一,列车运行控制在降低列车运行能耗以及提升铁路运营效率等方面具有重要的意义。针对单列车在多个站点间的运行控制问题,提出一种基于对称交替方向乘子法的单列车最优运行控制方案。以旅客乘坐舒适度、列车运行能耗以及列车准点到站作为优化目标,将列车运行动力学方程、站点发车时间、列车运行速度和列车牵引力限制等作为约束条件,构建了列车最优运行控制模型。在对称交替方向乘子法的框架下,将原最优控制问题转化成为2个独立的子问题,并引入交替求解的机制,获得原问题的最优解。数值仿真表明对称交替方向乘子法相比交替方向乘子法能够在较少迭代步数内求解获得列车的最优控制序列,验证了算法的有效性。     

LDPC码ADMM惩罚译码的早停止方法

为了减少低密度校验码译码的平均迭代次数,通过深入分析迭代译码中码字所满足的校验约束个数的变化规律,设计了低密度校验码交替方向乘子法惩罚译码的一种早停止方法．该方法能够在译码的早期阶段检测出错误码字而停止译码,从而节省了不必要的译码迭代．与现有交替方向乘子法惩罚译码的两种停止方法相比较,所提出的早停止方法在低信噪比区域降低了交替方向乘子法惩罚译码的平均迭代次数,而且其译码性能几乎没有损失．     

联合协方差矩阵重构和ADMM的鲁棒波束形成

为解决传统波束形成器在干扰位置发生扰动和导向矢量失配时,造成自适应权重的不匹配,从而导致算法性能急剧下降,甚至期望信号相消的问题,提出一种联合协方差矩阵重构和交替方向乘子法(Alternating direction method of multipliers, ADMM)的鲁棒波束形成方法。对此,首先基于波束形成器最大输出功率准则,设计了求解最优导向矢量的优化模型。接着,根据Capon算法空间功率谱函数,利用定义的干扰范围对协方差矩阵进行重构,以展宽零陷并增强系统抗运动干扰能力。最后,关于导向矢量的二次不等式约束问题,本质为估计导向矢量和期望导向矢量间的差异,该方法利用ADMM对该二次规划问题进行迭代求解,并在每次迭代中获得导向矢量的具体解。另外,也分析了算法的复杂度。实验结果表明：对比现有的波束形成算法,在干扰处加宽了零陷,提高了波束的抗干扰性;结合复杂度也证明了其计算速度优于现有的算法,并且能够很好地校正失配导向矢量。本方法也为求解二次不等式约束问题和提高波束形成算法性能提供了一种思路和途径。     

基于改进增广拉格朗日乘子法的鲁棒性主成分分析

针对增广的拉格朗日乘子法在求解鲁棒性主成分分析,特别是当数据同时受到稀疏噪声和高斯噪声的干扰时,计算精度会降低,数据降维去噪任务不能很好完成的情况,提出改进的增广拉格朗日乘子法来解决上述问题.一是用基于最优乘子初始化的改进增广拉格朗日乘子法来提高算法的计算精度,二是针对鲁棒性主成分分析,提出一个带高斯噪声的凸优化模型.实验结果表明,本文提出的最优乘子初始化改进算法赋予增广的拉格朗日乘子法一个最优的拉格朗日乘子,从而提高算法的计算精度,而凸优化模型能够清晰地将高斯噪声和稀疏噪声从数据矩阵中分离出去,进而提高数据对高斯噪声的鲁棒性.     

面向WSN的稀疏核学习机分布式训练方法

针对无线传感器网络（WSN）中,经过多跳路由传输训练数据到数据中心进行集中式训练时存在的高数据通信代价问题,基于L1正则化的稀疏特性,研究了仅依靠邻居节点间的协作,在网内分布式协同训练核最小均方差（KMSE）学习机的方法.首先,在节点模型与邻居节点间局部最优模型对本地训练样本预测值相一致的约束下,利用并行投影方法和交替方向乘子法对L1正则化KMSE的优化问题进行稀疏模型求解;然后,当各节点收敛到局部稳定模型时,利用平均一致性算法实现各节点稀疏模型的全局一致.基于此方法,提出了基于并行投影方法的L1正则化KMSE学习机的分布式（L1-DKMSE-PP）训练算法.仿真实验结果表明,L1-DKMSE-PP算法能够得到与集中式训练算法相当的预测效果和比较稀疏的预测模型,更重要的是能显著降低核学习机训练过程中的数据通信代价.     

辐射保真的红外遥感图像超分辨率重建

为了解决红外遥感图像超分辨率重建与辐射定标精度保真之间的矛盾,结合正则化超分辨率重建理论,建立了基于二阶总广义变分的超分辨率重建模型。 通过分析重建模型的特点,引入交替方向乘子法进行数值求解;重建过程利用双边滤波器原理,将图像的高低频信息分离;针对分离后高频信息图像进行重建处理,将低频信息图像与重建后的高频信息图像融合达到超分辨率的目的。 利用风云四号气象卫星得到的真实红外图像进行实验验证和定量化分析,表明该方法对辐射定标精度的影响要小于常规意义下的超分辨率重建的影响。     

1990～1999年中国矿业城市发展轨迹及其分析

根据所依赖的矿产资源不同，矿业城市的发展呈现出不同的特点与轨迹，本文采用全局主成分分析（GPCA）方法，对1990－1999年我国矿业城市发展的动态轨迹进行了分析，结果表明，我国矿业城市总体发展水平呈缓慢上升态势，不同类别的矿业城市之间差别较大，城市发展状况沿着石油类→综合类→金属类→煤炭类顺序逐渐劣化。     

基于PCA 和KNN 的电主轴故障诊断方法研究

电主轴是数控机床中重要的部件之一, 其性能的优劣直接影响机床工况和加工零件质量。对电主轴进行故 障诊断能很大程度上提高数控机床的加工精度, 并且能够有效地增加其可靠性和安全性。在一般诊断过程中, 原 始数据的高维特征量处理较为困难。为顺应实际应用中对电主轴故障诊断的精度要求, 提出一种基于主成分分析 (PCA) 与K 最近邻(KNN) 的电主轴故障诊断方法。此方法利用PCA 对原始非线性时间序列数据的特征向量进行 降维, 并选取其中主成分特征向量。将得到的主成分特征向量作为KNN 的输入进行故障分类。最后将该方法的预 测结果与决策树和随机森林的分类结果进行对比, 结果表明, PCA-KNN 算法在故障分类精度上相较于其他两种算 法有显著提高, 是一种有效的电主轴故障分类方法。     

基于交替方向乘子法的图像盲复原

为了克服正则化理论的全变分图像盲复原模型中出现的运行效率低、效果不好等问题,提出一种基于交替方向乘子法的盲复原迭代算法。该算法通过交替迭代的方式,将复原图像与点扩散函数交替估计,同时不必更新惩罚项从而提高了运行速度和复原的质量。计算同时加入了对点扩散函数的归一化和阈值约束条件以及对图像的正定性条件。数值试验中,对不同模糊类型的图像进行了盲复原处理,并与已有的其他盲复原方法进行了比较。从主观评价能够发现,提出的算法能够改进图像的质量,提高其分辨率;通过客观指标比较,峰值信噪比(peak signal to noise ratio, PSNR)最大能够提高1.2 dB,结构相似度(structural similarity index, SSIM)最大提高1%,计算时间最大节约一半左右。