基于Fisher字典学习稀疏表示的高光谱图像分类

近年基于稀疏表示的分类框架(Sparse Representation based Classification,SRC)在计算机视觉和模式识别领域取得了巨大成功,高光谱图像解译也逐渐引入稀疏表示方法。针对基于SRC的高光谱图像分类算法随机抽取训练样本构成字典较难捕获相似类别的相对差异性信息问题,提出采用Fisher字典学习方法增强相似类训练样本的可区分性。此外,考虑到高光谱图像具有较强空间相关性的特点,设计一种简单有效的投票策略进行类别判决。大量实验表明:基于Fisher字典学习的联合投票分类方法能够较好地改善高光谱分类精度。     

《高分子化学》双语教学的探索与实践

双语教学是当前高等院校教育教学改革的一个热点问题。为此,本文在分析专业基础课双语教学的特点与难点的基础上,对双语教学中的教学计划安排、教学内容取舍、原版教材选用以及教学方式与方法等问题进行了深入的探讨,提出了一些个人见解。     

基于稀疏表征多分类器融合的遮挡人脸识别

为了同时利用人脸局部信息, 提出一种基于稀疏表征多分类器融合的遮挡人脸识别方法。先对人脸进行多分辨率分块, 求取并根据各子块稀疏表征分类器的识别率确定其权重, 计算其后验概率估值, 最终利用加权融合准则进行多分类器融合识别。在AR和YaleA库的实验结果表明, 该算法结果比稀疏表征遮挡人脸识别的效果更好, 鲁棒性更高。     

基于方程式逆序数的软件水印算法*

针对方程式重排序等算法存在的程序运行速度、信息隐藏量等问题,提出基于方程式操作数系数排列逆序数的软件水印算法。重新排列那些可以相互交换的操作数,使各操作数的系数按照一定次序排列。通过排列的逆序数和二进制数的一一对应关系来隐藏水印。这一方法无须向程序中添加任何代码,并且能有效提高隐藏数据的效率,程序的规模和速度并不受影响。     

一个新的基于口令的密钥协商协议

以不经意多项式计算作为核心组件,提出了一个基于口令的密钥协商协议PSKA-I,该协议能够抵抗字典攻击但只能工作于认证模型。为解决协议PSKA-I这一缺陷,根据BCK安全模型设计了消息传输认证器,将协议PSKA-I转换为非认证模型中的安全协议PSKA-Ⅱ。上述协议口令的安全性由不经意多项式计算予以保证。与GL协议相比,该协议的通信及计算复杂度明显降低。     

“Java程序设计”课程双语教学的探索与实践

论文首先明确了开展"Java程序设计"课程双语教学的目标,以及在双语教学中所采用的教学模式,然后论述了双语教学具体的实施过程,最后就如何提高双语教学质量给出了几点建议。     

大学数学公共基础课双语“1＋1”教学模式研究与实践

针对大学新生的心理特点以及高等数学、线性代数和概率论与数理统计等课程特点,提出了大学数学基础课“1＋1”双语教学新模式,对在2年多的教改实践中的一些经验进行总结,并对实践中遇到的困难提出了好的解决措施。     

融合文本特征的汉老双语句子相似度计算方法

双语句子相似度旨在计算不同语言句子间的语义相似程度,在信息检索、平行语料库构建、机器翻译等领域有重要作用。由于汉语、老挝语平行语料稀少,且老挝语在语义表达、句子结构上与汉语有明显差异,导致汉老双语句子相似度研究的难度较大。该文提出了一种融合文本特征的汉老双语句子相似度计算方法,并构建了句子相似度模型。首先,在句子相似度模型中将汉语、老挝语的词性、数字共现等文本特征与GloVe预训练词向量融合,以此丰富句子特征,提升模型计算准确率。其次,由基于自注意力的双向长短时记忆网络组成多层孪生网络来提取长距离上下文特征和深层次语义信息,其中自注意力机制可以保证语义信息的有效利用。最后,采用迁移学习的方法将通用模型参数初始化,并使用不同的微调参策略增强模型的泛化能力。实验表明,该文提出的方法,其召回率、准确率和F₁值分别达到了82.5%、85.78%和84.00%。     

结合自适应稀疏表示和全变分约束的图像重建

In view of the limitation of fixed complete orthogonal transformation, represented by two-dimensional wavelet transform and discrete cosine transform in compressed sensing high-resolution image reconstruction, this paper proposes a new method for high-resolution image reconstruction based on adaptive redundant dictionary sparse representation with the total variation constraint.The algorithm takes the intermediate image in the process of iteration as the training sample to get a redundant dictionary suitable for sample characteristics by adaptive learning. It makes full use of the correlation between dictionary atoms and the image to get an ideal complete sparse representation, thus reducing the sampling rate and improving the quality of image reconstruction. Finally, the algorithm takes the total variation as a constraint and uses the split Bregman iterative method to solve the sparse optimization problem. Simulation shows that the proposed method can reconstruct high quality images under a low sampling rate.     

采用自适应字典学习的InSAR降噪方法

We consider the phase noise filtering problem for interferometric synthetic aperture radar (InSAR) based on the dictionary learning technique. Due to the non-convexity of the optimization problem is difficult to solve. By using the splitting technique and employing the augmented Lagrangian framework, we obtain a relaxed nonlinear constraint optimization problem with l₁-norm regularization which can be solved efficiently by the alternating direction method of multipliers (ADMM). Specifically, we firstly train dictionaries from the InSAR complex phase data, and then reconstruct the desired complex phase image from the sparse representation. Simulation results based on simulated and measured data show that this new InSAR phase noise reduction method has a much better performance than several classical phase filtering methods in terms of residual count, mean square error (MSE) and preservation of the fringe completeness.