结合双流形映射的不完备多标签学习

在多标签学习中,有效利用标签相关性可以提高分类性能。然而,由于人工标注标签的主观性和实际应用中标签语义的相似性,通常只能观察到不完备的标签空间,导致标签相关性的估计不准确,使得算法性能下降。针对该问题,提出一种结合双流形映射的不完备多标签学习(ML-DMM)算法。构造两种流形映射,一种是保留实例数据空间局部结构信息的特征流形映射,另一种是基于迭代学习得到的标签相关性的标签流形映射。首先通过拉普拉斯映射构造数据的低维流形,然后通过回归系数矩阵和标签相关性矩阵将初始特征空间和初始标签空间分别映射到该低维流形上,形成一种双流形映射结构来提升算法性能,最后利用迭代学习得到的回归系数矩阵进行多标签分类。在8个多标签数据集及3种标签缺失率情况下的对比实验结果表明,ML-DMM算法性能优于其他针对缺失标签的多标签分类算法。     

基于区域边界最优映射的图像分割算法

为了增强图像分割算法的鲁棒性,避免出现错误的或间断的边缘轮廓曲线,获得准确的区域分割线,提出区域边界最优映射分割（ORBM）算法。该算法采用Gibbs分布定义区域分割模型,将多个颜色空间的不同边缘映射求平均值,用得到的边界最优映射确定邻域（相邻像素）的相互作用势函数,利用α-β交换算法求解标签参数空间上目标函数的局部极值并采取简单区域合并策略,获得准确、可靠的区域分割结果。将ORBM算法与几种经典的图像分割算法进行对比,实验结果显示该算法能够生成连续封闭的边界线,实现了图像多区域的正确分割,并且执行速度快、鲁棒性强。     

基于颜色空间映射的自适应足球机器人视觉系统

为了解决足球机器人比赛中视觉信息检测问题,给出基于嵌入式多处理器体系结构的视觉系统框架,并研究了一种自适应阈值目标分割方法。该方法将视觉系统采集的图像从YCbCr颜色空间转换为一维颜色映射图像,并提出基于竞争学习的空间映射方法。同时使用小波变换方法来平滑颜色映射空间直方图和降低阈值搜索维数。然后使用基于映射图像直方图动态搜索阈值的方法来分割图像。最后,通过实验表明研究的视觉系统的有效性,能够实时准确地完成视觉处理任务。     

数据空间命名实体的集成方法

提出了一种数据空间中的命名实体集成模型(NEIM)及其在异质异构数据源中的集成方法。命名实体模型描述了数据源、实体与实体描述间的关系,能够实现从其中任意一个息查询到其它相关信息。命名实体的集成架构指出了数据空间中命名实体集成要完成的主要任务,包括命名实体的识别、实体的集成映射和实体的统一。集成算法描述了数据空间中异构数据源包含的命名实体及其描述信息的集成方法。针对结构化半结构化数据,它采取构建映射规则,使系统可以在后期持续集成这些数据源中的实体信息,实验验证了集成方法的构建映射规则的有效性。     

布尔状态映射矩阵的变化及应用

在有限自动机矩阵模型表示方法基础上,采用矩阵理论和布尔代数为工具,主要对布尔状态映射矩阵B(x)进行讨论。首先对它进行了变化,然后用它的变化式来判断有限自动机的状态有无前邻,有限自动机是否强连通,同时它们也提供一些构造子有限自动机和有效地划分布尔状态映射矩阵B(x)为标准型的新方法。     

基于复数空间内矩阵映射的知识表示方法

为同时建模知识图谱中存在的多对一、多对多等复杂关系以及对称、逆、组合等关系模式，提出一种基于复数空间内矩阵映射的知识表示方法(MMCS方法)。将实体以及实体间关系表示为离散的复数矢量，利用矩阵映射将离散的复数矢量聚簇为相近的矢量，用于表示实体间的多对一、多对多等复杂关系。利用复数空间的旋转策略，表示离散复数矢量之间的对称、逆、组合等关系模式。在公开的数据集上进行相关的链接预测实验，实验结果表明，MMCS在预测三元组中缺失的实体时比其它方法有显著提升。     

基于云模型的配网运行画像数字孪生构建方法研究

为有效解决配网运行管理水平不高的问题,提出基于云模型的配网运行画像数字孪生构建方法。采用数字孪生技术构建虚拟空间电网的交互和映射。通过鱼骨图法分析影响配网运行状态的因素,建立配网运行指标体系,并将特征指标转换为标签矩阵。构建反映配网线路状态的特征指标。利用逆向云发生器展开云转化处理,以获取配网运行指标的模糊特征。对运行指标和标签矩阵的距离进行加权求和处理,可以获取配网运行指标的打分值,从而得到清晰且评价客观的配网运行画像。该方法能够精确获取不同情况下配网的运行状况,有效提高配网运行管理水平。     

