基于拉普拉斯非负稀疏编码的图像分类

针对复杂背景下的图像分类问题,结合非负稀疏编码和局部保持投影算法,提出一种拉普拉斯正则化非负稀疏编码算法。相比于已有的稀疏编码算法,该算法不仅能更好地模拟哺乳动物初级视觉系统主视皮层V1区简单细胞感受野的行为,同时也可使相似的特征经过编码后仍然相似,从而保证特征度量的一致性。将该算法与空间金字塔匹配模型相结合应用于图像分类,在多个图像数据库上的实验结果表明,该算法具有较高的分类精度。     

特征分类学习的结构稀疏传播图像修复方法

针对样本图像字典自适应性差、有效信息单一、造成图像稀疏表示模糊的不足的问题,提出一种基于特征分类学习字典的结构稀疏传播图像修复方法.首先将图像块按特征分类,根据不同特征的图像样本进行样本训练得到相对应的过完备字典;然后对不同特征的待修复图像块提取不同的有效信息进行稀疏编码,使得稀疏表示具有较强的自适应能力;最后针对结构稀疏传播模型带来的偏差进行修改,完善结构稀疏的传播机制.仿真实验结果表明,该方法可以有效地修复图像结构边缘、不规则纹理和平滑部分的图像信息,修复后的图像质量有较大的提升.     

基于稀疏邻域的特征融合算法及其应用

针对无标签样本和单标签样本的融合学习问题,提出样本稀疏邻域的概念,进而给出基于稀疏邻域的特征融合算法(SNSPDA)。样本的稀疏邻域充分利用稀疏表示的判别属性,增强了具有较大表示系数样本对被表示样本的重构作用。SNSPDA算法可捕获数据的局部几何结构,保持样本间的稀疏重构关系,同时避免单标签样本学习中的过拟合问题。大量单标签图像样本的实验结果表明,SNSPDA算法比仅反映单一数据属性的融合算法具有更高的识别率,如在光照条件变化较大时,该算法的正确识别率分别比稀疏保持判别融合算法与半监督判别融合算法提高了2.14%与17.43%。     

子带编码中信号对称延拓的研究

有限长度的信号通过滤波器造成信号长度扩展或截断失真。文中分析了对称延拓对分析／合成系统的影响,提出了子带编码中的信号优化对称延拓方法及滤波器相移限定,在不扩展信号长度的情况下得到处时为０的完全重构的信号。     

桥梁结构的未标记模态特征稀疏编码深度学习监测*

由于建筑物结构健康问题大部分是累积性损害,很难被检测到,实际结构和环境噪声的复杂性使得结构健康监测更加困难,并且现有方法在训练模型时需要大量的数据,但是实际中对于数据的标记是很复杂的。为克服该问题,通过配备无线传感器网络,并采用稀疏编码实现桥梁结构健康监测,然后通过大量未标记实例在实现特征提取基础上进行稀疏编码算法训练,实现数据维度压缩和无标记数据预处理。其次,利用深度学习算法实现桥梁结构健康监测类别预测,同时基于线性共轭梯度对Hessian优化进行改进,利用半正定高斯-牛顿曲率矩阵替换不确定Hessian矩阵,进行二次目标组合,以实现深度学习算法效率提升;实验结果表明,所提深度学习桥梁结构安全检测算法实现了环境噪声稀疏编码水平下的高精度结构健康监测。     

半监督拉普拉斯特征映射算法

为了使流形学习方法具有半监督的特点,利用流形上某些已知低维信息的数据去学习推测出其它数据的低维信息,扩大流形学习算法的应用范围,把拉普拉斯特征映射算法(Laplacian Eigenmap,LE)与半监督的机器学习相结合,提出一种半监督的拉普拉斯特征映射算法(semi-supervised Laplacian Eigenmap,SSLE),这种半监督的流形学习算法在分类识别等问题上,具有很好的效果.模拟实验和实际例子都表明了SSLE算法的有效性.     

