基于深度学习的监督型典型相关分析

典型相关分析（CCA）是利用综合变量对之间的相关关系反映两组指标之间整体相关性的多元统计方法。传统的CCA方法无法有效利用样本的标签信息,导致准确率降低。将类信息融入到深度学习与CCA相结合的深度典型相关分析中,提出一种监督型降维方法DL-SCCA,用于处理带标签的非线性可分数据。在2个独立的深度神经网络（DNN）结构上,增加1个公共的输出维数与数据集类别数相同的全连接层,并且以softmax函数作为该层的激活函数,输出带有概率意义的编码向量。在此基础上,利用全连接输出与样本标签信息之间的交叉熵对DNN进行训练,获得分类性能较优的低维特征。实验结果表明,该方法采用最近邻分类器和网络本身结构得到的分类准确率分别为98.00%和97.82%,相比CCA、DisCCA、DCCA等方法,能够有效利用样本的标签信息,并且具有较优的分类性能。     

一种权重未知条件下的VIKOR大群体决策方法

针对权重未知的模糊多属性大群体决策问题,提出基于Humming距离构建决策者权重优化模型。采用区间直觉模糊决策矩阵表达决策者的评价信息,用MATLAB编程求解优化决策者权重;结合决策者权重,采用区间直觉模糊加权平均算子(IIFWA)获取综合决策矩阵,用信息熵计算指标属性权重。基于VIKOR框架,采用区间直觉模糊均衡交叉熵计算各方案、临界解与理想解的空间测度,实现方案排序。通过一个实例进行验证并与其他方法对比,说明了所提方法的可行性和有效性。     

泄洪激励下高拱坝损伤识别的互熵矩阵曲率法

提出一种基于泄洪激励下动响应能量进行高拱坝损伤识别的互熵矩阵曲率法,即利用拱坝损伤前后的相对响应熵矩阵,分别对其列、行进行差分求得互熵曲率矩阵,并以其对角元素作为检测拱坝结构损伤指标的新方法.该方法仅需拱坝的环境激励响应信号,不论对其单一损伤、轻微损伤,还是多种损伤,均能够定位损伤和定性反映损伤程度.通过数值模拟分析,验证了该方法检测拱坝损伤的有效性.     

基于深度学习的场景文本检测与识别

针对复杂场景下文本识别流程复杂繁琐、适应性差、准确度低等缺点,本文提出一种复杂场景下文本检测和识别的新方法.该方法由文本区域检测网络及文本识别网络构成,文本区域检测网络为改进的PSENet,将PSENet的骨干网络改为ResNeXt-101,在特征提取过程中加入可微二值化操作来优化分割网络,不仅简化了后处理,而且提高了...     

核空间散度阈值法

提出了一种核空间散度阈值分割方法。首先定义了一种参数型Bregman散度;其次提出了参数型Bregman散度阈值法,并将现有交叉熵阈值法和Otsu阈值法统一起来;再次基于参数型Bregman散度构造了核空间中一种新的不对称核函数,将图像灰度级从欧氏空间变换到再生核空间,获得了一种核空间的散度阈值分割法;最后研究了该分割法中核函数参数选取方法。实验结果表明,基于核空间的散度分割法具有一定的普适性,并能改善现有交叉熵阈值法和Otsu阈值法的分割性能,同时也可将这两种经典阈值分割法看做核空间散度阈值法的特殊情形。     

区间直觉模糊连续交叉熵及其多属性决策方法

在区间直觉模糊（IVIF）环境下,利用连续有序加权平均（COWA）算子定义了一种新的区间直觉模糊数间的交叉熵,即区间直觉模糊连续交叉熵。依据提出的区间直觉模糊连续交叉熵定义了直觉模糊数间的连续交叉熵距离。基于TOPSIS的思想得到备选方案与理想方案的加权距离,并且计算备选方案与理想方案的相对贴近度,依据相对贴近度选择最优方案。其中,针对属性权重信息不完全确定条件下的决策问题,提出了以区间直觉模糊连续交叉熵最大为准则的规划模型;针对属性权重信息完全未知的情况,根据交叉熵理论确定属性权重向量。实验结果验证了新的决策方法的可行性和有效性。     

基于交叉视觉皮质模型的非结构化道路检测算法

针对传统非结构化道路检测算法对各种复杂路面环境通用性不强且计算复杂度高的问题,提出了一种基于交叉视觉皮质模型(ICM)的道路检测算法.ICM具有接近生物视觉信息处理机制的特点,能够根据像素及其邻域的相关性动态区分目标和背景.基于ICM分割算法需要解决的问题是最佳分割阈值和循环迭代次数的确定,提出了采用最小交叉熵判决机制...     

基于二维对称交叉熵的红外图像阈值分割

针对现有的阈值选取方法应用于目标与背景面积相差悬殊的红外图像时常导致严重的误分割现象,本文提出了一种基于对称交叉熵及背景与目标面积差的红外目标图像阈值选取方法。对称交叉熵能确保分割后类的内聚性好,而背景与目标面积差可抑制均等分割的趋势,将两者综合构成了更为合理的阈值选取准则函数。首先导出了一维阈值选取公式;然后给出了二维直方图斜分阈值及二维直方图斜分的简化阈值选取方法,抗噪性能明显改善;最后与二维斜分的最大熵阈值、Otsu阈值及非对称交叉熵阈值选取方法进行了比较,实验结果表明,本文方法在分割效果上具有明显的优势。     

一种改进的贝叶斯网弧定向算法研究

贝叶斯网络是用来表示变量集合概率分布的图形模式,它提供了一种方便地表示概率信息的方法,它可以表示因果关系,但并不局限于因果关系。贝叶斯网对不确定性问题有很强的推理能力,近几年来受到众多研究者的重视。贝叶斯网络中弧的定向是指在已经有了变量之间的依赖关系图的条件下确定变量之间的边的方向的过程。介绍了一种改进了贝叶斯网弧定向的方法,该方法结合了目前多种定向方法的优点,实验证明该算法优于已存在的弧定向方法。     

基于改进最小分类误差准则算法的深度学习研究——以台风卫星云图为例

针对传统基于最小分类误差准则（MCE）建立的目标函数存在样本错分类时网络出现的梯度反向问题,引入最小分类误差准则,定义带修正项的FMCE目标函数。以较高精度的交叉熵作为基函数,将FMCE作为修正函数,提出改进交叉熵目标函数CE-FMCE,使得网络在反向传播过程中提升标签类输出的概率。CE-FMCE不仅克服了传统MCE目标函数的梯度反向问题,还弥补了交叉熵函数对非标签集梯度不作区分处理的不足。分别在自建台风云图数据集和通用数据集MNIST上对CE-FMCE和MSE、交叉熵、MCE、M3CE进行对比实验,实验结果表明CE-FMCE优于其他目标函数。