基于均匀空间的颜色分级方法

自动视觉检测是机器视觉的一个重要研究领域，而颜色分级是自动视觉检测中的一个典型问题，在陶瓷、木材等行业应用广泛。为了实现快速自动分级，根据人类视觉特性，提出了一种基于均匀颜色空间的表面颜色分级方法。该方法首先将数据从RGB颜色空间转换到CIE 1976 L^ a^ 均匀颜色空间；然后在CIE 1976 L^ a^ 空间用RWM(radius weighted mean)方法提取主导颜色(dominant colors，DC)，再以此作为颜色特征，提出了一种新的颜色距离度量——映射色差，并分析了它与平均色差的关系；最后以映射色差为距离度量，采用最小距离分类器来进行颜色分级。实验结果说明该方法是有效的。     

基于CIE LAB的标签检测技术

为实现羽毛球标签是否合格的自动检测,提出一种基于CIE 1976 LAB空间的色差计算方法。该方法通过从RGB颜色空间转换到CIE LAB颜色空间上,利用球头底胶与各种标签的正表面颜色的相异,由A、B分量计算它们之间的色差,与设定的阈值进行比较,计算出未贴正的区域,以此判断出标签是否合格。该方法对于标签自动检测具有较好的效果。     

基于本体分割的本体映射算法

映射效率对于Web服务发现和组合、智能空间上下文感知等领域的动态映射至关重要。现有方法对相似度计算方法加以简化来提升效率,但当候选匹配实体对的数目随本体的规模增大而急剧增加时,就无法有效地处理。文中提出一种基于本体分割的高效本体映射算法。通过自下而上的聚类,将本体划分为一组大小合适的本体块。然后基于向量空间算法进行块映射,并从块映射结果中选取实体映射的候选匹配对,从而削减其数量,达到减少时间复杂度的目的。实验表明,文中方法显著提升运行时本体映射的效率,比Falcon-AO本体映射方法快6倍。     

用户评论中的标签抽取以及排序

对于一个实体(产品或者商户),往往伴随着成千上万的用户评论。如何从这些冗杂的评论信息中抽取能够描述此实体的精华信息是研究的热点问题。该文提出了一种能够为每个实体抽取特征标签的方法,并且语义去重,保证标签在语义空间内相互独立。首先,对于每个实体的所有评论,进行中文分词、词性标注,并且做依存句法分析。然后,根据每个句子中的依存关系,抽取关键标签,构成此实体的标签库,并且对标签库进行显式语义去重。最后通过K-Means聚类以及Latent Dirichlet Allocation(LDA)主题模型将每个标签映射到语义独立的主题空间,再根据每个标签相对该主题的置信度进行排序。通过以上步骤,可以为每个实体抽取语义独立的关键标签描述,实验中,该文通过对返回标签列表的准确性以及语义多样性进行了统计分析,验证了标签抽取方法的可行性和有效性。     

基于四元数的HSV空间下彩色图像边缘检测

1843年哈密尔顿提出了四元数（超复数）以来，在数字图像处理方面也得到了应用。本文通过非线性变换先把图像从RGB转换成HSV颜色空间，在转换后的彩色空间下，利用四元数的性质和一个局部卷积模板把彩色图像映射为一个亮度矩阵，在此基础上，通过一个阈值调整，检测出整个图像的边缘。实验表明，该方法较快较好地得到边缘。     

基于谱特征嵌入的脑网络状态观测矩阵降维方法

针对基于功能核磁共振（fMRI）重构的脑网络状态观测矩阵维数过高且无特征表现的问题,提出一种基于谱特征嵌入（Spectral Embedding）的降维方法。该方法首先计算样本间相似性度量并构造拉普拉斯矩阵;然后对拉普拉斯矩阵进行特征分解,选取前两个主要的特征向量构建2维特征向量空间以达到数据集由高维向低维映射（降维）的目的。应用该方法对脑网络状态观测矩阵进行降维并可视化在二维空间平面,通过量化类别有效性指标对可视化结果进行评价。实验结果表明,与主成分分析（PCA）、局部线性嵌入（LLE）、等距映射（Isomap）等降维算法相比,使用该方法得到的脑网络状态观测矩阵低维空间的映射点有明显的类别意义表现,且在类别有效性指标上与多维尺度分析（MDS）和t分布随机邻域嵌入（t-SNE）降维算法相比,同一类样本间平均距离Di指数分别降低了87.1%和65.2%,不同类样本间平均距离Do指数分别提高了351.3%和25.5%;在多个样本上的降维可视化结果均有一定的规律性体现,该方法的有效性和普适性得以验证。     

单步片段标注的实体关系联合抽取模型

关系抽取作为知识图谱等诸多领域的上游任务，具有广泛应用价值，近年来受到广泛关注。关系抽取模型普遍存在暴露偏差问题，抽取文本普遍存在实体嵌套和实体重叠问题，这些问题严重影响了模型性能。因此，提出了一种基于片段标注的实体关系联合抽取模型（span-labeling based model,SLM），主要包括：将实体关系抽取问题转化为片段标注问题；使用滑动窗口和三种映射策略将词元（token）序列进行组合排列重新平铺成片段（span）序列；使用LSTM和多头自注意力机制进行片段深层语义特征提取；设计了实体关系标签，使用多层标注方法进行关系标签分类。在英文数据集NYT、WebNLG上进行实验，相对于基线模型F1值显著提高，验证了模型的有效性，能有效解决上述问题。     

