半参数测量模型在GPS高程拟合中的应用

利用罚最小二乘原理构造加权惩罚平方和，将半参数回归模型与最小二乘配置结合起来，来处理GPS高程问题，导出了配置型模型中正规化矩阵正定时参数平差的计算方法，用直接法得到了参数和信号的估计量，给出了相应的公式。其次，通过选取合适的平滑因子，能使残差的分布更接近其真实分布，并用一个实例说明了此方法的有效性。     

Improved nonconvex optimization model for low-rank matrix recovery

Low-rank matrix recovery is an important problem extensively studied in machine learning, data mining and computer vision communities. A novel method is proposed for low-rank matrix recovery, targeting at higher recovery accuracy and stronger theoretical guarantee. Specifically, the proposed method is based on a nonconvex optimization model, by solving the low-rank matrix which can be recovered from the noisy observation. To solve the model, an effective algorithm is derived by minimizing over the variables alternately. It is proved theoretically that this algorithm has stronger theoretical guarantee than the existing work. In natural image denoising experiments, the proposed method achieves lower recovery error than the two compared methods. The proposed low-rank matrix recovery method is also applied to solve two real-world problems, i.e., removing noise from verification code and removing watermark from images, in which the images recovered by the proposed method are less noisy than those of the two compared methods.     

利用判别字典学习的视觉跟踪方法

针对复杂背景及遮挡等引起目标跟踪性能显著下降的问题,提出一种目标跟踪方法。该方法首先根据目标时空局部相关性获取目标及背景样本。而后建立字典学习模型:基于误差项捕获遮挡等产生的异常值,利用极大极小凹加函数惩罚稀疏编码及误差矩阵,且对字典施加不一致约束项以提高字典的鲁棒性和判别性。针对所构建的非凸字典学习优化问题,利用优化最小化方法对其求解以获得较好的收敛性。最后,由所得判别字典计算候选目标的重构误差以构建目标观测模型,并基于贝叶斯推理框架实现目标精确跟踪。仿真结果表明,与现有主流算法相比,所提方法在复杂环境下可显著地提高目标跟踪的精度及鲁棒性。     

两种保持符号距离函数的水平集分割方法

Chan-Vese模型在图像分割领域正被广泛应用。然而,传统的水平集方法存在两个重要的数值问题:水平集函数不能隐式地保持为符号距离函数;由于采用梯度降方法求解使水平集演化速度缓慢。针对该问题提出两种快速分割方法加快演化速度:对偶方法和分裂Bregman方法。为了让水平集保持符号距离函数特性,利用投影方法加以约束,并采用增广Lagrangian方法加快收敛速度。实验结果表明,提出的两种快速分割方法比传统的梯度降方法分割效果好、计算效率高。     

Contour tracking using weighted structure tensor based variational level set

A novel contour tracking method using weighted structure tensor based variational level set is proposed in this paper.The image is first converted to weighted structure tensor field by extracting apositive definite symmetric covariance matrix for each pixel.Then,a level set method is employed to represent object contour implicitly which separates the image domain into two areas each modeled by tensor field based Gaussian mixture model separately.By solving agradient flow equation of energy functional with respect to the level set,the object contour will converge to its real profile in the newly arrived frame.Experimental results on several video sequences demonstrate the better performance of our method than the other two contour tracking algorithms.     

基于SCAD-ESN的时间序列预测模型

回声状态网络（ESN）是一种重要的时间序列预测方法,但在训练数据存在噪声或野点情况下,ESN将会出现过拟合问题。针对该问题,提出基于平滑消边绝对偏离罚函数的回声状态网络（SCAD-ESN）模型。不同于在模型中加入岭回归、L₁范数罚函数及小波降噪等常规方法,该模型利用SCAD罚函数对变量进行选择,将小变量置为零以满足变量稀疏性,将大变量直接置为常数,从而能够很好地解决ESN过拟合问题并满足近似无偏估计。对于SCAD罚函数的非凸函数优化问题,提出基于局部二次近似（LQA）的求解方法,将最小角回归（LQR）方法用于SCAD罚函数求解,避免了计算量巨大的问题。使用基于粒子群优化（PSO）的超参数选取方法快速确定平滑消边绝对偏离-回声状态网络模型的超参数,克服利用经验选取超参数时存在的盲目性较大且难以确定整体最优的超参数问题。混沌系统数值仿真和网络流量仿真结果表明,相对于常规模型,该模型能有效地降低测试误差,从而克服过拟合问题。     

