局部和稀疏保持无监督特征选择法

利用局部保持投影和稀疏保持投影来刻画数据的本质结构,结合L_2,1范数的组稀疏性来选择特征,提出一种新的针对高维小样本数据集的无监督特征选择算法.实验表明:局部和稀疏保持无监督特征选择法是一种有效的无监督特征选择方法;平衡参数对实验结果有较大的影响.     

投影自表示无监督极限学习机

无监督极限学习机在投影过程中保持原始高维空间中的稀疏或近邻结构,样本在高维空间中存在冗余信息,原始的数据结构不一定适应于投影后的低维特征空间.为此,结合无监督极限学习机和子空间聚类的自表示学习,提出投影自表示无监督极限学习机模型.该模型是面向聚类的特征提取方法,在投影过程中学习自表示子空间结构,从而使无监督极限学习机提取的特征自适应于聚类任务.在IRIS数据集、 6个基因表达和2个医学影像高维数据集上进行实验,结果表明该模型和算法是有效的.     

自适应先验马尔可夫随机场模型的图像分割算法

针对全局同态先验马尔可夫随机场(Markov random field,MRF)模型在图像分割中不能有效利用图像局部统计特征的问题,提出了一种基于局部自适应先验MRF模型的图像分割算法.该算法基于贝叶斯理论,利用局部先验Potts模型描述图像的局部特征,建立了一种局部自适应先验MRF模型;提出了基于区域的置信度传播(Belief Propagation,BP)算法,把图像的局部区域特征传递到全局,最终基于最大后验准则(MAP)得到图像的分割结果.实验结果表明:所提模型对于图像中的噪声或者纹理特征等具有较好的分割,分割结果明显优于全局同态先验MRF模型;提出的自适应先验MRF模型对于图像的噪声或者纹理突变信号的干扰具有较强的鲁棒性;算法具有较少的迭代次数和较好的分割结果,且分割时间较短.     

一种基于半监督多任务学习的特征选择模型

为了综合利用流形学习、多任务学习和正则化约束的优势,提出一种基于全局和局部约束的半监督多任务特征选择(semi-supervised multi-task feature selection,SMFS)模型,在多个任务间共享学习的基础上,构建SMFS模型.该模型采用l2,1范数约束选择最具判别性的特征,避免噪声的干扰,并引入局部信息约束提高特征选择的准确度.将SMFS模型应用于网页自动分类,与目前流行的几种算法进行对比,证明了该算法的有效性.     

基于半监督局部保持投影的磨粒图像特征降维

为有效提取磨粒图像的数字化特征,引入局部保持投影算法。针对局部保持投影在磨粒特征降维中的不足,提出一种基于Parzen窗和成对约束的半监督局部保持投影算法(PSS-LPP)。利用Parzen窗估计高维特征空间中样本的密度,然后根据各样本密度自适应调整邻域参数,并且充分利用样本的标签信息和实例约束生成成对约束集,进而指导投影权矩阵的构造,从而实现特征参数的半监督降维。将PSS-LPP应用于磨粒图像的纹理特征降维,研究结果表明:PSS-LPP对邻域参数初值和热核参数不敏感,降维性能比较稳定,磨粒识别精度明显提高。PSS-LPP可以更有效提取磨粒图像的低维特征。     

基于伪标签回归和流形正则化的无监督特征选择算法

无监督特征选择是无标签高维数据预处理过程中一种有效的数据降维技术，然而大多数无监督特征选择算法忽略了数据样本本身的类簇结构特性，选择具有低判别性信息的特征.基于此，提出一种基于伪标签回归和流形正则化的无监督特征选择算法.具体地，联合伪标签回归和最大化类间散度来保证算法在迭代过程中学习伪标签，同时，自适应学习数据样本之间的局部几何结构，获得更加精准的标签信息和结构信息，进而选择具有高判别性且能保持数据流形结构的特征.在四个公开数据集上的对比实验表明，提出算法的特征选择结果优于现有的一些无监督特征选择算法.     

