基于子孔径分析的极化SAR图像非平稳目标检测

介绍了SAR图像子孔径分析的原理和应用,并对一幅全极化SAR图像进行了子孔径分解.并介绍了非平稳目标的检测准则.利用极大似然比检测方法,对生成的子孔径图像进行了非平稳目标的检测.     

一种改进的SUBCLU高维子空间聚类算法

SUBCLU高维子空间聚类算法在自底向上搜索最大兴趣子空间类的过程中不断迭代产生中间类,这些中间类的产生消耗了大量时间,针对这一问题,提出改进算法BDFS-SUBCLU,采用一种带回溯的深度优先搜索策略来挖掘最大兴趣子空间中的类,通过这种策略避免了中间类的产生,降低了算法的时间复杂度。同时BDFS-SUBCLU算法在子空间中对核心点增加一种约束,通过这个约束条件在一定程度上避免了聚类过程中相邻的类由于特殊的数据点合为一类的情况。在仿真数据集和真实数据集上的实验结果表明BDFS-SUBCLU算法与SUBCLU算法相比,效率和准确性均有所提高。     

一种新的子空间投影抗干扰改进算法

子空间投影算法是一类重要的天线阵抗干扰算法。在强干扰环境下,子空间投影抗干扰算法能够有效抑制强干扰,但同时也会造成有用信号损耗。本文从天线阵列增益的角度出发,提出一种基于子空间投影的抗干扰新算法,以有效降低有用信号损耗。仿真实验结果证明,本文提出的新算法可使阵列输出载噪比至少提高1.2dB。     

一种基于局部随机子空间的分类集成算法

分类器集成学习是当前机器学习研究领域的热点之一。然而,经典的采用完全随机的方法,对高维数据而言,难以保证子分类器的性能。 为此,文中提出一种基于局部随机子空间的分类集成算法,该算法首先采用特征选择方法得到一个有效的特征序列,进而将特征序列划分为几个区段并依据在各区段的采样比例进行随机采样,以此来改进子分类器性能和子分类器的多样性。在5个UCI数据集和5个基因数据集上进行实验,实验结果表明,文中方法优于单个分类器的分类性能,且在多数情况下优于经典的分类集成方法。     

一种基于信息熵的子空间聚类算法

结合传统的Parzen窗方法并引入一种更加合理的历史数据丢弃策略,在此基础上,通过计算可以得到整个数据集在低维空间投影的信息熵,利用信息熵实现了一种适用于高维数据流的子空间聚类算法(PStream)。理论及实验均表明,与传统的算法相比,该算法可以在一次遍历的前提下,完成对数据流的高精度聚类,虽然其运行效率与现有的方法(如HPStream)相比差别不大,但是却明显地改善了聚类效果。     

基于主元分析的子空间辨识算法

子空间辨识算法作为一种优良的多变量系统辨识算法,最近在国内发展很快.但是现在国内介绍的大多数子空间辨识算法在变量有误差(errors-in-variable)时和闭环辨识时辨识结果却是有偏的,这是因为大多数子空间辨识算法都假设输入变量是没有噪声及辨识算法中存在的一个投影过程.文中介绍了一种新的子空间辨识算法,这种算法利用主元分析(PCA)来获取系统矩阵,避免了其他算法中的投影过程,因此该算法在闭环辨识和变量有误差(errors-in-variable)的情况下,辨识结果也是无偏的.最后给出一个仿真例子说明这种辨识算法的辨识效果良好.     

