声全息重构卷积计算中混迭问题的研究

分析了实空间离散格林函数的特点和平面声全息重构卷积计算的特殊性，推导了在重构条件下二维循环卷积与重构卷积的关系。理论上证明了在全息重构中将二维全息声压序列补零使其成为原序列长度的两倍，而二维格林函数序列无需进行补零处理仍可由二维离散傅氏变换准确地得到全息重构卷积结果，而不会产生循环卷积中的混迭现象，即不存在所谓的重构“卷绕”误差。同时还证明了实空间格林函数的取值不确定性不会影响重构结果，并通过仿真算例进行了验证。     

基于图像分块的改进Fisher人脸识别算法

二维方法用于图像矩阵特征提取,虽然速度快,但影响了分类速度。针对二维线性鉴别分析（Two-Dimensional Linear Discriminant Analysis,2DLDA）的特点,研究了一种基于图像分块的改进Fisher人脸识别算法,该算法首先对人脸图像进行压缩降维处理,得到相应的特征矩阵,然后利用改进Fisher算法对特征矩阵进行类间离散度矩阵和类内离散度矩阵的计算,该算法充分考虑了类别信息,避免了传统Fisher算法造成的小样本问题,有效提高了分类速度。基于ORL（Olivetti Research Laboratory）与Yale人脸数据库的实验结果证明了该算法的有效性。     

基于矩阵转换的卷积计算优化方法

提出一种基于矩阵转换的高效卷积计算优化方法MCFA。根据输出矩阵的宽度和卷积核大小对输入矩阵进行分块,通过im2col方法转换输入矩阵子块和核函数矩阵,利用计算统一设备架构中封装的矩阵-矩阵乘法加速库提升卷积计算的速度。在此基础上,将输出子块按序排列,最终得到完整的输出矩阵。实验结果证明,该方法相比im2col方法能节省61.25%的计算空间,相比MEC方法能提高20.57%的计算速度,且在分块情况下可以缓解大输入矩阵引起的缓存压力,提高缓存利用率。     

Kronecker积重构卷积核矩阵的图像迭代复原方法

图像复原实际上是反卷积问题,其中的卷积核矩阵属于大尺寸的Toeplitz矩阵。为了降低迭代复原算法的计算复杂度,通过分析该Toeplitz系统的病态性及常见快速求解方法,提出一种基于卷积核矩阵重构的预条件共轭梯度迭代算法。首先根据Toeplitz矩阵可分解为Kronecker积的和的性质,对点扩散函数进行奇异值分解,将各奇异值对应的左右向量构造子Toeplitz矩阵,子矩阵作Kronecker积并加和,从而得到卷积核矩阵的分解式,然后根据Kronecker乘积的性质,将该分解式用于构造预条件算子,最后利用预条件共轭梯度法求解。计算复杂度分析及实验表明该方法有助于加速迭代的收敛并得到稳定结果。     

Fredholm积分方程的正则化GMRES算法

利用数值求积公式,对二维第1类Fredholm积分方程进行离散处理,引入正则化GMRES算法,将离散后的积分方程转化为离散适定问题,通过广义极小残余算法得到其数值解。数值模拟结果表明,正则化GMRES算法求解二维第1类Fredholm积分方程计算速度快、精度高。     

图的赋权路径矩阵与所有点对最短路径问题

给出了二维元素矩阵的概念,对于赋权图对应的赋权矩阵,定义了二维元素初始赋权路径矩阵和二维元素一般赋权路径矩阵,在通常赋权矩阵“乘法”运算基础上定义了路径“乘法”运算,从而得到了二维元素一般赋权路径矩阵的“乘法”运算,通过其“乘法”运算来求出所有点对的最短距离与对应路径,在得到最短距离的同时也得到对应的路径,结果显示在最终的一般赋权路径矩阵上。该算法易于通过计算机编程实现,对于大规模有向图或无向图,更有优势。     

二维离散付氏变换快速向量算法

本文从向量机向量计算的特点出发,研制了一个适合于在向量机上计算的二维离散付氏变换的快速算法。该算法的基本思想是研究和选取一维离散快速付氏变换算法作为二维计算的基本公式,利用频率函数的周期性和对称性减少基本公式乘、加运算次数,在此基础上组织长向量运算。该算法的特点是精度好、速度快、程序结构简便。应用本算法编写的FORTRAN程序在YH-1机上计算,并和YH-1现有二维离散付氏变换程序比较,计算效率比行列算法汇编程序平均提高53％,比行列算法FORTRAN程序平均提高3.2倍,比快速卷积算法和多项式变换算法则提高10倍以上。     

最短路权矩阵法的改进

最短路权矩阵法是通过权矩阵计算来实现Dijkstra算法的一种方法.针对权矩阵法在大型网络应用中的不足,从提高算法效率和增强寻路直观性两个方面对其进行了改进,并给出了新的算法.新算法既能快速计算最短路权又能更直观地找出网络中的最短路,是一种计算最短路的简捷方法.仿真结果和算例表明了新算法的有效性.     