一种改进的C-V水平集遥感图像分割方法

针对遥感图像边界模糊分割难的问题,提出了一种改进的基于小波变换的C-V水平集分割方法提高其分割准确性.该方法首先使用小波变换得到原图像的高频分量,初步定位图像中高频信号的空间位置;然后根据高频分量的幅值及其空间分布,借鉴反锐化掩模法的思想,增强图像高频信号对水平集分割的指导作用,并优化驱动水平集演化的内、外能量及曲线长度约束能量.实验证明,运用该方法对遥感图像的分割结果比传统水平集方法更准确,能有效的利用局部信息提高水平集能量项的有效性和分割结果的准确性.     

输入约束下高阶智能体均方一致性研究

该文对高阶多智能体系统拓扑结构Markov切换且控制输入受到非凸约束时的均方一致性问题进行了研究。首先,引入了一个非凸约束算子,并且根据多智能体系统中邻居节点信息设计了系统的控制协议;之后,利用非负矩阵的性质,得到了当高阶多智能体系统拓扑结构是Markov切换时,系统能够实现均方一致性的充要条件;最后,通过数值仿真验证了在该控制协议下,系统能够达到均方一致性。     

水电站导流洞围岩稳定性的可变模糊评价方法

依据可变模糊集理论,提出了围岩稳定性的可变模糊工程综合评价方法,它不仅可确定影响围岩稳定性的各个指标对各级别标准值区间的相对隶属度,而且在多指标综合评价中,可变换模型的参数,提高评价结果的可靠度,从而可合理地分析围岩的稳定性和确定其所处的级别.该方法应用于黄河大柳树水电站导流洞围岩稳定性分析,取得了较好的效果.与模糊物元评价方法的结果进行比较与分析,进一步验证了该方法的合理性.     

鲁棒支持向量机及其稀疏算法

基于非凸光滑损失的鲁棒支持向量机分类模型对异常点具有鲁棒性,但已有求解算法需迭代求解二次规划,计算量大且收敛速度慢,不适合训练大规模数据问题。为了克服这些缺点,首先给出收敛速度更快的方法求解鲁棒支持向量机模型;然后基于最小二乘的思想,提出了一种推广的指数鲁棒最小二乘支持向量机模型及其快速收敛的求解算法,并从理论上解释了模型的鲁棒性;最后利用核矩阵的低秩近似,提出了适于处理大规模训练问题的稀疏鲁棒支持向量机算法和稀疏指数鲁棒最小二乘支持向量机算法。实验结果表明,新算法在收敛速度、测试精度和训练时间等方面均优于相关算法。     

基于粗糙集-BP神经网络的浮选槽液位预测

针对反浮选过程中浮选槽液位指标难以建立精确的数学模型、常规检测方法不能有效控制问题,提出一种将粗糙集与BP神经网络理论相结合方法[1],建立反浮选液位软测量模型。从浮选过程积累的数据中获取过程知识,通过粗糙集属性约简对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数,从得到的优化设定自动更新浮选槽液位控制回路的设定值,避免了人工控制的不稳定性和不精确性。此方法应用于某浮选厂,满足了液位预测要求的精度,在液位控制、经济指标提高及浮选过程稳定等方面取得了明显的效果。     

融合区域和边界信息的水平集SAR图像分割方法

提出了一种基于区域和边界信息的水平集SAR图像分割方法。该方法根据SAR图像的区域统计特征和边界梯度信息,建立SAR图像分割能量泛函模型;通过最小化能量泛函得到曲线演化偏微分方程;采用水平集方法求解演化方程,实现了SAR图像的分割。分别采用模拟和真实SAR图像对该方法进行了仿真。实验结果表明,该方法能充分利用SAR图像特征,不需要去除相干斑噪声的预处理过程,实现了对图像中目标与背景的正确分割。     

Tri-level programming model for combined urban traffic signal control and traffic flow guidance

