融合数据增强的迁移字典学习

提出利用迁移字典解决复杂行为数据集标签样本不足的问题。所提出的方法使用简单行为作为源域,来辅助识别由一系列简单行为组成的复杂行为。通过稠密轨迹提取视频的低级特征,利用字典学习从简单行为和复杂行为的低级特征中分别获得相应的稀疏表示,并利用简单行为的稀疏表示通过迁移矩阵改善复杂行为的稀疏表示。因此,即使在复杂行为标签样本较少的情况下,迁移字典也能够获得更有效的高级特征。同时,利用GAN在特征层面上进行数据增强,帮助学习表征能力更强的字典。提出的方法在UCF101和HMDB51两个数据上进行了实验,在小样本量的情况下获得了比现有方法更好的识别结果,证明了方法的有效性。     

基于双迭代聚能量字典学习的数据压缩算法

针对基于稀疏表示（Sparse representation,SR）的数据压缩压缩率低、重构精度低等问题,本文提出一种基于双迭代的聚能量字典学习算法,把高维信号映射到低维特征空间,当低维特征空间保留高维原始信号越多的特征时,高维信号从低维特征空间中恢复出来的精度越高。为了使低维字典保留高维字典更多的主成分,本文提出了一个新的变换,被命名为?变换,能提升高维字典的能量集中性。除此之外,针对高维字典与低维字典的耦合关系,建立了双循环迭代训练,增加字典的能量集中性与字典的表达能力。实验表明,相比于传统算法,本文提出算法字典学习收敛速度提升了3倍以上。此外,该方法可以得到较高的压缩比和更高质量的重构信号。     

基于判别性解析字典与分类器学习的模式分类

稀疏表示（Sparse Representation,SR）和字典学习（Dictionary Learning,DL）已被广泛用于编码特征数据并有助于模式分类。现有方法通常使用[l1/l2]范数或每类使用特定字典来强制SR的类判别能力,但由此产生的类判别能力有限。在这项工作中,提出使用训练集作为训练样本的SR的综合字典,因为它为每类数据提供了最自然的特定字典。训练集的类信息可用于增强SR的判别能力：精确块对角线结构,意味着每个数据只能由同类中数据表示。为了使测试阶段容易,在训练集的判别SR的监督下学习解析字典和线性分类器。一旦学习了解析字典和分类器,测试阶段就非常简单并且高效。称之为判别分析字典与分类器学习（Discriminative Analysis Dictionary and Classifier Learning,DADCL）。大量实验表明,该方法具有较好的分类性能。     

数据压缩的综合字典模型

文中提出一种无损的数据压缩的字典方法，被称为综合字典方法，该方法在较大程度上消除数据文件中多种形式的冗余，达到较好的压缩效果。     

面向图像超分辨率的上下文字典学习

基于稀疏表示理论,提出了一种面向单张图片超分辨率的字典学习方法。通过对训练数据进行分类,期望在每一类训练数据训练字典的过程中,增强类内的上下文信息。与之前的面向图像分类的字典学习方法所不同的是,训练数据集由高分辨率图像块和对应的低分辨率图像块共同组成,这使训练得到的字典更适用于图像重构。利用有限的训练数据集,基于上下文的字典学习方法能够提高字典表示的拓展能力,消除由多重训练数据子集带来的冗余。     

一种新的用于电子词典的数据压缩算法

电子词典西文只有26个大小写字母，而汉字成百上千，利用此数据特点提出分别对中文和西文采用不同的压缩算法，此算法是对传统电子词典采用Huffman编码，将中文和西文不加区分混合进行压缩编码，对所存在缺陷进行改进。使电子词典的压缩率和压缩速度大大提高，同时在保证压缩率相等的情况下，使编码均匀分布减少预分配内存空间和增强抗误码的能力。最后通过实例比较了两种压缩的效率，说明新压缩方案的正确性和可行性。     

融合极端学习机的判别性分析字典学习算法

研究表明,端学习机和判别性字典学习算法在图像分类领域极具有高效和准确的优势。然而,这两种方法也具有各自的缺点,极端学习机对噪声的鲁棒性较差,判别性字典学习算法在分类过程中耗时较长。为统一这种互补性以提高分类性能,文中提出了一种融合极端学习机的判别性分析字典学习模型。该模型利用迭代优化算法学习最优的判别性分析字典和极端学习机分类器。为验证所提算法的有效性,利用人脸数据集进行分类。实验结果表明,与目前较为流行的字典学习算法和极端学习机相比,所提算法在分类过程中具有更好的效果。     

