基于优选典型相关分量的跨媒体检索模型

在跨媒体检索中,准确利用异构媒体间的语义相关性是制约检索性能优劣的关键因素之一。提出改进的核典型相关分析(modified kernel canonical correlation analysis, MKCCA)模型,以改善跨媒体检索性能:抽取图像的尺度不变特征变换(scale invariant feature transform, SIFT)与描述灰度纹理的空间包络特征(GIST),抽取文本的词频(term frequency, TF)特征;精选映射核,把图像、文本特征映射到高维可分空间中,生成核矩阵;基于典型相关分析(canonical correlation analysis, CCA)方法挖掘图像、文本核矩阵间的非线性语义相关性;设置语义相关度阈值,降低语义噪声干扰并优选核心典型相关分量,更准确、鲁棒地刻画图像与文本间的语义关联。试验表明:SIFT-TF特征组合整体表现最好,而MKCCA模型与高斯核(gauss kernel)配合可获取最优跨媒体检索性能,其图像检索文本与文本检索图像的平均精度均值(mean average precision, MAP)较次优指标分别提升3.06%和1.18%。     

基于刃边法的序列图像盲超分辨率重建算法

为了减少点扩展函数（PSF）估计误差对盲超分辨率重建结果的影响,本文提出了一种新的序列图像盲超分辨率重建算法。首先采用刃边法实现对成像系统点扩展函数的准确估计,然后将估计的点扩展函数引入迭代反投影超分辨率重建算法中,进行高分辨率图像的重建。实验结果表明,本文算法运算时间较短,不受限于低分辨率图像的模糊程度,重建结果不但具有较高的峰值信噪比（PSNR）和结构相似度（SSIM）,而且真实分辨率的提升幅度更大。     

基于块匹配和迭代反投影的车牌图像超分辨率重建

利用超分辨率重建技术提高车牌图像的质量,以获取更好的识别效果。首先采用基于小波变换的块匹配方法对车牌图像进行配准,然后利用迭代反投影算法对配准后的图像进行重建获得高分辨率的图像。对模拟生成的多帧图像和标准测试视频序列进行了实验,实验结果表明：该算法能有效提高车牌图像的质量。     

一种基于核主成分分析的图像超分辨率算法

测试样本和训练样本集的匹配是基于学习的超分辨率算法中关键问题之一。本文方法通过将低分辨率的观察样本映射到高维的核空间中,实现测试样本和训练样本集的准确匹配,避免了基于学习的超分辨率算法中错误匹配问题,提高生成图像的质量。该算法包括:测试样本对训练样本集进行核主成分分析(kernel principal components analysis, KPCA); 利用距离约束算法得到在输入空间中的原像;最后将新生成的图像块进行重组,得到高分辨率的图像。在USPS数据集上进行的实验验证和对比分析表明：基于KPCA的图像超分辨率方法能够取得较好的超分辨率效果。     

基于鲁棒主成分分析的图像放大算法

给出一种采用鲁棒主成分分析去噪的图像超分辨率算法。对高分辨率训练图像进行Haar小波变换,使用鲁棒主成分分析法得到去噪后的近似子带字典和细节子带字典;将低分辨率测试图像的近似子带作为相应高分辨率测试图像的近似子带,通过细节子带字典恢复出高分辨率测试图像细节子带;通过逆Haar小波变换得到高分辨率测试图像,利用多级增强进一步提高图像的质量。实验结果显示,用所给方法得到的字典对噪声有鲁棒性,且高分辨率重建图像峰值信噪比较高。     

基于稀疏表示的遥感图像超分辨率重建

根据稀疏定理,首先对遥感图像数据进行训练,得到高分辨率图像块字典与低分辨率图像块字典,然后利用低分辨率图像块字典求出稀疏表示系数,最后根据稀疏表示系数得到超分辨率重建图像.结果可以看出,经过改进后,重建图像的客观评价指标更优.     

