低秩约束的非线性属性选择算法

针对高维的数据中往往存在非线性、低秩形式和属性冗余等问题,提出一种基于核函数的属性自表达无监督属性选择算法——低秩约束的非线性属性选择算法（LRNFS）。首先,将每一维的属性映射到高维的核空间上,通过核空间上的线性属性选择去实现低维空间上的非线性属性选择;然后,对自表达形式引入偏差项并对系数矩阵进行低秩与稀疏处理;最后,引入核矩阵的系数向量的稀疏正则化因子来实现属性选择。所提算法中用核矩阵来体现其非线性关系,低秩考虑数据的全局信息进行子空间学习,自表达形式确定属性的重要程度。实验结果表明,相比于基于重新调整的线性平方回归（RLSR）半监督特征选择算法,所提算法进行属性选择之后作分类的准确率提升了2.34%。所提算法解决了数据在低维特征空间上线性不可分的问题,提升了属性选择的准确率。     

基于稀疏结构的图像特征匹配算法

对图像进行全局的特征点检测耗时较长,而且全局特征稳定性不好,这就造成算法的运行速度慢和匹配准确率低,达不到令人满意的匹配效果.在尺度不变特征变换（SIFT）的基础上,通过引入稀疏结构的概念,提出了一种基于稀疏结构的图像特征匹配算法（SSM）.通过稀疏度函数获得像素点的稀疏度值,筛选出稀疏度高的像素点所在的区域,并对该区域进行SIFT特征点检测,通过最佳描述子实现特征匹配.将SSM算法与几种经典算法相比,实验结果表明,本文算法在特征匹配速度和匹配准确率上相比于原算法都有较明显的提高,能够用于目标实时跟踪、图像检索和全景图像拼接等领域.     

基于局部表示的分类方法及其人脸识别应用

基于稀疏表示的分类方法SRC与基于协同表示的分类方法 CRC分别通过L1范数和L2范数最小化获得具有稀疏性的线性表示系数,在人脸识别中取得了很好的效果。为了解决这两种方法没有考虑数据局部信息的问题,提出了基于局部表示的分类方法 LRC。LRC使用测试样本局部范围内的训练样本对其进行线性表示,这样获得的局部表示系数在保持稀疏性的同时包含有效的局部信息。另外,通过求解一简单的约束最优化问题,LRC可快速获取局部表示系数。在ORL、YALE以及FERET人脸数据库上的实验结果,表明了LRC的有效性和高效性。     

一种短密钥高效全同态加密方案

针对Van Dijk等人在2010年欧密会上提出的基于整数的全同态加密方案进行了研究,此方案的主要优势在于概念上的简单性,将原来的基于理想格的同态加密体制替换为一个非常简单的整数描述的同态加密体制,但是它的公钥尺寸为O ?(λ^10),并且每次只能加密1bit。在原始DGHV同态加密的基础上,通过改变整数的选取方式和模数,提出了一种一次可以加密k bits的同态加密方案,且公钥的尺寸降低至O ?(λ^7),最后给出了安全性证明和效率分析,方案与原始方案基于相同的困难问题,且加解密效率有所提高。     

基于SDAE及极限学习机模型的协同过滤应用研究*

鉴于传统的协同过滤推荐算法在处理冷启动和数据较稀疏的问题上表现不佳,提出一种将堆栈降噪自编码器(Stacked Denoising AutoEncodes,简称SDAE)同最近邻推荐方法相结合的混合SDAE推荐模型。该模型结合稀疏编码算法和降噪准则,使用逐层自编码的思想将极限学习机与降噪自编码器堆叠形成基于极限学习机(Extreme Learning Machine,简称ELM)计算的堆栈降噪自编码器的深度学习模型,最终用模型提取的抽象特征应用于最近邻算法预测打分。并通过多组数据集上各种模型的实验结果表明,在稀疏度低于8%时,与余弦相似度模型和皮尔森相似度模型相比,混合SDAE推荐模型实验效果分别提高了11.3%和21.1%,与潜在矩阵分解模型相比,混合SDAE模型收敛所需的迭代次数少近30%,而在与相似度模型和矩阵分解模型的三组比较实验中,混合SDAE模型的稳定性也表现最良好,所提出的混合SDAE模型收敛速度较快,并有效解决数据稀疏与冷启动的问题     

一种融合AutoEncoder与CNN的混合算法用于图像特征提取*

深度学习方法表现出来了非常优异的特征提取能力,本文针对传统特征提取方法需要先验知识的不足,提出了一种 AutoEncoder与Convolutional Neural Networks(CNN)相结合的深度学习特征提取方法;给AutoEncoder加入一种快速稀疏性控制方法,用来训练出基本构件,并初始化CNN的卷积核;给CNN网络加入了滤波机制,使输出特征保持稀疏性。实验指出,在Minist手写数字库上,本文方法取得了误差率为5.07%的较好结果,实验进一步通过交叉验证t检验指出,加入滤波机制的特征提取模型优于没有加滤波机制的模型。     

基于动态标签偏好信任概率矩阵分解模型的推荐算法

为提高推荐算法性能,解决数据稀疏和冷启动因素造成的推荐精度不高的问题,提出一种改进的协同过滤推荐算法。基于三元组表示形式,利用标签集、用户集和项目资源集构建标签、用户以及项目之间的动态联系,并进行信任值评分矩阵的计算,使用信任评分矩阵融合协同推荐过程,构建概率矩阵分解模型,并基于期望最大法进行模型的求解。实验结果表明,与采用基于余弦、皮尔逊相关系数和启发式相似度模型的算法相比,该算法具有较低的绝对误差均值以及较高的覆盖率、精度与召回率。     

基于稀疏贝叶斯模型的特征选择

通过采用稀疏贝叶斯推理方法,设计出可同时进行学习最优分类器与选取最优特征子集的特征选择概率分类向量机算法。该算法是对概率分类向量机特征选择的扩展,可提高其在高维数据集上的性能。通过选取零均值的高斯分布作为先验,在模型中起到正则项的作用,同时在核函数和特征中引入稀疏,得到泛化性更好的分类模型。在高维度和低维度数据集中的实验结果表明,该算法同时具有较好的分类和特征选择能力。     

稀疏环境下基于位置服务的隐私保护方法

为保护稀疏环境下的用户身份和位置信息,提出一种基于位置服务(LBS)的隐私保护方法,通过确定访问的LBS服务是否为匿名服务决定增加虚拟用户还是虚拟位置。根据空间区域的时延特点模拟生成真实用户位置信息及其分布,保证虚拟信息的拟真性。通过增加虚拟用户信息或位置信息及其关联映射复杂度,实现用户匿名性。实验结果表明,与随机生成虚拟信息的隐私保护方法相比,该方法生成的虚拟信息更符合真实场景,具有更好的隐私保护效果。     

GPU稀疏矩阵向量乘的性能模型构造

稀疏矩阵向量乘(Sparse matrix-vector multiplication,SPMV)是广泛应用于大规模线性求解系统和求解矩阵特征值等问题的基本运算,但在迭代处理过程中它也常常成为处理的瓶颈,影响算法的整体性能。对于不同形态的矩阵,选择不同的存储格式 ,对应的算法往往会产生较大的性能影响。通过实验分析,找到各种矩阵形态在不同存储结构下体现的性能变化特征,构建一个有效的性能度量模型,为评估稀疏矩阵运算开销、合理选择存储格式做出有效的指导。在14组CSR,COO,HYB格式和8组ELL格式的测试用例下,性能预测模型和测量之间的差异低于9%。