面向多维元数据模型构造的数据字典

针对应用系统数据采集和管理功能的需要，通过对数据库管理系统而设计的传统数据字典技术的改造并引入XML技术，提出面向Web应用系统设计过程的，能够跨平台实现集数据内容定义、表现形式定义、校验和统计定义等功能为一体，面向多维元数据模型构造的数据字典。     

Weakly-Supervised Cross-Domain Dictionary Learning for Visual Recognition

We address the visual categorization problem and present a method that utilizes weakly labeled data from other visual domains as the auxiliary source data for enhancing the original learning system. The proposed method aims to expand the intra-class diversity of original training data through the collaboration with the source data. In order to bring the original target domain data and the auxiliary source domain data into the same feature space, we introduce a weakly-supervised cross-domain dictionary learning method, which learns a reconstructive, discriminative and domain-adaptive dictionary pair and the corresponding classifier parameters without using any prior information. Such a method operates at a high level, and it can be applied to different cross-domain applications. To build up the auxiliary domain data, we manually collect images from Web pages, and select human actions of specific categories from a different dataset. The proposed method is evaluated for human action recognition, image classification and event recognition tasks on the UCF YouTube dataset, the Caltech101/256 datasets and the Kodak dataset, respectively, achieving outstanding results.     

基于二次学习的半监督字典学习软件缺陷预测*

当软件历史仓库中有标记训练样本较少时,有效的预测模型难以构建.针对此问题,文中提出基于二次学习的半监督字典学习软件缺陷预测方法.在第一阶段的学习中,利用稀疏表示分类器将大量无标记样本通过概率软标记标注扩充至有标记训练样本集中.再在扩充后的训练集上进行第二阶段的鉴别字典学习,最后在学得的字典上预测缺陷倾向性.在NASA MDP和PROMISE AR数据集上的实验验证文中方法的优越性.     

Observable Dictionary Learning for High-Dimensional Statistical Inference

This paper introduces a method for efficiently inferring a high-dimensional distributed quantity from a few observations. The quantity of interest (QoI) is approximated in a basis (dictionary) learned from a training set. The coefficients associated with the approximation of the QoI in the basis are determined by minimizing the misfit with the observations. To obtain a probabilistic estimate of the quantity of interest, a Bayesian approach is employed. The QoI is treated as a random field endowed with a hierarchical prior distribution so that closed-form expressions can be obtained for the posterior distribution. The main contribution of the present work lies in the derivation of a representation basis consistent with the observation chain used to infer the associated coefficients. The resulting dictionary is then tailored to be both observable by the sensors and accurate in approximating the posterior mean. An algorithm for deriving such an observable dictionary is presented. The method is illustrated with the estimation of the velocity field of an open cavity flow from a handful of wall-mounted point sensors. Comparison with standard estimation approaches relying on Principal Component Analysis and K-SVD dictionaries is provided and illustrates the superior performance of the present approach.     

基于映射字典学习的跨模态哈希检索

针对网络上出现越来越多的多模态数据,如何在海量数据中检索不同模态的数据成为一个新的挑战.哈希方法把数据映射到Hamming空间,大大降低了计算复杂度,为海量数据的跨模态检索提供了一条有效的路径.然而,大部分现存方法生成的哈希码不包含任何语义信息,从而导致算法性能的下降.为了解决这个问题,本文提出一种基于映射字典学习的跨模态哈希检索算法.首先,利用映射字典学习一个共享语义子空间,在子空间保持数据模态间的相似性.然后,提出一种高效的迭代优化算法得到哈希函数,但是可以证明问题的解并不是唯一的.因此,本文提出通过学习一个正交旋转矩阵最小化量化误差,得到性能更好的哈希函数.最后,在两个公开数据集上的实验结果说明了该算法优于其他现存方法.     