基于多分辨率分析的相关算法在信号滤波中的应用

测量仪表获得的信号带有噪声，使内燃机关键参数的计算比较困难，已有的FIR和IIR数字滤波器的去噪效果较差，且使内燃机的瞬时转速曲线产生了相移，难以确定速度曲线局部极值点的位置．为去除信号中的噪声，提出了一种基于多分辨率分析的相关算法，首先对原始信号进行小波变换，根据规划后的相关函数，仅选择对应于信号的小波变换的模极大值，将信号和噪声分离开来，然后再重建信号．将该方法用于R4102型内燃机的瞬时转速曲线的信号滤波中，并与IIR滤波后的结果进行比较．可以看出，相关算法不仅使滤波后的曲线更加平滑，还避免了IIR滤波中存在的相位滞后．这表明相关滤波法在精确地重建原信号的同时，又能较理想地去除噪声的干扰．     

超分辨率图像重构分层迭代ICA算法研究

分析了超分辨率图像重构的数学模型,指出了超分辨率图像重构的关键问题,提出了用分层迭代ICA算法(HI-ICA)解决面向序列数据的超分辨率图像三维重构的新方法,并用Matlab软件进行了数值仿真实验.结果表明,这种方法对超分辨率图像重构精度的提高有一定的理论和应用价值.     

基于典型相关分析的复杂网络模块挖掘算法

利用典型相关分析(CCA)分析了复杂网络中的功能模块及其相互关系,并将其转化为LASSO回归优化问题,提高了结果的可解释性。在此基础上,提出了一种模块及其相互关系的挖掘算法。该算法不仅能准确挖掘网络中的功能模块,而且还能同时度量模块之间的相关程度。人工生成数据集和DBLP数据集上的模拟实验表明,提出的算法能准确地挖掘网络中的功能模块及其相关性。     

基于多分辨率分析的相关算法在信号滤波中的应用

测量仪表获得的信号带有噪声 ,使内燃机关键参数的计算比较困难 ,已有的FIR和IIR数字滤波器的去噪效果较差 ,且使内燃机的瞬时转速曲线产生了相移 ,难以确定速度曲线局部极值点的位置 .为去除信号中的噪声 ,提出了一种基于多分辨率分析的相关算法 ,首先对原始信号进行小波变换 ,根据规划后的相关函数 ,仅选择对应于信号的小波变换的模极大值 ,将信号和噪声分离开来 ,然后再重建信号 .将该方法用于R410 2型内燃机的瞬时转速曲线的信号滤波中 ,并与IIR滤波后的结果进行比较 .可以看出 ,相关算法不仅使滤波后的曲线更加平滑 ,还避免了IIR滤波中存在的相位滞后 .这表明相关滤波法在精确地重建原信号的同时 ,又能较理想地去除噪声的干扰     

Specific radar emitter identification using multiset canonical correlation analysis

In order to improve the performance of a specific radar emitter recognition system, a novel framework based on Multiset Canonical Correlation Analysis (MCCA) is proposed. It extracts the Doppler cuts of the ambiguity function (AF) of each radar signal as the initial feature set and employs MCCA to perform feature fusion and redundancy reduction in such a set. By using label information, the further developed Multiset Discriminant Canonical Correlation Analysis (MDCCA) achieves competitive performance while retaining the low order of canonical vectors. Thanks to the direct fusion strategy, the proposed scheme not only avoids the uncertainty in determining the optimal cut of AF in previous methods, but also extends the conventional CCA, which can only deal with two sets of feature vectors, to the multiset version. Experiments on real radar emitter data demonstrate the effectiveness of the proposed methods.     

基于Gabor变换的图像邻域嵌入超分辨率放大

为了改善图像超分辨率放大的效果,提出一种基于Gabor变换的超分辨率放大算法。通过将图像块与多方向、多尺度的Gabor滤波器求卷积,来提取图像块的局部特征;利用欧几里得距离度量标准,为提取了Gabor特征的测试图像块寻找准确的近邻图像块,并通过联合学习高、低分辨率图像块对的方法,求出图像块对之间的关系;将寻找到的近邻图像块进行线性组合,求得所需的高分辨率图像块。实验结果显示,图像的Gabor特征能够帮助测试图像块找到更准确的近邻图像块,从而提高超分辨率算法的性能。     

基于改进的典型相关分析的故障检测方法

为提高基于典型相关分析的故障检测方法使用效率,对原有的残差产生方式进行改进。通过分析残差信号统计特性,重新选取残差产生方式,使得改进的残差生成方式不依赖于主元个数的选取,从而避免因主元个数选取所带来的故障检测性能影响。通过Tennessee Eastman benchmark process仿真实例,对改进方法的可行性和有效性进行验证。选取4个典型故障的运行数据,分别用所提方法进行故障检测,改进的典型相关分析方法能够有效的检测故障的发生。另外,通过对两个统计量的故障检测率的对比可以看出,两个统计量对于发生在不同子空间的故障敏感度各异,对于不同故障的检测能力不同。     

