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.     

基于保持投影的最大散度差的特征抽取方法

对非监督鉴别投影(UDP)准则进行修正,并在修正的准则基础上提出基于保持投影的最大散度差的特征抽取方法.该方法利用非局部散度与局部散度之差作为鉴别准则,从而避免UDP线性鉴别分析中所遇到的小样本问题引起的局部散度矩阵奇异的问题.在标准人脸数据库Yale和FERET上进行实验,实验结果表明本文方法的有效性.     

复杂网络社团的投影聚类划分

社团结构划分对研究复杂网络有重要作用,由于该问题的复杂性,复杂网络中的社团划分问题成为近期的一个研究热点.从经典数据分析的角度研究了复杂网络的社团结构,首先依据网络的拓扑信息,将网络节点投影成高维空间的点,使得一个网络对应到高维空间中的一个点分布;接着使用主分量分析方法PCA对高维点分布降维,保留点群分布的主要结构信息;再通过K-m eans聚类结果来推断网络的社团结构.基于2-mode数据和1-mode网络数据实验表明,该方法可以快速、可靠地找出网络的社团.将经典数据分析的聚类方法应用到网络分析中,验证了该思路的有效性,为网络社团分析提供一个新视角.     

不变矩方法在区域匹配中的应用

提出了一种基于区域的立体匹配方法,该方法除了采用顺序性约束和惟一性约束外,根据外极线约束提出了外极带约束,采用比邻域约束更优越的相对位置约束,能有效地处理遮掩和区域变形情况下的双目立体匹配．在对多个候选匹配区域进行最佳匹配选择时,提出了重心距离和矩距离的概念,利用不变矩原理进行最佳候选区域选择．经实验证明,该方法是可行、有效的．     

感知网的信息协同分类理论与技术研究

研究了微型传感器网络中感知信息的协同分类理论与技术．主要研究环境条件改变和多目标之间相互干扰等复杂条件下的协同分类算法．研究了单个节点的多模态信息协同、不同节点之间的协同、孤立节点之间的协同和感知信息交换，以及网络拓扑结构等．给出了一个具体的研究方案．     

两类新的基于T／S范数的模糊神经元模型及其应用

基于T范数和S范数提出了F1型和F2型两类神经元模型，并研究了它们的性质和应用(F1型灵敏性强而鲁棒性弱，而F2型神经元灵敏性弱而鲁棒性强)；给出了一个基于F1型神经元的广义AND／OR运算为T／S范数簇的充分必要条件；首先提出了弱界三角范数的概念，并发现F2型的一个特例模型能实现弱界三角范数，经分析，F1型更适合用于工业控制系统，而F2型更适合用于面向用语言描述知识的医学和人文社会领域的计算机应用系统，该文把一个由特殊的F2型神经元组成的神经网络用于模糊推理，发现该推理方法是Zadeh的CRI法的推广，且能满足假言推理，通过权值的调整，该推理法能满足若干推理原则的要求。     

一种广义的K-L变换与人脸识别

提出了一种直接基于图像矩阵的包含在类平均图像中判别信息的最优压缩方法。在ORL标准人脸库上的试验结果表明，提出的方法不仅识别性能优于传统的主分量分析和Fishr线性鉴别分析，而且特征抽取的速度得到了很大的提高。     

基于神经网络的人脸特征提取及识别

该文使用神经网络技术对人脸的特征提取及识别做了研究。在降低图像解析度的基础上使用神经网络来进行特征压缩,可以有效地降低特征维数。使用神经网络分类器对压缩后的特征进行分类,分类结果以隶属度来表征待识别人脸属于各类别的可能性。实验结果证明了该方法的有效性。     

不完备信息系统中基于相似关系的知识约简

以具有丢失型未知属性值的不完备信息系统为研究对象,根据非对称相似关系,讨论了知识约简问题.在不完备决策系统中,引入了近似、粗糙分布约简以及广义决策约简,讨论了它们之间的相互关系,给出了近似分布约简的判定定理、可辨识矩阵以及约简公式,并进行了实例分析,为从不完备信息系统中获取知识提供了新的理论基础与操作手段.     

PIFS多分辨率特性研究

本文在更一般的条件下（二维，不同大小ｒａｎｇｅ块）证明了分形图像上压缩中ＰＩＦＳ（Ｐａｒｔｉ－ｔｉｏｎｅｄＩｔｅｒａｔｅｄＦｕｎｃｔｉｏｎＳｙｓｔｅｍ）不动点的多分辨率特性，即低分辨率不动点可以通过对高分辨率不动点进行收缩变换得到，高分辨率不动点可以通过对低分辨率不动点进行仿射变换得到，所得结论是Ｂａｈａｒａｖ等文中结论的推广。