对称箭形矩阵最大最小特征对的逆特征值问题的一个有效算法

研究一个对称箭形矩阵的逆特征值问题：给定非零向量x∈R^n,y∈R^k,k≤n,以及两个实数λ〉μ,求对称箭形矩阵A,使得（λ,x）是对称箭形矩阵A的最大特征对,而（μ,y）是A的k阶顺序主子阵Ak的最小特征对。给出该问题有解的充分必要条件,并且给出一个算法计算该问题的一个解,数值实例说明是可行的。     

高档个人计算机的系统空间映射和周期转换

在一个典型的具有３级总线结构的ＰＣ机里，一方面各级总线上的主设备都可面对自己的地址空间启动各自总线上的访问周期，另一方面系统中各类地址空间实体分布在各级总线上，使得各级总线设备的访问地址与各处实际空间的映射关系千头万绪。该文把物理上分布于各处的地址空间组织成一个整体，并视之为一个独立于各级总线主设备地址空间之外的、又为各级主设备所共有的空间（系统空间），然后在此基础上着重分析了两级总线桥如何共同把     

基于协方差矩阵降维稀疏表示的二维波达方向估计

针对稀疏重构下二维波达方向（2D-DOA）估计存在计算量大的问题,提出一种基于协方差矩阵降维稀疏表示的二维波达方向估计方法。首先引入空间角构造流形矢量矩阵冗余字典,将方位角和俯仰角组合从二维空间映射到一维空间,降低了字典的长度和求解复杂度,并且能自动实现俯仰角和方位角配对;其次改进了样本协方差矩阵的稀疏表示模型,对该模型进行了降维处理;然后由协方差矩阵稀疏重构的残差约束特性得到约束残差项置信区间,避免采用正则化方法导致参数选取困难;最后通过凸优化包实现了二维波达方向的估计。仿真实验表明,待选取的协方差矩阵列数达到某个阈值（在只有两个入射信号情况下该值为3）时,可准确实现入射信号角的估计;当信噪比（SNR）较小（<5dB）时,该方法估计精度优于基于空间角的特征矢量算法;低快拍数（<100）下该方法估计精度略低于特征矢量法,但小间隔角度下估计精度与后者相当。     

基于双向映射学习的多标签分类算法

现有的多标签学习算法往往只侧重于实例空间到标签空间的正向投影,正向投影时由于特征维数降低所产生的实例空间信息丢失的问题往往被忽略。针对以上问题,提出一种基于双向映射学习的多标签分类算法。首先,利用实例空间到标签空间的正向映射损失建立线性多标签分类模型;然后,在模型中引入重构损失正则项构成双向映射模型,补偿由于正向映射时导致的鉴别信息的丢失;最后,将双向映射模型结合标签相关性和实例相关性充分地挖掘标签之间、实例之间的潜在关系,并利用非线性核映射提高模型对非线性数据的处理能力。实验结果表明,与近年来的其他几种方法相比,该方法在汉明损失、一次错误率和排序损失上的性能平均提升17.68%、17.01%、18.57%;在六种评价指标上的性能平均提升了12.37%,验证了模型的有效性。     

基于核正交半监督鉴别分析的人脸识别算法

针对人脸识别中的非线性特征提取和有标记样本不足问题,提出了在核空间具有正交性半监督鉴别矢量的计算方法。算法利用核函数将人脸数据映射到高维非线性空间,在该空间采用边界Fisher判别分析（Marginal Fisher Analysis,MFA）算法将少量有类别标签样本进行降维,同时采用无监督鉴别投影（Unsupervised Discriminant Projection,UDP）对大量无标签样本进行学习,以半监督的方法构造算法的目标函数,在特征值求解时以正交方式找出最优投影向量,进行人脸识别。通过实验,在ORL和YALE人脸数据库上验证了该算法的有效性。     

增强学习标签相关性的多标签特征选择方法

针对现有多标签特征选择方法存在的两个问题：第一,忽略了学习标签相关性过程中噪声信息的影响;第二,忽略探索每个簇的综合标签信息,提出一种增强学习标签相关性的多标签特征选择方法。首先,对样本进行聚类,并将每个簇中心视为一个综合样本语义信息的代表性实例,同时计算其对应的标签向量,而这些标签向量体现了每个簇包含不同标签的重要程度;其次,通过原始样本和每个簇中心的标签级自表示,既捕获了原始标签空间中的标签相关性,又探索了每一个簇内的标签相关性;最后,对自表示系数矩阵进行稀疏处理,以减少噪声的影响,并将原始样本和每个簇代表性实例分别从特征空间映射到重构标签空间进行特征选择。在9个多标签数据集上的实验结果表明,所提的算法与其他方法相比具有更好的性能。