In order to balance the temporal-spatial distribution of urban traffic flow, a model is established for combined urban traffic signal control and traffic flow guidance. With consideration of the wide use of fixed signal control at intersections, traffic assignment under traffic flow guidance, and dynamic characteristics of urban traffic management, a tri-level programming model is presented. To reflect the impact of intersection delay on traffic assignment, the lower level model is set as a modified user equilibrium model. The middle level model, which contains several definitional constraints for different phase modes, is built for the traffic signal control optimization. To solve the problem of tide lane management, the upper level model is built up based on nonlinear 0-1 integer programming. A heuristic iterative optimization algorithm(HIOA) is set up to solve the tri-level programming model. The lower level model is solved by method of successive averages(MSA), the middle level model is solved by non-dominated sorting genetic algorithm II(NSGA II), and the upper level model is solved by genetic algorithm(GA). A case study is raised to show the efficiency and applicability of the proposed modelling and computing method.     

一种改进的变分水平集车辆检测技术

针对传统运动目标检测算法存在适应性差、对噪声较敏感等缺点,提出一种基于变分水平集快速提取边缘模糊运动目标的方法。该算法利用主动轮廓模型进行边缘检测约束,并结合变分水平集方法进行二次演化获得准确的图像分割。实验证明,该方法能够快速准确的分割运动目标,对于复杂环境有较好的适应性和鲁棒性。     

融合Ratio边缘信息的水平集SAR图像分割方法

提出了一种融合边缘和区域信息的变分水平集合成孔径雷达图像分割方法.该方法不需要去除相干斑噪声的预处理过程,利用具有恒虚警特性的Ratio算子提取合成孔径雷达图像的边缘信息,并与无边缘活动轮廓模型结合建立合成孔径雷达图像分割能量泛函模型,通过最小化能量泛函得到曲线演化偏微分方程,采用变分水平集方法求解演化方程,实现了合成孔径雷达图像的分割.分别采用模拟和真实合成孔径雷达图像对该方法进行了验证,实验结果表明,该方法实现了合成孔径雷达图像中目标与背景的正确分割,具有较好的边缘定位能力.     

Robust Deep 3D Convolutional Autoencoder for Hyperspectral Unmixing with Hypergraph Learning

基于超图学习的鲁棒深度3D卷积自动编码器高光谱解混方法

贾培源,张淼,沈毅

（哈尔滨工业大学 控制科学与工程系,哈尔滨 150001）

创新点说明：

1） 提出一种深度解混网络模型R3dCAE。深度学习能够通过深层非线性映射,实现高阶特征提取与数据变换,在解混领域展现出了巨大的应用价值。为去除影像内高噪声对解混带来的不利影响,通过去噪自编码网络与非负自编码网络级联,实现数据恢复与高精度解混工作。

2） 针对高光谱三维体数据特殊结构,将去噪自编码网络和三维卷积网络相结合,通过构建三维卷积层/反卷积层与三维池化/反池化层,深层解混模型R3dCAE能够无监督学习鲁棒的空谱联合特征信息;采用一系列噪声抽样的影像数据对网络参数进行训练优化,该模型能够对含噪数据输入实现高精度数据重建。

3） R3dCAE模型采用结合超图约束的自编码网络同步提取端元与丰度信息。通过邻域光谱相似性度量,超图结构能够描述物质分布的低维流形关系,从而表示物质分布的空间一致性信息;同时引入l2,1范数稀疏约束,在网络的迭代优化中实现精确的端元提取与丰度反演任务。

研究目的：

针对现有高光谱解混算法处理光谱混合数据,端元提取受噪声影响大,鲁棒性差,并且获得的丰度无法提现物质空间分布相关性信息,解混精度受限,探索一种基于深度学习的高光谱解混网络架构,通过网络的深层学习与优化,实现端元与丰度信息的高精度求取任务。

研究方法：

所提出深度解混框架R3dCAE由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。三维去噪卷积自编码网络通过在编码层搭建卷积层与池化层,在解码层搭建反卷积层与反池化层,从而实现无监督提取光谱维与空间维的联合特征信息,通过学习含噪数据获得去噪影像光谱信息;非负稀疏自编码网络以三层网络映射的方式实现端元与丰度信息的联合优化,引入超图约束和稀疏约束,以更好实现端元特征提取和丰度信息求取。

