U(so(8,C))向量表示的范畴化

为了范畴化U(so(8,))向量表示的n次张量积,定义了一般线性李代数gln的伯恩斯坦-盖尔芬德-盖尔芬德(Bernstein-Gelfand-Gelfand,BGG)范畴O的若干子范畴,这些子范畴Grothendieck群的复化范畴化了D4型李代数包络代数向量表示n次张量积的底空间;定义了BGG范畴O上的一系列投射函子用于范畴化U(so(8,))在张量积上的作用;得到hi(1≤i≤4)可由一对函子(H+i,H-i)(1≤i≤4)范畴化,ei、fi(1≤i≤3)分别由εi、Fi(1≤i≤3)范畴化,e4、f4分别由一对函子(ε+4,ε-4)(F+4,F-4)范畴化.     

张量表示的量子隐形传态研究

通过定义通道参数矩阵X、测量矩阵Tα和传输变换矩阵σα,介绍一种量子隐形传态的张量表示和分析方法,并用此方法来重新表示量子隐形传输、量子网络控制隐形传输、量子概率隐形传输和量子双向隐形传输。量子隐形传态的这种张量表示方法揭示了量子通道和测量方法之间的内在联系,能给出实现隐形传态时选取量子通道的一般判据。该方法使隐形传态的表示简洁明了,处理多粒子态的隐形传态更有优势。     

基于稀疏强特征提取的三维地震数据完备方法

随着复杂储层地震资料特征筛选的机器学习技术的进步,如何有效地对参与地震属性优选和储层反演的地震样本进行采集和分析,成为目前智能地震预测领域的一个研究热点。目前的方法多着重于模型分类算法的改进,在标签的制作和采集方面不仅耗费大量时间进行人工标注,还存在标签不平衡情况下类内可靠性、类间平衡性不强等问题。为此,提出基于稀疏强特征提取的三维地震数据完备方法。首先,基于多数决原则的样本分割(Sample Segmentation Based on Majority Rule, SSMR)寻迹多尺度、多标签三维地震样本,进行采集、自动标注;然后,改进标签洗牌平衡方法(Improved Label Shuffling Balance Method, ILSB),通过“2+1”的样本增广平衡策略进行数据完备处理,改善样本采样不平衡性导致的模型训练偏向性;最后,利用基于最小L₁范数稀疏表示对奇异值分解结果进行强特征提取(Minimum L₁-norm Based Sparse Representation for Feature Extraction, L     

注塑产品动态装配模型的集成知识模型研究

基于MBR(基于模型的推理)技术，建立了注塑模具动态装配结构模型；基于RBR(基于规则的推理)技术，应用面向对象的规则模型(OOR)，建立了动态装配规则的知识表示模型。最后，该文将两种知识表示模型集成，建立了完整的知识模型，为整个系统的后续工作奠定了基础。     

基于KBE的冲压工艺知识表示方法研究

根据冲压成形工艺的特点 ,研究了冲压工艺知识的分类 ,采用面向对象的方法 ,探讨了基于规则与基于实例的冲压工艺知识描述和自动获取技术 ,并在此基础上建立了基于知识驱动的冲压工艺特征模型。     

基于轮廓几何稀疏表示的刚性目标模型及其分级检测算法

刚性目标轮廓具有明显几何特性且不易受光照、纹理和颜色等因素影响.结合上述特性和图像稀疏表示原理,提出一种适用于刚性目标的分级检测算法.在基于部件模型(Part-based model, PBM)的框架下,采用匹配追踪算法将目标轮廓自适应地稀疏表示为几何部件的组合,根据部件与目标轮廓的匹配度,构建描述部件空间关系的有序链式结构.利用该链式结构的有序特性逐级缩小待检测范围,以匹配度为权值对各级部件显著图进行加权融合生成目标显著图. PASCAL图像库上的检测结果表明,该检测方法对具有显著轮廓特征的刚性目标有较好的检测结果,检测时耗较现有算法减少约60%~90%.     

基于字典学习的遥感图像去模糊研究

对高分辨率遥感图像进行去模糊是遥感研究中的一个主要难题,针对此提出了一种新的基于稀疏表示的高分辨率遥感图像去模糊算法。该算法利用快速梯度投影算法实现去模糊,并且保留原图像的有用信息。通过对"高分一号"获取的遥感图像进行验证,表明该算法能较好地滤除遥感图像的模糊,提高图像的峰值性噪比,且比其他字典学习算法具有更好的性能。     

基于椭圆曲线密码体系的多基联合稀疏表示算法

椭圆曲线已经广泛应用于密码学领域中的公钥密码系统,数字签名验证等。在椭圆曲线密码系统中,标量乘法占据着十分重要的地位。目前已经有一些算法来加快这些十分关键的计算,它们均基于整数的不同表示,以尽量减少一般乘法或点加法的数目。在椭圆曲线现有的各种计算方法中,联合稀疏表式(JSF),w-NAF,双基方法是目前常用并且有效的算法。基于多基整数表示系统,提出一种联合多基稀疏表示方法。多基联合稀疏表示需要较少的位数,并且比JSF和w-NAF更加稀疏,(2,3,5)基表示与(2,3)基表示相比,可以使椭圆曲线标量乘法的运算提高约16%的效益。     

基于小波变换和稀疏表示的图像去噪

传统小波阈值去噪在对图像进行去噪时,并不能很好地保留图像的细节纹理等边缘信息部分.针对这一不足,结合了稀疏表示相关的理论,提出了一种基于小波变换和正交匹配算法相结合的图像去噪算法.首先选取小波函数对含噪图像进行处理,分离出图像的高频和低频小波系数,然后对高频系数结合正交匹配追踪算法,通过多次反复迭代求得高频稀疏分量,再结合低频分量,用逆小波变换得到恢复图像.实验结果表明,在相同的噪声条件下,该算法能取得较好的峰值信噪比(PSNR),获得更好的视觉效果.     

稀疏标签传播:一种鲁棒的领域适应学习方法

稀疏表示因其所具有的鲁棒性,在模式分类领域逐渐得到关注.研究了一种基于稀疏保留模型的新颖领域适应学习方法,并提出一种鲁棒的稀疏标签传播领域适应学习(sparse label propagation domain adaptation learning,简称SLPDAL)算法.SLPDAL通过将目标领域数据进行稀疏重构,以实现源领域数据标签向目标领域平滑传播.具体来讲,SLPDAL算法分为3步:首先,基于领域间数据分布均值差最小化准则寻求一个优化的核空间,并将领域数据嵌入到该核空间;然后,在该嵌入核空间,基于l₁-范最小化准则计算各领域数据的核稀疏重构系数;最后,通过保留领域数据间核稀疏重构系数约束,实现源领域数据标签向目标领域的传播.最后,将SLPDAL算法推广到多核学习框架,提出一个SLPDAL多核学习模型.在鲁棒人脸识别、视频概念检测和文本分类等领域适应学习任务上进行比较实验,所提出的方法取得了优于或可比较的学习性能.