人脸识别中基于系数相似性的字典学习算法

在现有的基于稀疏表示分类算法的人脸识别中,使用通过稀疏学习得到的精简字典可以提高识别速度和精确度。metaface学习(Metaface Learning,MFL)算法在字典学习过程中没有考虑同类样本稀疏编码系数之间具有相似性的特点。为了利用这一信息来提高字典的区分性,提出了一种基于系数相似性的metaface学习(Coefficient-Simi-larity-based Metaface earning,CS-MFL)算法。CS-MFL算法的学习过程中,在更新稀疏表示系数阶段加入同类训练样本稀疏编码系数相似的约束项。为了求解包含系数相似性约束的新的最优化问题,将目标函数中的两个l2范数约束项进行合并,将原问题转化为典型l₂- l1问题进行求解。在不同的人脸库上进行实验,结果表明,提出的CS-MFL算法能够获得比MFL算法更高的识别率,说明由CS-MFL算法学习得到的字典更高效且更具区分性。     

基于字典学习的核稀疏表示人脸识别方法

受Metafaces方法的启发,提出一种基于字典学习方法的核稀疏表示方法并成功应用于人脸识别。首先,采用核技术将稀疏表示方法推广到高维空间得到核稀疏表示方法。其次,借鉴Metaface字典学习方法,进行字典学习得到一组核基向量构成核稀疏表示字典。最后,利用学习得到的核字典基重构样本,并根据样本与重构样本之间的残差最小原则对人脸图像进行分类。在AR、ORL和Yale人脸数据库上的实验表明该方法的良好识别性能。     

面向分类的增量字典学习算法

针对面向分类的传统字典学习方法在大数据集上批量学习时计算代价较高的问题,提出一种类特定的增量式字典学习算法。该算法在初始训练集上进行类特定的字典学习得到初始字典,通过增量数据集选取增量字典原子初始值。根据不能在初始字典上稀疏表示且互信息最大的原则,从增量样本集中选取若干样本作为增量字典原子的初始值。在保持原有字典原子不变的情况下,迭代更新编码系数和增量字典原子,直至收敛得到新的字典。利用稀疏表示分类器,在Eclipse数据集和ORL人脸图像数据库上的实验结果验证了该算法的分类有效性和计算代价上的优越性。     

基于多核字典学习的软件缺陷预测

提出一种多核字典学习方法,用以对软件模块是否存在缺陷进行预测。用于软件缺陷预测的历史数据具有结构复杂、类不平衡的特点,用多个核函数构成的合成核将这些数据映射到一个高维特征空间,通过对多核字典基的选择,得到一个类别平衡的多核字典,用以对新的软件模块进行分类和预测,并判定其中是否存在缺陷。在NASA MDP数据集上的实验表明,与其他软件缺陷预测方法相比,多核字典学习方法能够针对软件缺陷历史数据结构复杂、类不平衡的特点,较好地解决软件缺陷预测问题。     

对含噪声数据的一种鲁棒学习算法

1．引言对一个难于建立数学模型的复杂控制对象,以神经网络和模糊控制为代表的智能控制方法比传统控制方法具有很大的优越性．然而,在一个实际控制系统中,输入神经网络的外界测量和传输数据不可避免地受到或大或小的噪声干扰（如测量误差,元件的热噪声、电噪声,电磁干扰,甚至人为的过失误差等）,给神经网络的学习带来困难．例如传统的BP算法,当输入一输出数据样本受到噪声干扰时,会导致网络输出曲线（面）朝着受到噪声污染的样本曲线（面）靠近,而得不到真实的曲线（面）;同时,受到噪声污染的样本曲线（面）在某些局部常常变得…     

大数据背景下在线学习数据分析方案设计

大数据环境下数据分析是数据价值发掘的重要过程,合理的数据分析方案对数据分析过程和成效至关重要,提出一个大数据分析流程方案设计方法。该方案详细给出了分析流程应包括的内容,以及每个阶段的主要任务和结果形式,从而能有效指导数据分析项目的执行。该方法成功地应用于在线学习课程成绩预测分析项目中,对其他数据分析项目也具有通用性。     

面向智慧教育的学习大数据分析技术

随着社会的发展,我国的教学制度也在不断的完善和优化,其中,随着信息化程度的加深,在教学行业中又出现了多样化的教学形式。在信息化时代下,教师充分地将以互联网为基本的智能化信息技术科学有效地应用到实际的教学工作当中,从而在很大程度上提升了教学的整体质量和智能化程度,促进了教学行业个性化和创新性教学模式的进一步开展,其中,学习大数据分析技术成为了智慧教育长远发展的基本保障。因此,本文将以面向智慧教育的学习大数据分析技术为主题展开分析,通过详细分析智慧教育和学习大数据分析技术,提出一些面向智慧教育的学习大数据分析方法。