稀疏约束的时空正则相关滤波无人机视觉跟踪

目的 基于相关滤波的跟踪算法在无人机(unmanned aerial vehicle,UAV)视觉跟踪领域表现出卓越的性能。现有的相关滤波类跟踪算法从样本区域的所有特征中学习滤波器,然而某些来自遮挡或形变的特征可能会污染滤波器,降低模型判别能力。针对此问题,提出一种稀疏约束的时空正则相关滤波跟踪算法。方法 在相关滤波目标函数上施加空间弹性网络约束以自适应地抑制跟踪过程中的干扰特征,同时集成空间—时间正则相关滤波算法(spatial-temporal regularized correlation filter,STRCF)中的时间正则项以增强滤波器抑制畸变的能力。采用交替方向乘子法(alternating direction method of multipliers,ADMM)将带有约束项的目标函数转化为两个具有闭式解的子问题迭代求局部最优解。此外,提出一种相关滤波框架通用的加速策略,根据当前帧的目标位移量,对检测定位阶段的特征矩阵进行等距离的循环移位,将其作为在线学习阶段的特征矩阵,每帧可节省一次训练样本的特征提取操作,提高跟踪速度。结果 在3个UAV数据集上与14种主流跟踪算法进...     

选择并融合粗细粒度特征的细粒度图像识别

目的 在细粒度图像识别任务中,类内图像姿势方差大,需要找到类内变化小的共性,决定该任务依赖于鉴别性局部的细粒度特征;类间图像局部差异小,需要找到类间更全面的不同,决定该任务还需要多样性局部的粗粒度特征。现有方法主要关注粗细粒度下的局部定位,没有考虑如何选择粗细粒度的特征及如何融合不同粒度的特征。为此,提出一种选择并融合粗细粒度特征的细粒度图像识别方法。方法 设计一个细粒度特征选择模块,通过空间选择和通道选择来突出局部的细粒度鉴别性特征;构建一个粗粒度特征选择模块,基于细粒度模块选择后的局部,挖掘各局部间的语义和位置关系,从而获得为细粒度局部提供补充信息的粗粒度多样性特征;融合这两个模块中提取到的细粒度特征和粗粒度特征,形成互补的粗细粒度表示,以提高细粒度图像识别方法的准确性。结果 在CUB-200-2011（caltech-UCSD birds-200-2011）、Stanford Cars和FGVC-Aircraft（fine-grained visual classification aircraft） 3个公开的标准数据集上进行广泛实验,结果表明,所提方法的识别准确率分别达到90.3%、95.6%和94.8%,明显优于目前主流的细粒度图像识别方法,相较于对比方法中的最好结果,准确率相对提升0.7%、0.5%和1.4%。结论 提出的方法能够提取粗粒度和细粒度两种类型的视觉特征,同时保证特征的鉴别性和多样性,使细粒度图像识别的结果更加精准。     

基于空间向量搜索的密度峰值聚类算法

针对密度峰值聚类(DPC)算法因构建全局样本点间的相似度矩阵,而导致时间开销过大的问题,提出了一种基于空间向量搜索的密度峰值聚类(VS-DPC)算法。在n维正交坐标系中将数据点映射为以原点为起点的空间向量,计算向量的模和与统一坐标轴正方向间的夹角;利用截断距离和截断映射角确定相似范围搜索相似向量;利用相似向量确定有效密度点从而构建稀疏相似度矩阵,降低时间复杂度。在UCI数据库中7个真实数据集和7个形状复杂的人工数据集上的实验结果表明,所提的VS-DPC算法保持了DPC的聚类精度,相较DPC算法减少了约60%的时间开销。并对比于CDPC和GDPC两种提升DPC聚类效率的算法,算法参数更少,且在聚类精度和时间上分别平均提升6和18个百分点。     

基于线-超图神经网络的阿尔兹海默症分类

在阿尔兹海默症分类问题中,超图神经网络可以从被试间的超图关系中提取特征,在表示学习复杂图结构方面具有很好的优势,但大多数模型都直接或间接地将超图所表示的被试间的高阶复杂关系分解,转化为简单的二元关系进行特征学习,没有有效利用超边的高阶信息,因此提出了基于线-超图神经网络(line-hypergraph neural network, L-HGNN)的阿尔兹海默症分类模型,该模型利用稀疏线性回归表征被试间多元相关性,借助超图和线图的转换在神经网络模型中实现节点的高阶邻域信息传递和超边整体结构特征学习,同时,结合注意力机制生成更具区分性的节点嵌入,进而用于阿尔兹海默症的辅助诊断.在ADNI数据上与常用的两种方法比较,实验结果表明,该方法能有效提高分类准确率,在阿尔兹海默症早期诊断上具有重要的应用价值.     

