基于全局稀疏梯度与低秩张量正则化的多源多波段图像融合方法

多模图像融合可有效提升多传感器系统的目标信息表征能力.然而,常用的图像融合方法只能融合两个模态传感器的信息.针对上述问题,充分利用多模图像空间与频谱信息的高阶相关性及其内在结构特性,基于图像域的非局部自相似特性,引入复合正则化方法,提出基于全局稀疏梯度与低秩张量正则化的多模图像融合方法,实现高光谱、多光谱和全色图像的同时融合.其中,多模图像的频谱信息使用全局稀疏梯度正则化方法,空间信息使用低秩张量正则化方法.上述复合正则化方法的优点在于可以有效对空间与频谱信息的内在结构特性进行建模,消除图像空间域的阶梯效应,减少伪频谱信息的引入.仿真实验验证了该方法的可行性和有效性.该方法为多传感器融合系统提供理论与技术支撑.     

基于自适应低秩稀疏分解的超声缺陷回波检测方法

超声无损探伤在金属材料微小缺陷检测中有着广泛的应用,但采集的回波信号通常受到噪声干扰甚至完全被噪声掩盖,为了辨别被噪声干扰的缺陷反射信号,提出了一种基于自适应低秩矩阵分解的超声缺陷回波检测方法。首先对原信号进行短时傅里叶变换并提取幅度谱和相位谱,引入基于误差重建的背景矩阵秩估计方法,用于估计低秩稀疏分解所需的低秩度参数。然后通过低秩稀疏分解将幅度谱分解为低秩、稀疏和噪声三部分,舍弃噪声部分。最后使用时频掩蔽分离出缺陷信号幅度谱并运用逆短时傅里叶变换获得回波信号。应用本文提出的方法分别对仿真和实测信号进行处理,结果表明本方法在缺陷回波检测方面是有效的。     

MEMS陀螺仪的稀疏冗余去噪

为了提高随钻测量过程中MEMS陀螺仪的测量精度,抑制振动信号等对陀螺仪漂移造成测量精度的影响,采用经验模态分解(Empirical Mode Decomposition,EMD)和压缩感知(compressed sensing,CS)的算法进行降噪.首先对MEMS陀螺信号进行EMD分解,利用连续均方误差(CMSE)计算两个连续重构陀螺仪信号的欧式距离,以此将分解得到的模态函数(IMFs)以高、低频的形式分离,剔除高频噪声模态的影响;构建冗余字典,使低频IMFs分量在该字典上稀疏表示,利用贝叶斯理论对优化剩余IMFs分量重构;同时,在该字典上添加一列误差补偿项,通过贝叶斯估计求得.最后将处理后的剩余IMFs分量和补偿项叠加重构.去噪前后,MEMS陀螺仪数据解算的方位角累积误差由11.8562°减小到0.4725°.仿真实验分析可知,该算法可有效去除陀螺仪信号中的噪声.     

GRU改进算法对实时策略游戏中指令类型的预测

从人工智能技术的角度来看,实时性策略(RTS,Real-Time Strategy)游戏是最复杂和最具挑战性的领域之一.一些实时策略游戏不仅具有状态动作空间巨大、环境部分可观测和即时性的特点,而且具有稀疏决策的特征.为了解决在实时策略游戏中决策比较稀疏的条件下进行指令类型的选择问题,引入了一种使用带权重的交叉熵损失函数的GRU神经网络模型.为验证所提方法的有效性,实验在游戏仿真平台上对GRU神经网络模型进行了综合评估.实验结果表明,对实时策略游戏中决策稀疏条件下的指令类型选择,改进的GRU网络模型是有效且稳定的.     

基于SCMA的端信息扩展多用户安全通信系统研究

端信息扩展技术使用多项端信息组成的扩展序列来表示身份信息,各项端信息与所传递的数据本身无关,从而隐藏用户的真实信息.然而,端信息扩展序列资源利用率低、自相关性弱,无法实现多用户并发安全通信对此,将稀疏码多址接入(sparse code multiple access,SCMA)技术引入端信息扩展序列生成过程中,提出基于SCMA的端信息扩展多用户安全通信系统模型,详细阐述了模型中的码本设计分配、码字加载发送策略.进一步,从安全性能和通信服务质量2方面对原型系统进行理论分析和实验验证.实验结果表明:基于SCMA的端信息扩展多用户安全通信系统可实现用户信息的隐蔽传输,服务器端能够正确区分用户信息采用稀疏编码后,系统具有较低误比特率,且在一定过载条件下,仍具有良好的传输性能.     

图计算加速器中稀疏向量比较单元的设计与实现

绝大多数图计算应用都可以映射为稀疏矩阵和向量运算,稀疏向量的比较运算是稀疏矩阵向量运算的计算瓶颈,为解决图计算加速器中稀疏矩阵列向量比较问题,设计一种稀疏向量比较运算电路,主要包括64个比较运算电路和一个共享存储单元.基于Verilog HDL语言完成电路设计,以SNAP(Stanford Network Analysis Project)上的Flickr数据集为例,在ModelSim SE-6410.1 c完成验证工作,采用Xilinx公司的ISE开发环境对硬件电路进行综合,实验结果表明,该电路的工作频率可以达到264 MHz.     

基于多核学习卷积神经网络的稀疏数据推荐

针对当前稀疏数据推荐准确率低的问题,提出一种基于多核学习卷积神经网络的稀疏数据推荐算法.将项目的辅助信息送入卷积神经网络学习特征,将向量在可再生核希尔伯特空间组合,利用多核学习技术增强卷积神经网络的特征学习能力;基于学习的卷积特征集初始化非负矩阵模型,通过非负矩阵模型实现对缺失评分的预测.实验结果表明,该算法有效提高了稀疏数据集的推荐性能,验证了多核学习卷积神经网络的有效性.     

基于样本特征核矩阵的稀疏双线性回归

在许多实际应用中出现了大量的冗余数据,这些数据可能是高维的,这时进行回归预测将会出现过拟合的现象,并且还会出现预测精度偏低等问题.另外,大多数回归方法都是基于向量的,忽略了矩阵数据原始位置之间的关系.为此,文中提出了一种基于样本特征核矩阵的稀疏双线性回归(Kernel Matrix-based Sparse Bilinear Regression,KMSBR)方法.该方法直接将数据矩阵作为输入,其是通过左右回归系数矩阵而建立的,利用样本的特征核矩阵和L2,1范数,能够同时实现对样本及样本特征的选择,且考虑了数据的原始位置,提高了算法的性能.在若干数据集上的实验结果表明,KMSBR能有效地选择相对重要的样本和特征,从而提高算法的运行效率,且其预测精度优于已有的几种回归模型.     

结合稀疏表示与拓扑相似性的图像匹配算法

为了解决图像匹配算法中存在的匹配效率低、时间复杂度与计算量高等问题,通过结合稀疏表示和拓扑相似性,提出了一种图像匹配算法。该算法先对图像进行特征检测,计算轮廓相似度,找到待匹配图像中相似的最大轮廓区域,用稀疏编码对轮廓内特征进行稀疏表示,建立稀疏模型,将复杂特征变得单一化,但又不影响特征的分类方式,将相同类别或者相同属性的特征归为同一特征集,结合稀疏表示和邻域互信息的类属属性学习。计算得到变换矩阵,用以表示图像。利用结构化的拓扑相似性,对轮廓内外相关联的点进行优化。最后,分别从主观评价和客观评价两个方面对算法进行分析,结果表明提出的新算法与其他图像匹配算法相比较,具有明显匹配精度与效果,提出的算法在提高匹配效率及复杂度等方面具有较好优势。