基于拉普拉斯特征映射的分类器设计

引用监督学习策略,定义类内和类间不同的距离度量方式,以替代原来的欧式距离度量,实现对拉普拉斯特征映射算法的改进。将降维之后的结果作为BP神经网络的输入,实现分类。实验结果表明,基于改进的拉普拉斯特征映射算法降维之后的结果,减少了神经网络的训练时间,具有较好的分类正确率。     

基于核拉普拉斯稀疏编码模型的图像分类

在稀疏词袋模型中,由于码书的过完备性,相似特征间稀疏编码存在多种组合方式,从而导致相似的特征可能得到完全不同的编码.文中提出基于核拉普拉斯稀疏编码的图像分类方法.该方法首先通过在高维核空间中构造核拉普拉斯矩阵以描述特征间的几何依赖关系,使相似特征的稀疏编码的相似性尽可能得到保持.再采用交替固定码书与稀疏矩阵的方法优化目标函数进行码书学习,并采用符号猜测法对特征进行稀疏编码.最后用多类SVM分类器分类.实验证明文中方法可较大幅度降低量化误差,提高分类准确率,并在多个数据集上取得良好的测试效果.     

拉普拉斯稀疏编码的图像检索算法

由于稀疏编码中过完备的码本和独立的编码处理,在编码过程中图像块相似性信息被丢失。为了保留块与块之间的相似性信息,提出了拉普拉斯稀疏编码的图像检索算法。给定编码特征的初始稀疏码,计算拉普拉斯矩阵,将相似性合并到稀疏目标函数,结合特征符号搜索算法和黄金分割线搜索算法,逐个更新每个稀疏编码系数。实验表明,拉普拉斯稀疏编码增强了稀疏编码的鲁棒性,与SPM模型算法相比,拉普拉斯稀疏编码的图像检索算法有较高的准确率。     

融合有判别力仿射局部特征上下文的图像分类

已有的针对上下文信息的大多数工作均侧重于视觉词之间的上下文信息建模,没有考虑到局部特征之间的上下文信息建模问题,且图像在拍照时往往受到姿势、尺度变化,光照以及相机参数的影响,导致分类精度不高.文中综合考虑局部特征之间的上下文信息,提出一种基于有判别力仿射局部特征上下文的图像分类方法.对于一幅图像上的某一位置,采用该区域的局部特征,及其周边一定距离、角度内的局部特征来进行描述(局部特征上下文);然后对这些局部特征上下文进行仿射变换,并通过最小化编码损失的策略来进行有判别力的仿射局部特征上下文的选择,得到更有判别力的特征.最后通过实验结果验证了该方法的有效性.     

基于拉普拉斯特征映射的仿射传播聚类

仿射传播方法难以处理具有流形结构的数据集。为此,提出一种基于拉普拉斯特征映射的仿射传播聚类算法(APPLE),在标准仿射传播的基础上增强流形学习的能力。使用测地距离计算数据点间相似度,采用拉普拉斯特征映射对数据集进行降维及特征提取。对图像聚类应用的实验结果证明了APPLE的聚类效果优于标准仿射传播方法。     

基于拉普拉斯特征映射的鲁棒视频哈希方法

针对视频拷贝检测问题,提出了基于拉普拉斯特征映射(Laplacian Eigenmaps,LE)的视频哈希方法,该方法利用视频层析成像技术和服从均匀分布的向量对视频进行镜头分割和关键帧提取,以高阶累计量作为视频在高维空间的特征,并利用LE进行降维,得到视频在三维空间中的轨迹,利用三维空间中点的范数构造视频哈希来实现视频拷贝检测。实验结果表明,该方法具有较好的鲁棒性和区分性。     

完备的无参数近邻保持及最大化非近邻算法

无参数保持投影算法无需参数设置且识别性能稳定,但算法不能有效地保持样本的局部结构,且忽略了非局部样本所起的作用,而且存在着小样本(SSS)问题,为此提出了一种完备的无参数近邻保持及最大化非近邻算法。算法以样本间余弦距离0.5为分界点将样本分成近邻及非近邻样本,为了充分利用近邻样本及非近邻样本,分别构造了近邻散度矩阵及非近邻散度矩阵,因此算法的目标函数就是求取能够最小化近邻散度矩阵的同时,最大化非近邻散度矩阵的投影矩阵。对于目标函数的求解,可先将高维样本通过主成分分析(PCA)算法降至一个低维的子空间,并通过两个定理证明了这种处理方法没有损失任何有效的判别信息;然后将目标函数转换为差形式,从而有效地解决了小样本问题。在人脸库及掌纹库上的实验结果表明,与无参数局部保持投影算法相比,所提算法平均识别率更高,验证了算法的有效性。     

基于拉普拉斯特征映射学习的隐匿FDI攻击检测

智能电网中的隐匿虚假数据入侵(False data injection, FDI)攻击能够绕过坏数据检测机制, 导致控制中心做出错误的状态估计, 进而干扰电力系统的正常运行. 由于电网系统具有复杂的拓扑结构, 故基于传统机器学习的攻击信号检测方法存在维度过高带来的过拟合问题, 而深度学习检测方法则存在训练时间长、占用大量计算资源的问题. 为此, 针对智能电网中的隐匿FDI攻击信号, 提出了基于拉普拉斯特征映射降维的神经网络检测学习算法, 不仅降低了陷入过拟合的风险, 同时也提高了隐匿FDI攻击检测学习算法的泛化能力. 最后, 在IEEE57-Bus电力系统模型中验证了所提方法的优点和有效性.     