局部非参数子空间分析在人脸识别中的应用

提出了一种局部非参数子空间分析算法（Local Nonparametric Subspace Analysis,LNSA）,将其应用在人脸识别中。LNSA算法结合了非参数子空间算法（Nonparametric Subspace Analysis,NSA）与局部保留投影算法（Locality Preserving Projection,LPP）。它利用LPP算法中的相似度矩阵重构NSA的类内散度矩阵,使得在最大化类间散度矩阵的同时保留了类的局部结构。在ORL人脸库和XM2VTS人脸库上作了实验并证明LNSA方法要优于其他方法。     

稀疏补分析子空间追踪算法

针对压缩感知理论的稀疏分析模型下的子空间追踪算法信号重构概率不高、重构性能不佳的缺点,研究了此模型下的稀疏补子空间追踪信号重构算法;通过选用随机紧支框架作为分析字典,设计了目标优化函数,改进优化了稀疏补取值方法,改进了算法迭代过程,实现了改进的稀疏补分析子空间追踪新算法(IASP).实验结果证明,所提算法的信号完全重构概率明显高于分析子空间跟踪(ASP)等5种算法的信号完全重构概率;对于含高斯噪声的信号,所提算法重构信号的整体平均峰值信噪比明显超过ASP等3种算法整体平均峰值信噪比(PSNR),但略低于贪婪分析追踪(GAP)等2种算法的整体平均峰值信噪比.所提算法可用于语音和图像信号处理等领域.     

基于特征子空间邻域的局部保持流形学习算法*

局部保持流形学习算法通过保持局部邻域特性来挖掘隐藏在高维数据中的内在流形结构。然而,对于缺乏足够训练样本的高维数据集,或者高维数据集存在非线性结构和高维数据特征中存在冗余、干扰特征,使得在原特征空间中利用欧式距离定义的邻域关系并不能真实反映数据的内在流形结构,从而影响算法的性能。提出利用正约束寻找特征子空间的方法,使得在此子空间中更多的同类样本紧聚,并进一步在该子空间中构建邻域关系来挖掘高维数据的内在流形,形成基于特征子空间邻域特性的局部保持流形学习算法(NFS-LPP和NFS-NPE)。它们在一定程度上克服了高维小样本数据集难以正确挖掘内在流形结构的问题,在Yale和ORL人脸库上的分类和聚类实验验证了其有效性。     

一种改进的非流形点转化算法

实际建模过程中,经常会遇到非流形的多边形表面,但很多现有的图形学算法都是基于流形结构的。因此,可以将非流形结构转化为几何外观上与之逼近的流形结构。对于这种转化,包括非流形边和非流形点的修改。由于非流形边的转化问题已被较好的解决,因此,对非流形点的转化进行了研究,并提出了一种新算法修改非流形点。与现有算法相比：该算法不但可以得到拓扑上分离的流形结构而且可以得到拓扑上连通的流形结构,更符合一般建模用户的需要。     

一种基于双子空间的人脸美感分析方法

子空间技术是一种有效的人脸美感本征描述方法.为了克服单一子空间在人脸图像美感描述方面的不足,提出了一种基于主成分分析(PCA)与广义矩阵低秩逼近(Generalized low rank approximation matrix,GLRAM)双子空间的自动人脸美感分析方法.通过组合PCA和GLRAM子空间获取人脸美感特性的全局及局部本征描述,并利用高斯场模型(Gaussian field model,GF)构造组合子空间的内在几何结构关系.实验选用了一个光照、背景、表情、年龄和种族等变化比较显著的数据库,结果表明,提出的基于双子空间算法优于基于单一子空间的人脸美感分析方法.     

k-means型软子空间聚类算法

软子空间聚类是聚类研究领域的一个重要分支和研究热点。高维空间聚类以数据分布稀疏和"维度效应"现象等问题而成为难点。在分析现有软子空间聚类算法不足的基础上,引入子空间差异的概念;在此基础上,结合簇内紧凑度的信息来设计新的目标优化函数;提出了一种新的k-means型软子空间聚类算法,该算法在聚类过程中无需设置额外的参数。理论分析与实验结果表明,相对于其他的软子空间算法,该算法具有更好的聚类精度。     

综述人脸识别中的子空间方法

如何描述每个个体人脸的特征,使之区别于其他个体,是人脸识别研究中的关键问题之一.近年来提出了大量的方法,其中随着主元分析在人脸识别中的成功应用之后,子空间分析因其具有描述性强、计算代价小、易实现及可分性好的特点,受到了广泛的关注.文中结合近年来已发表的文献,按照线性和非线性的划分,对子空间分析在人脸识别中的应用作一回顾、比较和总结,以供其他人参考.     

