用于图像恢复的基于SVR的自适应新滤波器的研究*

提出了一种用SVR回归器识别脉冲噪声的思想,并将其应用于图像滤波和恢复,形成了用于对脉冲噪声进行滤波的SVR自适应滤波器。这种滤波器在滤波时,先用SVR对待识别像素作噪声识别,再对含噪声的像素作中值滤波。用SVR作噪声识别时,先对滤波窗口作SVR回归,通过待识别像素回归距的大小判断其是否含有噪声。在进行SVR回归时,使用鲁棒的Huber损失函数。由于更充分地利用了待识别像素点的局部背景信息,这种滤波器提高了脉冲噪声识别的正确率。实验表明,在保留原图像的细节信息方面,其滤波效果要优于基于SVC的中值滤波器。     

支持向量回归机在逆向选择合约模型量化分析中的应用

为解决激励合约理论的量化分析和实际应用问题,提出了基于支持向量回归机(SVR)的逆向选择合约模型的数值分析方法。利用SVR对效用函数建模,解决了效用函数无法用解析函数表达的问题。在此基础上,分别推导出了自然条件好与差两种情形下逆向选择模型的梯度表达式、代理人高效率类型和低效率类型的逆向选择模型的梯度表达式,并给出了相应的梯度法迭代算法。利用这一算法进行数值计算和量化分析,观察上述两种逆向选择模型中参数变化对合约均衡点变化趋势的影响。计算结果表明用基于SVR的数值分析方法定量分析激励合约模型是可行的。     

A*算法中引入前视机制的探讨

提出了提高A*算法搜索效率的方法,通过在A*算法中引入前视机制,提高了A*算法的估价函数的质量,减少了平均搜索树宽,提高了搜索效率.理论和仿真都表明这一方法的有效性.     

基于本体语义教务信息检索系统的设计与实现

为了解决传统信息检索系统中存在的不足,以教务信息检索为例,提出了基于本体的语义信息检索系统的3层模型框架。在模型框架基础上,利用Protégé工具创建了教务知识本体,作为系统的数据源,利用Jena工具和Sparql语言实现了语义信息推理和检索,利用XML和XSL技术实现了用户界面显示,形成了一个完整的语义教务信息检索系统。     

基于svc和wavelet-transform的图像脉冲噪声自适应新滤波器

利用小波变换Wavelet Transform可以检测信号奇异点的原理,提出了一种基于WT的脉冲噪声检测方法,并把这一方法与支持向量分类器SVC脉冲噪声检测方法相结合,提出了一种改进的SVC图像脉冲噪声滤波器。实验表明,这一改进的SVC脉冲噪声滤波器的滤波效果比原先的SVC滤波器有明显的改善。     

R-SVR中r与输入噪声间近似线性反比关系

为使r范数SVR更具鲁棒性,深入研究了r范数SVR中参数与输入噪声之间的关系。运用SVR的贝叶斯框架,分别推导出了鲁棒的r范数SVR中参数r与拉斯噪声和均匀噪声之间呈近似的线性反比关系。并结合仿真结果和已有的相关结论,得到了更为一般的结论,即鲁棒的r范数SVR中参数r与输入噪声之间呈近似的线性反比关系。这一结论为输入样本含有分布未知噪声的情况下r范数SVR参数的选择提供了理论依据。     

基于高斯分布监督学习样本的Fisher核构造方法

结合实际应用背景, 针对各类样本服从高斯分布的监督学习情形, 提出了构造Fisher核的新方法. 由于利用了样本中的类别信息, 该方法用极大似然估计代替EM算法估计GMM参数, 有效降低了Fisher核构造的时间复杂度. 结合核Fisher分类法, 上述方法在标准人脸库上的仿真实验结果显示, 用所提方法所构造的Fisher核不仅时间复杂度低, 且识别率也优于传统的高斯核与多项式核. 本文的研究有利于将Fisher 核的应用从语音识别领域拓展到图像识别等领域.     

M-FPCA在彩色人脸图像识别中的应用

将因子化主成分分析（FPCA）算法应用于人脸图像特征提取时,需要使用迭代算法,但该算法应用于高分辨率图像时实时性较差,并且可能导致维数灾难。针对上述问题,提出一种模块化FPCA（M—FPCA）的新型特征提取方法。将原始数字图像样本进行模块化,对模块化后得到的各个子图像矩阵采用FPCA算法进行特征提取,合并子图像特征矩阵得到原图的特征矩阵。彩色图像由R、G、B3个分量来表示,根据现有彩色信息融合方法的不足,对其进行改进,并结合M—FPCA算法,提出一种彩色M—FPCA新方法。在CVL和FEl人脸库上进行的实验结果表明,M—FPCA方法能提高FPCA算法的实时性,解决维数灾难问题。彩色M—FPCA方法能有效提取彩色人脸图像的色彩信息,得到较高的人脸识别率。     

二层非耦合汉明联想存储器的分析及实现

二层非耦合汉明联想存储器是一种新型的联想存储器.它既具有基本汉明联想存储器容量大,容错性好的优点,同时又克服了基本汉明联想存储器回收慢,硬件难以实现的缺点.整个二层非耦合汉明联想存储器的硬件实现是基于FPGA的设计.它的非耦合结构使得硬件得以实现,并提高了执行效率,本文就上述讨论进行了分析,并给出了具体实现.     

SMO算法的简化及其在非正定核条件下的应用

SMO算法是求解大型支持向量机(SVM)的有效算法.已有的算法都必须判定4个Lagrange乘子位于哪个象限,从而使算法的实现更为复杂.此外,现有算法都假定核矩阵是正定的或半正定的,因此使其应用受到了限制.考虑到传统算法的不足,提出了一种用于ε-SVR的简化SMO算法,进而将其用于求解非正定核的ε-SVR.与已有的算法不同,通过将ε-SVR的原始规划问题进行展开并求解其KKT条件,提出的算法只需考虑2个Lagrange乘子,从而有效地简化了算法的实现,并能方便地应用于非正定核SVR的求解.采用一个常用于衡量预测误差的函数对算法进行了测试,实验表明,与ε-SVR现有的SMO算法相比,在不增加空间复杂度和时间复杂度的前提下避免了大量繁琐的判别条件,简化了算法的实现,这就为不同的损失函数所对应的SVR提供了一个通用的SMO算法,从而有利于SVR的推广应用.另外,提出的求解非正定核的ε-SVR的方法也为求解其他的非正定核SVR提供了一个思路.