固定结构约束下并行计算成比例的可扩展方法

针对固定结构下并行计算无法通过规模扩展提升计算性能的问题,提出了一种成比例调整图权的并行计算扩展方法。该方法首先分析影响可扩展性的并行任务因素及体系结构因素;然后采用带权图对并行任务及体系结构进行建模;最后,对并行计算图模型中顶点和边的权值进行调整,实现并行计算的扩展。针对并行任务与体系结构是否具有相同的拓扑结构进行了两组实验,结果显示扩展前后的速度效率不变或近似相等。在上述两组实验的基础上,固定并行任务的算法结构及硬件系统的体系结构,仅调整性能参数,从特定的初始状态开始,以相同的比例作连续多次扩展,结果显示随着并行任务的连续扩展,体系结构资源被充分利用,速度效率逐渐提高,但并行任务扩展至一定程度后,速度效率提高缓慢;而如果并行任务及体系结构按一定的比例一同扩展,并行计算的速度效率近似不变。     

基于加权紧凑局部图结构的人脸识别算法

针对局部图结构算法(local graph structure,LGS)构建图结构时用到的像素点距离中心像素太远,以及在图结构形成后分配权重时没有结合周围像素点到中心像素的距离因素问题,提出加权紧凑局部图结构(weighted compact local graph structure,WCLGS)算法。该算法定义了一种混合特征提取策略,从四个方向为中心像素点构建图结构,分别在垂直方向和对角线方向捕获对称和非对称信息,并且在图结构形成后对距中心像素点近的边赋较大的权重,对距中心像素点远的边赋较小的权重。WCLGS通过提取更近的像素点信息和合理的加权策略,密切关注中心像素点的近邻元素的差异,使得中心点两侧的信息提取更加均匀充分。实验证明,与现有的一些局部图结构算法相比,WCLGS在ORL(Olivetti Research Laboratory)、AR(active record)和HD(high definition)热红外人脸数据库上有更好的识别率和性能。     

Efficient and effective Bayesian network local structure learning

In this paper, we propose a more efficient Bayesian network structure learning algorithm under the framework of score based local learning (SLL). Our algorithm significantly improves computational efficiency by restricting the neighbors of each variable to a small subset of candidates and storing necessary information to uncover the spouses, at the same time guaranteeing to find the optimal neighbor set in the same sense as SLL. The algorithm is theoretically sound in the sense that it is optimal in the limit of large sample size. Empirical results testify its improved speed without loss of quality in the learned structures.     

局部保持的流形学习算法对比研究

局部保持的流形学习通过从局部到整体的思想保持观测空间和内在嵌入空间的局部几何共性,发现嵌入在高维欧氏空间中的内在低维流形。分析了局部保持的流形学习算法的基本实现框架,详细比较了一些局部保持的流形学习算法的特点,提出了几个有益的研究主题。     

融合空间结构特征的三维模型局部检索方法

针对局部信息识别的重要性,在骨架提取的基础上,提出了一种新的三维模型局部检索方法。该算法在基于骨架树进行图结构匹配的初步筛选后,融入空间结构特征和几何细节特征,进行局部相似度的计算。大量实验证明,本方法对于模型的局部匹配有很好的鲁棒性和高效性。     

考虑结构局部变形特性的超长桁架结构等效动力学建模

超长桁架结构是后续高时空分辨率天基遥感载荷的核心部件,建立其高效动力学模型是实现振动形态高精度控制的关键.为建立高效、精确的动力学模型,首先,根据超长桁架结构的周期性特征和振动变形特性,采用周期单元中心处位移表征整体桁架结构的空间位移,并分别推导了是否考虑桁架结构局部变形特性的两种应变能表达式;其次,根据哈密顿原理以及边界条件,建立了两种不同的等效动力学模型.最后,通过对两种等效模型与超长桁架结构固有特性的对比分析,验证了等效建模的有效性以及考虑局部变形特性提高模型精度的必要性.