流形结构保持的传播半监督降维算法

标签传播算法(LP)是一种基于图的半监督学习算法,通过保持数据间的某些特殊结构,将部分有标签数据的标签信息迭代传递给无标签数据,直至获得全局的稳定状态.结合标签传播算法和线性鉴别分析提出一种流形结构保持的传播半监督降维算法(SDRMPP),采用流行结构上的重构权重并结合已知的部分标签信息进行标签传播,利用传播后获得的全体软标签信息构造离散度矩阵实现鉴别分析,通过求解目标函数的最优值获得特征抽取空间,从而对测试样本进行分类.在Yale和Feret两个标准人脸库上实验验证了该算法的有效性,尤其在只存有少量有标签样本的情况下,该算法仍能保持良好的分类性能.     

基于图的半监督降维算法

非线性降维和半监督学习都是近年来机器学习的热点。将半监督的方法运用到非线性降维中,提出了基于图的半监督降维的算法。该算法用等式融合的方法推出了标记传播算法的另一种表达形式,用标记传播的结果作为初始的数据映射,然后在图谱张成的线性空间中寻找最逼近初始映射的数据作为最后的半监督降维的结果。实验表明,所提算法可以获得平滑的数据映射,更接近于理想的降维效果。与标记传播算法、图谱逼近算法、无监督的降维算法的比较也体现出本算法的优越性。     

基于权值的局部保持半监督降维算法*

针对现有的半监督降维算法没有考虑存在于数据集中的大量未标记信息,不能得到最好的降维效果的问题。本文提出了一种改进的基于权值的局部保持半监督降维算法。该算法在保持正、负约束信息的同时,还利用距离权值来保持数据集所在的局部结构,从而提高降维效果。在UCI数据集上的实验表明,该算法能够提高降维的效果,尤其是在数据分布特性不满足流形结构时,仍能得到较好的聚类结果。     

基于局部流形重构的半监督多视图图像分类

为了在半监督情境下利用多视图特征中的信息提升分类性能,通过最小化输入特征向量的局部重构误差为以输入特征向量为顶点构建的图学习合适的边权重,将其用于半监督学习。通过将最小化输入特征向量的局部重构误差捕获到的输入数据的流形结构应用于半监督学习,有利于提升半监督学习中标签预测的准确性。对于训练样本图像的多视图特征的使用问题,借助于改进的典型相关分析技术学习更具鉴别性的多视图特征,将其有效融合并用于图像分类任务。实验结果表明,该方法能够在半监督情境下充分地挖掘训练样本的多视图特征表示的鉴别信息,有效地完成鉴别任务。     

半监督的稀疏保持二维边界Fisher分析降维算法

针对样本集中类别标签样本不足的问题,提出一种半监督的稀疏保持二维边界fisher分析降维算法.首先利用图像像素间的空间结构信息,基于图像矩阵进行降维;然后设计类内散度矩阵和类间散度矩阵,以保持样本间的类内紧凑性和类间分离性;最后通过稀疏保持对特征间的稀疏重构性加以约束,所获得的稀疏重构权重保持了局部几何结构,而且也包含了自然鉴别信息.在YALE,ORL和AR人脸数据库上的实验结果表明,该算法具有很好的分类和识别性能.     

一种半监督的多标签Boosting分类算法

针对标记数据不足的多标签分类问题,提出一种新的半监督Boosting算法,即基于函数梯度下降方法给出一种半监督Boosting多标签分类的框架,并将非标记数据的条件熵作为一个正则化项引入分类模型。实验结果表明,对于多标签分类问题,新的半监督Boosting算法的分类效果随着非标记数据数量的增加而显著提高,在各方面都优于传统的监督Boosting算法。     

半监督局部保持高光谱影像降维算法研究

由于高维特征空间通常会导致不适定问题,针对高光谱影像的统计模式识别是非常艰巨的任务。随着波段数目的增加,高光谱影像分析则面临Hughes现象等障碍,因此促进了降维方法的发展,它能够有效处理有限训练样本下的高维数据集情形。降维算法的目标是在保持原始数据主要本征信息的同时获取高维数据样本的低维表示。为了能够有效解决高光谱影像分析中的"维数灾难"问题,从而改进后续计算复杂度,我们引入一种半监督局部保持的降维算法。     