二次式距离上基于SVD的高维图像索引方法

向量近似方法（vector approximation file）是解决高维索引中维数灾难问题的一种有效方法，但是它不能直接支持二次式距离上的近邻搜索，为此，提出一种基于奇异值分解（SVD）的二次式距离上的向量近似方法，通过奇异值分解技术将二次式距离变换为欧氏距离形式，对变换后的特征向量进行近似得到近似向量。进行近邻搜索时采用低维过滤算法，先在较高能量的低维子空间内计算近似距离进行过滤，再对过滤结果进行高维距离计算。实验结果表明，低维过滤算法可以过滤掉大部分特征向量，而只有小部分数据需要进行高维距离运算，该方法可以显著提高大型高维图像数据库的近邻搜索性能。     

对基于facet模型的表面检测的加速技术研究

针对基于facet模型的亚体素表面检测算法计算量大的问题,提出将3维facet模型的可分滤波器递归算法与感兴趣区域加速策略相结合的加速方案。可分滤波器递归算法通过在离散正交基下将3维卷积转换为3个1维卷积并使1维卷积递归执行,使计算量与卷积核大小无关,大大节省了计算时间。采用增量算法解决了可分滤波器递归算法内存耗费量大的问题。感兴趣区域加速策略采用图像分割后提取目标的分段包围盒作为有效区域,从而大幅缩减待处理数据量。实验结果表明本文加速方案在保持原始算法精度的同时,能取得很好的加速效果。     

基于词类串的汉语句子结构相似度计算方法

句子相似度的衡量是基于实例机器翻译研究中最重要的一个内容。对于基于实例的汉英机器翻译研究,汉语句子相似度衡量的准确性,直接影响到最后翻译结果的输出。本文提出了一种汉语句子结构相似性的计算方法。该方法比较两个句子的词类信息串,进行最优匹配,得到一个结构相似性的值。在小句子集上的初步实验结果表明,该方法可行,有效,符合人的直观判断。     

基于可辨识矩阵的启发式属性约简方法及其应用

在基于可辨识矩阵的属性约简算法的基础上，提出了基于可辨识矩阵的计算属性重要性的方法，并以此作为启发式知识来约简决策表中的冗余属性。这种方法直接源于评审数据，思路清晰，拟合结果表明本约简算法合理、可靠。     

两阶段求线性规划最优可行解的实现方法

本文对两阶段求线性规划最优可行解的矩阵运算方法作了详实的分析，采用求解矩阵的构造方法、退化可行解的处理方法以及对矩阵行向量和列向量的调整方法，增强求解的可靠性。用算例对程序求线性规划的最优可行解、无界解和无可行解的准确性进行了测试，表明实现方法正确、求解准确。     

Ser,a fortran program for the seriation of biostratigraphic data

A FORTRAN program which involves simple iterative, averaging, and sorting operations is effective for seriation of biostratigraphic data. The data matrix includes the presence/absence of m taxa and n samples which are grouped in p stratigraphic sections. The basic procedure is to arrange the taxa and samples into a range chart by concentrating the presences along the diagonal of the matrix in order to minimize the range zones of the taxa. The method can calculate two types of seriation. If information on stratigraphic position of the samples is ignored, unconstrained seriation results and the samples are free to group in any order. This method usually results in sequences of taxa and samples that are allied closely to those derived from multivariate techniques such as cluster analysis. If the data on stratigraphic superposition of the samples are used, the result is constrained seriation in which the samples remain in stratigraphic order in the final matrix. Range charts derived from this type of seriation are most useful for stratigraphic correlation.     