Systolic算法和结构实现固定点平滑计算

本文提出一种适合于并行计算的平方根算法及相应的脉动（Ｓｙｓｔｏｌｉｃ）结构以实现固定点平滑计算。与以前的串行算法比较，这种算法在计算的实时性及数值稳定性方面都得到了提高．文中还对平滑计算的速度及处理器的利用率作了简要分析。     

基于特征子空间的数字水印技术

根据特五子空间的原理，提出了一种新颖的基于特征子空间的数字水印算法，水印可以嵌入到不同的子空间中从而可以发展为多水印算法，由于特征子空间之间的正交特性，不同子空间中的水印相互独立，其稳健性不随水印数目的增加而变化，水印强度参数根据视觉系统的照度掩蔽和纹理掩蔽特性适当地进行调整，从而同时保证二值水印图像的稳健性和不可见性，该文就单水印，双水印以及多水印情形进行了仿真并进行JPEG压缩，图像缩放，剪切等失真测试，实验结果表明该算法具有很好的感知质量和稳健性并验证了以上分析。     

针对加权子空间拟合的联合粒子群优化算法

在现有DOA估计的方法中,加权子空间拟合（WSF）具有很高分辨率.但是求解WSF算子的算法计算复杂度较高,无法满足实时性需求.为了降低计算复杂度,本文针对WSF算法提出了一种低复杂度的联合粒子群算法.首先利用旋转不变子空间法（ESPRIT）可以显式计算DOA结果,计算复杂度极低的特点,并联合利用克拉美-罗界来确定一个新的搜索空间,再随机撒入少量粒子进行粒子群算法,最后在满足一定的速度条件后跳出迭代.此外,本文也讨论了粒子群算法的惯性因子.试验结果表明,跟常规粒子群算法比较,在保持DOA估计精度不变的结果下,本文算法所需粒子数和迭代次数大幅度降低,计算复杂度也明显降低.     

多代表点的子空间分类算法

多代表点近邻分类克服了传统近邻分类算法的缺点,使用以代表点为中心的模型簇构造分类模型并自动确定近邻数目.此类算法在不同类别的样本存在大量重叠时将导致模型簇数量增大,造成预测精度下降.提出了一种多代表点的子空间分类算法,将不同类别的训练样本投影到多个不同的子空间,使用子空间模型簇构造分类模型,有效分隔了不同类别样本在全空...     

Weight Initialization for Simultaneous Recurrent Neural Network Trained with a Fixed-point Learning Algorithm

This letter presents a study of the Simultaneous Recurrent Neural network, an adaptive algorithm, as a nonlinear dynamic system for static optimization. Empirical findings, which were recently reported in the literature, suggest that the Simultaneous Recurrent Neural network offers superior performance for large-scale instances of combinatorial optimization problems in terms of desirable convergence characteristics improved solution quality and computational complexity measures. A theoretical study that encompasses exploration of initialization properties of the Simultaneous Recurrent Neural network dynamics to facilitate application of a fixed-point training algorithm is carried out. Specifically, initialization of the weight matrix entries to induce one or more stable equilibrium points in the state space of the nonlinear network dynamics is investigated and applicable theoretical bounds are derived. A simulation study to confirm the theoretical bounds on initial values of weights is realized. Theoretical findings and correlating simulation study performed suggest that the Simultaneous Recurrent Neural network dynamics possesses desirable stability characteristics as an adaptive recurrent neural network for addressing static optimization problems. This revised version was published online in June 2006 with corrections to the Cover Date.     

一种基于峭度的一单元ICA-R固定点算法

一单元参考独立成分分析是一种有效的利用先验信息抽取一个期望源信号的方法。以峭度的绝对值为对比函数推导出一种一单元ICA-R固定点算法,该算法避免了对比函数二阶导数的计算,简化了运算复杂度,比基于峭度的牛顿快速算法有更快的收敛速度。通过计算机模拟实验验证了算法的有效性。