一种增量式类内局部保持降维算法

针对在线学习中的算法效率问题,提出了一种增量式类内局部保持降维算法.该算法综合考虑了基于QR分解的降维算法与保类内Fisher判别分析法的优点,根据训练过程中新增的样本进行投影矩阵在线更新,克服了传统的批量式训练方法在线学习时计算量过分冗余的缺陷.同时,通过兼顾输入样本的局部结构和全局分布状态,使得该算法能够有效地应用于多簇、重叠的数据形态.在ORL人脸库和COIL20图像库上的实验表明,该增量式算法不仅在降维效果上基本与批量式算法保持一致,而且具有较大的效率优势.     

融合LLE和ISOMAP的非线性降维方法

局部线性嵌入（LLE）和等距映射（ISOMAP）在降维过程中都只单一地保留数据集的某一种特性结构, 从而使降维后的数据集往往存在顾此失彼的情况。针对这种情况, 借助流形学习的核框架, 提出融合LLE和ISOMAP的非线性降维方法。新的融合方法使降维后的数据集既保持着数据点间的局部邻域关系, 也保持着数据点间的全局距离关系。在仿真数据集和实际数据集上的实验结果证实了该方法的优越性。     

稀疏局部保持投影

LASSO(Least Absolute Shrinkage and Selection Operator)是1范数和2范数混合学习的一种理论框架,基于LASSO提出了局部保持投影的稀疏回归算法SpLPP及其广义的正则化形式RSpLPP,并从理论上证明了所提模型的收敛性及求解算法,给出了算法的复杂性分析.所提算法同时具有特征选择、降维的特性,在有监督学习、无监督学习两种任务情况下,都可以应用该算法.在人工数据集和真实数据集上进行的大量仿真实验,取得了较好的结果,证明了所提算法的有效性.     

基于类别信息的监督局部保持投影方法

局部保持投影算法(LPP)是拉普拉斯映射(LE)的线性近似,但LPP作为一种无监督方法,并没有有效利用已有的类别信息提高分类效率。为此提出一种基于类别信息的监督局部保持投影方法(SLPP-LI)。在学习投影矩阵时,SLPP-LI综合利用了流形的几何结构和已有训练点的类别信息,通过调整控制参数的取值,有效地利用已知的低维信息,并且直接求解线性方程获得高维数据的低维模型。通过在多个人脸数据库和手写数字库上的对比实验,表明了SLPP-LI对于高维数据的初始维数以及训练数据的数目并不敏感,〖BP(〗同类问题中与相应的对比算法相比〖BP)〗与主分量分析法(PCA)、LPP、正交LPP(OLPP)、有监督的LPP(SLPP)相比,均具有较高的识别率,充分说明SLPP-LI算法能够有效处理分类问题。     

一种电源监控管理模块的实现方法

针对ATCA电源板卡管理需求,提出一种电源监控管理模块设计方法,重点分析了模块涉及的双冗余输入、慢启动、掉电保持、监控等实现方法及模块的控制流程。实际使用验证了该方法的有效性。     

C/SiC复合材料表面Si-C-B自愈合涂层的制备与抗氧化行为

采用化学气相沉积法(CVD)制备单质B和BCx分别对SiC涂层进行改性,在二维碳纤维增强碳化硅(2D C/sic)复合材料表面制备SiC/B/SiC和SiC/BCx/SiC两种多层白愈合涂层,并利用扫描电镜对多层涂层表面和断面进行显微分析. 700°C静态空气条件下氧化结果表明: CVD-B和CVD-BCx改性层氧化后生成的B2O3玻璃相可以较好地封填涂层微裂纹,氧化动力学受氧通过微裂纹和B2O3玻璃层的扩散共同控制;SiC/BCx/SiC-C/SiC复合材料氧化过程中氧化失重率更小,氧化10h后的强度保持率更高.     

基于线图的无﹀环混合依赖分解条件及算法

无β环数据库模式具有很多优良的特性 ,以往的研究都局限在图论的范畴内 ,而没有考虑数据库的其他规范化特性 .在混合依赖基概念的基础上 ,定义了严格无冲突、扩展严格无冲突等概念 ,并证明了在混合环境下得出的无损联接、保持依赖、无 β环且满足 4 N F的分解的充要条件是 ,混合依赖集是扩展严格无冲突的 .据此 ,给出了判断严格无冲突及混合环境下无β环分解算法 ,并分析了算法时间的复杂度是线性的 .最后 ,给出基于线图的实例验证 .这一结论可直接指导数据库的模式设计     

核的正交完备鉴别局部保持投影

针对完备鉴别局部保持投影算法所求得的最优判别矢量间存在信息冗余问题,提出了核的正交完备鉴别局部保持投影算法。通过将核函数技术与正交性原理融合,采用高斯核函数将原始样本映射到高维特征空间,在高维特征空间的局部总体散度矩阵中计算最优判别矢量,只需在整个范围内对值域空间进行特征值分解,去除局部零空间达到样本降维目的。该算法分别在 UMIST 人脸库和 JAFFE 人脸表情库上进行实验,实验结果表明算法的识别率高达95．59％。     

一种新的低照度彩色图像增强算法*

为了增强彩色图像而不引起色彩失真,在HSV颜色空间中保持色相不变,提出了采用分段对数变换增强饱和度结合在多尺度Retinex算法的基础上,采用边缘保持增强色调的低照度彩色图像增强算法。实验结果表明,该方法在保持图像色相和图像边缘的情况下,显著改善了图像的视觉效果,提高了图像的亮度和对比度。25幅低照度图像的平均亮度、标准偏差和对比度分别提高了94.95%、20.93%和29.88%,相对于带色彩恢复的多尺度Retinex算法的熵和对比度增量分别提高了7.34%和151.51%,效果优于Retinex算法。     

一种面向人脸识别的加权代价敏感局部保持投影

传统的局部保持降维方法追求最低的识别错误率,即假设每一类的错分代价都是相同的.这个假设在真实的人脸识别应用中往往是不成立的.人脸识别是一个多类的代价敏感和类不平衡问题.例如,在人脸识别的门禁系统中,将入侵者错分成合法者的损失往往高于将合法者错分成入侵者的损失.因此,每一类的错分代价是不同的.另外,如果任一类合法者的样本数少于入侵者的样本数,该类合法者和入侵者就是类别不平衡的.为此,将错分代价融入到局部保持的降维模型中,提出了一种错分代价最小化的局部保持降维方法.同时,采用加权策略平衡了各类样本对投影方向的贡献.在人脸数据集AR,PIE,Extended Yale B 上的实验结果表明了该算法的有效性.