一种基于谱聚类的半监督聚类方法

半监督聚类利用少部分标签的数据辅助大量未标签的数据进行非监督的学习,从而提高聚类的性能。提出一种基于谱聚类的半监督聚类算法,其利用标签数据的信息,调整点与点之间的距离所形成的距离矩阵,而后基于被调整的距离矩阵进行谱聚类。实验表明,该算法较之于已提出的半监督聚类算法,获得了更好的聚类性能。     

基于灰度图像的表格框线去除算法

笔画与表格框线的交叠的现象在表格型文档中普遍存在，严重影响了文档自动处理系统的性能．现有的去线算法大部分都是基于二值图像的，许多有用的局部信息已经丢失．提出了直接利用图像灰度信息的灰值线检测与去除算法．首先利用图像的边缘特征检测直线以及字线的相交位置；然后通过对直线上相交点对的分析确定字线的交叠方式，并将这些方式归纳为穿透和未穿透两类简单的形式；最后将直线划分为保护区和擦除区两部分，保护区内的像素在去线过程中被保留，而擦除区内的像素则利用灰度形态学算法来擦除．在我国现行支票上的实验表明算法是有效的．     

改进型任意风格快速迁移元网络算法

基于元网络的任意风格快速迁移方法得到业界的高度关注和评价。然而,该模型的结果图中经常出现灰色风格不协调的像素缺块,颜色色调与目标风格图不一致,严重影响了迁移质量。提出了该方法的改进策略。使用Gram矩阵作为风格统计量,用于元网络信息输入和计算网络训练损失函数。同时,综合Gram矩阵平均池化操作和元网络分组全连接策略,有效避免了传统Gram矩阵带来网络参数整体过大的问题。实验结果显示,该方法不仅有效去除了不协调风格缺块问题,而且在纹理和颜色布局上较原方法取得了更好的视觉效果。通过理论分析、实验佐证,在算法收敛性和视觉效果方面,进一步确认了采用Gram矩阵作为风格损失和特征统计量的优越性。     

名词引导局部特征提取的基于文本的实例分割方法

局部特征信息在图像分割中扮演着重要角色,然而基于文本的实例分割任务具有对输入文本表达式的依赖性,无法直接从原始的输入图像中提取局部特征信息。针对这一问题,提出了一种具体的名词引导局部特征提取的深度神经网络模型(NgLFNet),NgLFNet模型可根据输入文本表达式中的关键名词来自动挖掘待分割对象的局部特征信息。具体地,该模型首先通过语句分析得到关键名词;其次通过文本和图像编码器提取相应特征,并利用关键名词通过多头注意力机制获取高关注区域局部特征;然后逐步融合多模态特征;最后在解码修正模块利用得到的局部特征对预测掩膜进行更细致的修正,从而得到最终结果。将该方法与多种主流基于文本的实例分割方法进行对比,实验结果表明该方法提升了分割效果。     

基于多尺度布朗运动模型的路面破损检测

路面裂缝的自动检测与识别是路面病害信息系统的关键环节,裂缝检测结果的优劣直接影响路面损坏程度的评估。基于布朗运动模型,采用不同尺度下的分数布朗运动特征参数矢量描述图像块特征,并运用k聚类与投票机制产生最终结果。通过与经典算子（canny）及单一尺度布朗运动矢量的比较结果证明,该算法在检测路面破损弱信息时更有效,检出的结果更准确、更接近原始裂缝位置,具有实际应用价值。     

Clustering ensemble via structured hypergraph learning

Clustering ensemble integrates multiple base clustering results to obtain a consensus result and thus improves the stability and robustness of the single clustering method. Since it is natural to use a hypergraph to represent the multiple base clustering results, where instances are represented by nodes and base clusters are represented by hyperedges, some hypergraph based clustering ensemble methods are proposed. Conventional hypergraph based methods obtain the final consensus result by partitioning a pre-defined static hypergraph. However, since base clusters may be imperfect due to the unreliability of base clustering methods, the pre-defined hypergraph constructed from the base clusters is also unreliable. Therefore, directly obtaining the final clustering result by partitioning the unreliable hypergraph is inappropriate. To tackle this problem, in this paper, we propose a clustering ensemble method via structured hypergraph learning, i.e., instead of being constructed directly, the hypergraph is dynamically learned from base results, which will be more reliable. Moreover, when dynamically learning the hypergraph, we enforce it to have a clear clustering structure, which will be more appropriate for clustering tasks, and thus we do not need to perform any uncertain postprocessing, such as hypergraph partitioning. Extensive experiments show that, our method not only performs better than the conventional hypergraph based ensemble methods, but also outperforms the state-of-the-art clustering ensemble methods.