半监督LLE人脸识别算法

实际应用中获得少量带有标签的人脸数据集比较容易,为了充分利用人脸数据集中的半监督信息,根据基于密度聚类的算法思想,提出一种半监督的LLE算法。利用带标签的样本,以每一个带标签的样本为中心点,采用标签扩展算法对不带标签的样本添加标签,再运行监督LLE算法,得到降维后的数据并保留了原始数据集中的分类信息和子流行结构,最后,将算法用到人脸识别当中。通过与2DLDA、LLE、SLLE算法进行比较,结果表明了提出算法的有效性。     

基于半监督流形学习的人脸识别方法

如何有效地将流形学习(Manifold learning,ML)和半监督学习(Semi-supervised learning,SSL)方法进行结合是近年来模式识别和机器学习领域研究的热点问题.提出一种基于半监督流形学习(Semi-supervised manifold learning,SSML)的人脸识别方法,它在部分有标签信息的人脸数据的情况下,通过利用人脸数据本身的非线性流形结构信息和部分标签信息来调整点与点之间的距离形成距离矩阵,而后基于被调整的距离矩阵进行线性近邻重建来实现维数约简,提取低维鉴别特征用于人脸识别.基于公开的人脸数据库上的实验结果表明,该方法能有效地提高人脸识别的性能.     

基于局部重构与全局保持的半监督维数约减算法

针对基于局部与全局保持的半监督维数约减算法(LGSSDR)对部域参数选择比较敏感以及对部域图边权值设定不够准确的问题,提出一种基于局部重构与全局保持的半监督维数约减算法(工RGPSSDR)。该算法通过最小化局部重构误差来确定部域图的边权值,在保持数据集局部结构的同时能够保持其全局结构。在Extended YaleB和CMU PIE标准人脸库上的实验结果表明LRGPSSDR算法的分类性能要优于其它半监督维数约减算法。     

自适应调强技术(A-IMRT)的仿真算法研究

在仿真人体模上,通过增加照射野方向,利用自适应调强技术(A-IMRT)优化各方向上照射野强度,初步实现并验证了这种综合传统IMRT和VMAT技术优点,规避其缺点的自适应IMRT新技术(A-IMRT):为模拟临床,我们选取仿真体模中相对简单的腹部病兆,给予7个野照射45Gy为参照,算法中m被分别限定为1,2,3且最多30个子野(相对简单的腹部肿瘤30个子野通常可以达到较理想的结果)。根据软件给出的计划难以指数显示plan20/20最容易达到,plan10/10最难达到。Plan10/20与Plan10/30处于中位值附近,但与标准计划plan7/30相比,在难易程度上差距不大。且plan10/20和plan20/20在剂量断层分布和各感兴趣组织DVH图上都有较理想表现,在保证肿瘤处方剂量的基础上给予正常组织较小的剂量,有较好的保护作用。因此,利用计算机仿真技术,从传统IMRT技术着手,可实现介于IMRT与VMAT之间的自适应A-IMRT技术,并得到更优化的方案。这一技术通过验证具有可行性和高效性,这一点在仿真人腹部模型上得到较理想的结果。     

基于保局投影的相关反馈算法

在原有保局投影算法中引入用户反馈,用其更新构建降维映射的特征向量,从而得到一个更能够反映语义属性的图像表示子空间.该算法利用用户反馈迅速优化图像表示,使它具有长期学习的能力.实验结果表明:该算法可以提高检索的准确度,而且在经过长期学习后可以获得一个近似最优的图像降维子空间.     