网联车辆有限时间滑模预设性能队列控制

针对含有未知扰动和模型不确定的网联车辆预设性能队列控制问题,本文提出了一种基于改进滑模的有限时间队列控制方法.首先,为满足预设性能,设计了一种新型性能函数,保证了跟踪误差在预设时间内收敛到规定区域.其次,提出了一种改进的滑模队列控制算法,加快了系统收敛速度,实现了有限时间单车稳定及队列稳定,同时,设计了自适应律,有效解决了扰动及模型不确定问题.最后,进行了MATLAB仿真实验,通过6辆网联车的队列控制仿真验证了所提算法的有效性.     

带有资源约束的模糊DEA线性生产博弈模型及分配

Owen线性生产博弈假设生产技术和资源的边际贡献固定不变,但实际上,生产技术和资源边际贡献并非固定不变而是随生产改变.基于此,为了刻画具有模糊性和动态性的生产过程,提出模糊DEA线性生产博弈.首先构建2种合作水平(同时共享技术和资源、仅共享资源)、3种资源类型(最低资源、最佳资源、有效资源)和2种收益角度(乐观、悲观)构成的复杂生产模型,并通过上述3种因素解释合作生产具有互利性,资源带来的收益具有“先增后平”的变化趋势以及可能获得的最大收益区间;然后,利用α-核心求解此博弈,在特定情况下无需利用对偶理论即可得到α-核心分配,从而简化了计算步骤;最后,通过解决云服务虚拟机转化过程中建模和收益分配问题表明所提出模型和方法的实际意义与理论价值.     

基于不确定观测下离散事件系统可诊断性的研究

在实际应用系统中,由于传感器故障、传感器限制和网络中的数据包丢失等原因,事件的可观测值变得不确定,使得观测系统行为变得尤为复杂。针对离散事件系统中,同个事件串可能有多个观测值以及不同状态下同个事件观测值也可能不同的问题,提出一种不确定观测下故障诊断验证的方法。首先对不确定观测的离散事件系统的可诊断性进行形式化,然后构建出用于上述故障诊断验证的验证器;基于验证器提出了系统基于不确定观测下可诊断的充要条件及验证算法;最后,实例说明不确定观测下故障诊断验证算法的应用。与现有研究相比,提出的方法对故障事件的观测值没有约束,可以为0个或多个观测值,使此方法应用的场景更为广泛。     

时变信道下线性网络分批稀疏码秩分布研究

作为一种应用于多跳网络的低复杂度两步式编码技术,分批稀疏（batched sparse,BATS）码的传输性能与传输矩阵的秩分布直接相关。现有文献在假设各链路丢包率均为常数的前提下,研究了分批稀疏码在纠删信道下的秩分布。然而,在一些场景（如工业互联网）,大量的移动节点部署在整个网络中,可能导致节点之间的信道变成时变信道,即链路上的丢包率随时间变化而变化。因此在假定网络中各节点之间链路丢包率随机变化的场景下,研究了随机线性网络编码（random linear network coding, RLNC）和系统重编码作为内码编码方案时,分批稀疏码传输矩阵的秩分布,推导了链路丢包率服从有限区间正态分布情况下归一化秩期望的闭合解,并通过蒙特卡洛仿真验证了该闭合解的正确性。     

基于非凸复合函数的稀疏信号恢复算法EI北大核心CSCD

基于泛函深度作用的思想,通过将两种非凸稀疏泛函进行复合,构造了一种新的稀疏信号重构模型,实现了对0范数的深度逼近.综合运用MM(Majorize minimization)技术、外点罚函数法和共轭梯度法,提出一种求解该模型的算法,称为NCCS(Non-convex composite sparse)算法.为降低重构信号陷入局部极值的可能性,提出在算法的每步迭代中以BP(Basis pursuit)模型的解作为初始迭代值.为验证所建模型和所提算法的有效性,进行了多项数值实验.实验结果表明,相较于SL_(0)(Smoothed)算法、IRLS(Iterative reweighed least squares)算法、SCSA(Successive concave sparsity approximation)算法以及BP算法等经典算法,提出的算法在重构误差、信噪比、归一化均方差、支撑集恢复成功率等方面都有更优的表现.