废水处理过程的典型相关分析建模方法研究

随着公众环保意识的增强,废水达标排放成为工业生产中至关重要的一步。传统的污水出水水质预测模型是基于静态数据模型,这样不仅忽略了过程变量中的动态有效信息,还影响了模型预测的精度,降低了模型的泛化能力。在考虑了过程变量的时变与动态特性的基础上,将时间差分方法嵌入到典型相关分析模型中,分析了时间差分阶数变化对模型预测精度的影响。与传统的典型相关分析建模方法相比,基于时间差分的典型相关分析模型对出水化学需氧量的预测均方根误差由1.502 8下降至0.564 5,相关系数由0.422 7提高到0.847 0;对于出水总氮,其均方根误差由2.344 0下降到1.192 6,相关系数由0.405 9提高到0.793 6。模型的预测精度与泛化能力均得到提高。     

广义非局部均值和自相似性的超分辨率算法

提出一种利用广义非局部均值和自相似性的图像超分辨率算法．该算法不仅利用图像的自相似性将低分辨率图像与其下采样图像作为一个训练库,而且利用非局部平均算法的良好特性提高复原图像的质量．该算法首先提取低分辨率图像的高斯差特征系数,然后利用广义非局部平均算法来估计待复原图像丢失的高频细节,获得高分辨率图像．实验结果表明,该算法对图像取得较好的复原效果,复原出的高分辨率图像更接近于真实图像,与其他方法相比,具有更好的主观和客观质量．     

多级字典学习的图像超分辨率算法

改进单级字典学习的图像超分辨率算法,给出一种多级字典学习的图像超分辨率算法。通过多对字典的训练,记录不同层级退化图像和原始高分辨率图像之间的关系,由多对字典预测给定低分辨率图像不同层级丢失的高频信息,将预测出的高频信息与给定的低分辨率图像相加,得到逐级增强的高分辨率图像。在训练图像集相同的条件下,对于无噪声且没有压缩的低分辨率图像,改进算法相比单级字典学习的图像超分辨率算法,恢复出的高分辨率图像的峰值信噪比可平均提高约0.6dB。     

基于多尺度特征映射网络的图像超分辨率重建

针对基于卷积神经网络的图像超分辨率重建（SRCNN）方法存在的重建网络浅、特征利用率低以及重建图像模糊等问题,提出基于多尺度特征映射网络的图像超分辨率重建方法. 多尺度特征映射网络通过学习低分辨率（LR）特征与高分辨率（HR）特征之间的映射关系,将多个尺度的LR特征映射到HR特征空间,通过特征融合来提高重建过程中对特征的利用率;该方法定义了结合逐像素损失、感知损失和对抗损失的联合损失函数,从低频内容、图像边缘和局部纹理等方面均衡提升重建图像质量. 对数据集Set5、Set14和BSD100的图片4倍下采样后进行测试,与当前主流方法进行比较和分析. 实验证明,基于生成对抗的多尺度特征映射网络在提高图像感知质量方面表现优秀,重建的图像具有更加清晰的边缘和纹理,在客观评价上具有较好的评分.     

基于典型相关分析的地下停车场进出车辆数分析

针对地下停车场利用效率不是很高的现状,采用典型相关分析的方法,研究了地下停车场进出车辆数的典型相关性。日均进入车场车辆数与日均离开车场车辆数正相关;每天单位时间内进入车场车辆数的最大值与离开车场车辆数的最大值正相关,最小值负相关;日均进入车场车辆数与每天单位时间内离开车场车辆数的最大值负相关,最小值正相关。在出入高峰期,通过出入口的转换或预留可变车道可提升地下停车场利用效率。     

基于残差连接卷积神经网络的图像超分辨率重构

针对基于卷积神经网络超分辨率重构算法中存在的感受野较小、梯度信息易丢失与网络收敛较慢等问题,提出了基于残差连接卷积神经网络的图像超分辨率重构算法。通过在低分辨率空间进行图像的超分辨率重构,减少了图像预处理过程,降低了网络复杂度。利用局部和全局残差连接,对卷积网络结构和亚像素采样层进行改进,局部残差促进了网络中信息的流动,全局残差使网络只学习图像残差信息,减少了网络冗余。通过增加网络深度扩大了感受野,使网络学习到更多的重建信息。实验结果表明:本文算法的PSNR和SSIM值相较于其他算法有不同程度的提升。