联合依赖最大化与稀疏表示的无监督特征选择方法

高维数据分析任务中,无监督特征选择是一项重要并具有挑战性的任务.传统的无监督特征选择算法通过保持流形结构或者特征之间相关性进行特征选择,而没有直接考虑选择特征与原始数据的依赖程度.通过考虑投影后的低维空间数据与原始数据信息之间的依赖性,提出有良好性能的特征依赖于原始数据的度量原则.首先利用最大化依赖使投影后数据尽可能保持原始数据的特征信息,据此获得投影矩阵,从而对原始数据达到降维效果.然后联合稀疏表示进行特征选择.提出一种新的无监督特征选择算法,称之为联合依赖最大化与稀疏表示的无监督特征选择方法(DMSR).在4个实际的数据集上进行实验,并与3种已有的无监督特征选择算法进行比较,在两种评价指标聚类精度和互信息上的实验结果表明,提出的DMSR算法是有效的.     

改进的基于DCT与局部保持投影的人脸识别方法

引入基于局部保持能力判据的特征选择算法对融合离散余弦变换(DCT)和局部保持投影的人脸识别方法进行改进.首先对人脸图像进行DCT变换,得到DCT系数,然后以不同频率DCT系数的拉普拉斯值作为局部保持能力判据对DCT系数进行选择,最后对选出的DCT系数执行局部保持投影算法提取识别特征,在ORL人脸数据库上的实验结果证明了该方法的有效性.     

无模型自适应去噪控制及其应用

为了使无模型自适应控制(Model-Free Adaptive Control,MFAC)更好地解决伴有噪声干扰系统的控制问题,在无模型自适应控制方法的基础上,针对伴随噪声干扰的系统进行分析研究,引入带有滤波作用的跟踪微分器,在反馈过程进行滤波操作,提出一种基于改进跟踪微分器(Improved Tracking Differentiator,ITD)的无模型自适应去噪控制方法,同时给出了该算法的收敛性证明.并通过仿真证明了本文改进的控制方法可以快速跟踪给定信号并且具有良好的抵抗噪声干扰特性.最后,将其应用在循环流化床锅炉汽包水位的控制中.     

基于自适应邻域和自表示正则的无监督特征选择算法

为了更好地预处理未标记数据,大多数基于图正则的无监督特征选择算法通过构造样本的相似性矩阵来删除冗余信息并选择具有代表性的特征子集。这些方法中的大多数图都是用固定数量的近邻数来初始化,忽略了数据分布不均匀的问题。为了解决这个问题,提出了一种基于自适应邻域和自表示正则的无监督特征选择算法(Adaptive neighborhood regularized self-representation, ANRSR)来选择具有代表性和判别性的特征子集。为了保留局部内在结构,该算法将基于自适应邻域的流形正则化运用到自表示模型中,并利用了一种迭代方法来解决此优化问题。最后,选取4种经典的无监督特征选择算法,在几个基准数据集上进行了对比实验,验证所提算法能够选出具有更高聚类精度和互信息的判别性特征子集。     

基于自适应流形正则化自表示的无监督特征选择算法

针对基于流形正则化自表示(MRSR)的无监督特征选择算法直接从原始的样本空间构造相似矩阵可能会 导致重构空间中样本的相似性描述得不够准确的问题,提出了基于自适应流形正则化自表示的无监督特征选择 (AMRSR)算法。 基于自适应流形正则化自表示的无监督特征选择算法在 MRSR 算法的基础上通过对相似矩阵施 加概率最近邻约束将相似矩阵的学习嵌入到优化过程中,在重构空间中自适应地学习样本的相似性,使得在每一 次迭代中获取更加精确的样本局部几何流形结构,从而选择具有代表性且保持局部几何流形结构的特征。 最后, 在四个公开数据集上进行了大量的对比实验,通过将算法的特征选择结果用于 K-means 聚类并采取两种常见的聚 类评价指标:聚类精确度和归一化互信息评价聚类效果。 实验结果表明,AMRSR 算法与现有的一些算法相比有更 高的聚类精确度和归一化互信息,进一步表明该算法特征选择效果更好。     

迭代的自适应最小偏差滤波算法

为了更有效地去除脉冲噪声，该文提出了一种迭代的自适应最小偏差滤波算法.该方法根据脉冲噪声的灰度特征、灰度的局部偏差以及局部统计特征进行噪声检测，自适应地根据邻域像素的局部偏差大小，用与邻域像素偏差最小的像素灰度作为当前噪声像素的新灰度.迭代且自适应地执行噪声去除，以适应不同噪声密度与噪声分布的局部不均匀性，并充分利用先前去噪处理的结果.实验结果表明，在峰值信噪比PNSR、边缘保持指数EPI和视觉感知以及计算效率上，所提出的方法优于现有的方法，具有更好的去噪性能和细节保持能力.     