研究结果：

采用仿真数据集对所提出解混框架和目前先进解混算法,包括MVSA, RCo-NMF, MVC-NMF, SGSNMF, 与uDAs等进行比较,对比各算法端元提取与丰度反演结果与参考端元和丰度信息的误差,结果显示R3dCAE在不同信噪比下都具有优异的性能表现;针对实际高光谱遥感数据集,对比各算法获得的端元信号误差,从而展示了所提出解混网络的有效性与鲁棒性。

结论：

本文针对高光谱图像数据光谱混合问题,提出一种新型的结合空间信息的高光谱深层自编码解混网络框架。该深度解混框架由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。通过三维卷积与池化操作,三维去噪卷积自编码网络能够以无监督的方式提取光谱维与空间维的联合特征信息,并通过解码层的构建获得去噪影像数据;在非负稀疏自编码网络中,为保证丰度解的稀疏性和丰度在空间分布相关性,在网络上构建中引入超图学习和l2,1范数稀疏约束,从而使得求取的端元与丰度不仅满足非负性与和为一约束,同时丰度具有空间分布相关性信息。在实验验证中采用仿真数据集和真实高光谱影像对所提出解混框架和其他先进解混算法进行比较,展示了所提出解混网络的有效性与鲁棒性。

关键词：深度学习;无监督解混;卷积自编码网络;超图;高光谱图像;

     

同伦方法求解一类非凸规划问题的新的收敛性定理

同伦方法求解非凸规划的收敛点只是问题的K-K-T点。对于目标函数为凸的一类非凸规划,得到了同伦方法求解的一个新的收敛性定理,证明了无论同伦映射是否为正则映射,同伦方法求得的K-K-T点一定是局部极小点。     

考虑出行成本不确定性的路网交通疏散策略

为提高应急管理水平,考虑突发事件影响下的交通出行成本不确定性,对城市交通疏散问题进行研究。首先,根据交通疏散问题的时空特性创建时空耦合网络图,并且结合行程时间成本和冲突风险成本,提出了城市交通路网出行成本的量化方法。进一步考虑路段资源权重上限的影响,通过增加边际约束,构建基于预算不确定集的先验疏散策略的鲁棒优化模型,以最小化路网疏散过程的总交通出行成本。然后运用模型重构技术,将搭建的鲁棒模型转化为混合整数线性规划模型,并设计改进的拉格朗日松弛方法进行解耦求解。最后以SiouxFalls网络进行算例分析,数值结果表明,随着不确定集和模型规模的增大,行程时间成本和冲突风险成本的增速分别提高约29.13%和236.46%,模型预算参数控制在一定的区间,能够较好地权衡解的鲁棒性与最优性。通过南京部分区域路网案例测试验证所述方法在更大规模网络算例的适用性,研究结果表明:相比于传统拉格朗日松弛方法,所提出的改良方法可以在较少的迭代次数内得到高质量的可行解。研究结果可以为应急指挥部门制定可靠的交通疏散策略提供思路。     

改进二值LFI医学图像分割模型

基于区域活动轮廓模型在处理医学特定分割目标时,受到图像背景影响较大,难以提取目标边界轮廓.针对这一问题,提出一种改进LFI模型.该模型构造出局部适当图像来逼近原图像,且引入吸附因子约束曲线演化方向,恢复曲线演化渐进性,使得分割具有针对性.采用二值水平集方法实现整个分割过程,避免了传统水平集数值不稳定性.实验结果表明该方法可以快速有效地分割特定医学图像目标.     

基于道路安全评价的协同震荡模型研究

为了评价道路的安全性,运用高等协同学、种群动力学、系统工程学等理论,从汽车在不同的道路环境中行车时驾驶员心理-生理感受出发,借助动态的心理-生理检测设备,在大量的行车实验数据基础上,结合驾驶员的舒适性阈值,根据人、车、路、环境等交通因子对驾驶员心理反应程度影响,构建评价道路安全的协同振荡模型,并结合实际事例对模型进行了验证,运用协同振荡模型从驾驶员舒适性角度对我国山区双车道公路的安全性进行评价,同时提出了道路的改建措施．