基于局部保持投影的人脸超分辨率方法研究

通常,人脸图像能够看作是嵌入到高维空间中的低维流形的点的集合。流形学习被用于很多降维方法中,局部保持投影（LPP）便是其中的一种。针对局部保持投影方法进行了研究,将局部保持投影算法融入到超分辨率方法中,并将其结合到人脸图像的复原上。介绍现有的基于LPP的人脸图像的超分辨率算法。     

基于排斥图和吸引图的局部保持投影

局部保持投影(LPP)算法未利用样本类别信息进行人脸识别,提取的特征不适合分类。为解决该问题,提出一种基于排斥图和吸引图的LPP算法。在K近邻图的基础上建立排斥图和吸引图,使排斥图反映2个邻近但不同类样本之间的关系,吸引图反映2个同类但不近邻样本之间的关系,结合两者进行特征提取,定义样本相似性度量,以去除原始特征提取噪声和特征值变异的影响。在Feret和Yale人脸数据库上的实验结果表明,该算法的识别率高于主成分分析算法和传统LPP算法。     

基于Grassmann流形的半监督图像集鉴别分析

提出了基于Grassmann流形的半监督图像集鉴别分析方法。该方法将子空间表示成Grassmann流形上的点,分别用一组单位正交基表示。通过Grassmann核函数,度量子空间的相似度。不同于其他基于Grassmann流形的图像集鉴别分析,引入图嵌入框架,通过保持数据局部邻域结构的同时,最大化不同类别数据的距离,得到最优投影矩阵,并在投影空间中进行图像集分类。采用半监督学习,对于未标记样本,根据其最近邻类别进行估计。实验表明,该方法取得了优于其他图像集识别算法的效果。     

基于改进二维保局投影算法的人脸识别

传统的二维保局投影(2DLPP)算法未考虑样本邻域间局部信息,并且所提取的特征矩阵分量间存在相关性。针对该问题,提出基于大间距准则的最小相关性监督2DLPP算法。引入类间局部散度矩阵和类内局部散度矩阵,最大化带权的散度矩阵迹差,以增大样本类间散度,减小样本类内散度,从而更好地刻画数据的流形结构。计算所提取特征矩阵各分量间的协方差矩阵,通过最小相关性分析,减少特征信息的冗余。在Yale和ORL人脸库上进行仿真实验,结果显示,当训练样本数为5时,该算法的最高识别率分别为92.5%和96.2%,与传统2DLPP算法、二维主成分分析法、二维线性判别分析法和二维大间距准则法相比,识别率均有所提高。同时对不同训练样本数下识别率均值和方差进行分析,验证了算法的稳定性。     

基于一种连续自编码网络的图像降维和重构

针对高维连续数据的降维问题,提出一种新的非线性降维方法,称为连续自编码(Continuous autoencoder,C-autoencoder)神经网络,该方法采用限制玻耳兹曼机的连续形式(Continuous restricted Boltzmann machine,CRBM)的网络结构,通过训练具有多个中间层的双向深层神经网络将高维连续数据转换成低维嵌套并继而重构高维连续数据.这种连续自编码网络提供了高维连续数据空间和低维嵌套结构的双向映射,有效解决了大多数非线性降维方法所不具备的逆向映射问题,特别适用于高维连续数据的降维和重构.将C-autoencoder用于连续帧图像的实验表明,C-autoencoder不仅能发现嵌入在高维连续帧图像中的非线性低维结构,也能有效地从低维结构中恢复原始高维图像数据,而且还能对连续帧图像有效地进行内插重构.     

基于非线性降维的水下目标融合识别决策

针对以传统的谱图和模型参教等方法提取得到的水下目标特征高维数据,文章提出了LPP的非线性降维方法,有效的去除特征向量各分量间的相关性,增大了特征向量的可分性,降低了后期识别的计算复杂度。同时设计了DS-SVM融合决策分类器对获得的低堆特征向量进行分类识别。与传统的SVM算法的分类识别效果进行比较分析,所得结果表明该方法有效的提高了水下目标识别的准确性,是一种行之有效的方法。     

基于特征降维和组合模型的短期电力负荷预测

准确的负荷预测是电力系统安全稳定运行的重要保障,为了进一步提高电力负荷的短期预测精度,依托信号处理和深度学习技术,针对电力负荷数据的特征降维方法以及组合模型的构建进行深入研究.首先利用随机森林的平均不纯度减少法(MDI)实现多维负荷数据的特征降维,实验结果证明上述方法能有效筛选出影响负荷的主要因素,提高模型学习效率.在...