基于全局-局部保持投影的稀疏降维方法

该文提出了一种基于全局-局部结构保持的稀疏投影模型(GLSPP).通过对投影数据进行线性重构来保持数据的全局结构,从而保留投影数据的全局信息.通过约束重构系数矩阵与相似性矩阵的相似性来保持全局保持数据和局部保持投影数据的一致性.同时,对重构系数矩阵和相似性矩阵进行稀疏约束,保留主要信息,以减少冗余信息的干扰.在公开的4个人脸与物体数据集上的实验结果显示:该方法具有较高的分类准确率.     

基于泰勒估计的主瓣干扰抑制方法

当有源干扰进入主瓣时，传统自适应波束形成的方向图会在主瓣内出现严重波形失真，主瓣内形成零陷，旁瓣电平陡增等问题。为此，利用泰勒估计获得真实协方差矩阵的估计，通过特征分解构建特征投影矩阵，构造旁瓣零陷加深的凸优化模型求解自适应阵列权值矢量，最后将此抑制干扰的方法和基于阻塞矩阵预处理与基于特征投影预处理等两类预处理方法进行实验仿真及性能对比，从而证明了基于泰勒估计的主瓣干扰抑制方法的优点。     

基于多度量融合的无监督领域自适应行人重识别算法

行人重识别任务旨在跨相机下检索出特定的行人图像.虽然行人重识别任务得到了快速发展,在检索精度上得到很大的提升,但是依然面临着行人重识别模型在新的数据集上泛化能力有限,以及在无监督领域自适应任务中无法避免的伪标签噪声的问题.针对目前无监督领域自适应任务中由于聚类算法的局限性而导致伪标签出现噪声的问题,提出一种基于多度量融合的无监督领域自适应行人重识别算法.具体而言,多度量融合算法是在目标域上使用DBSCAN(density-based spatial clustering of applications with noise)聚类算法对特征空间的行人特征进行聚类时,通过多个特征相似度度量函数线性加权的方式,计算行人之间的特征相似度,从而在目标域上生成更为准确的伪标签,之后利用该伪标签微调模型.通过在Market1501→DukeMTMC-reID和DukeMTMC-reID→Market1501上大量的实验,证明多度量融合算法有效提升了行人重识别模型在无监督领域自适应任务上的检索精度.     

基于非局部均值的混沌映射噪声抑制算法

提出了一种基于非局部均值的混沌映射噪声抑制算法.该算法根据混沌映射的特征,利用实验分析得出非局部均值应用于混沌映射噪声抑制时滤波参数块长、搜索区间和带宽参数的最优取值.仿真结果表明,文中算法对高斯噪声的抑制性能优于现有的相空间估计投影方法、扩展卡尔曼滤波方法和无先导卡尔曼滤波方法,能对不同噪声水平的混沌映射进行有效的噪声抑制.     

基于自适应邻域选取的局部投影降噪

提出一种以相点距离矩阵和信噪比为测度的自适应选取邻域参数的局部投影降噪方法.首先将一维时间序列重构到高维相空间,然后计算相空间中各个相点间的距离以构成相点距离矩阵,并据此设定参考相点的初始邻域半径和动态搜索步长,自适应地选择邻域大小,再利用局部几何投影方法消除噪声,迭代此过程,历史输出信噪比达到最大时获得优化邻域.     

用于网格去噪的自适应双边滤波器

为有效去除三维网格模型中的噪声,提出一种用于网格去噪的自适应双边滤波器.首先,利用体积积分不变量对三维网格模型进行特征检测,估计出局部的特征强度,然后根据特征强度自适应地调整双边滤波器的滤波参数.通过自适应的参数优化,对于不同特征强度的区域,自适应双边滤波器采用更具针对性的去噪策略,从而进一步提高了去噪性能.实验结果表明,相比于双边滤波器,所提出的自适应双边滤波器在去除噪声的同时,能够更好地保持三维网格模型的细节特征,去噪后得到的网格模型与原始模型的客观差值测度平均降低了0.0332.     

DS/CDMA系统中基于自适应并行次梯度投影的多址干扰抑制算法

为了抑制直接序列码分多址(DS/CDMA)系统中的多址干扰,提出了一种基于自适应并行次梯度投影的多址干扰抑制算法.首先,根据接收端信号模型建立包含最优干扰抑制滤波器系数的随机属性凸集,并运用并行次梯度投影的思想将对该凸集的投影转化为对多个闭合半平面的投影.然后,分析了影响系统收敛速度和稳定状态下收敛性能的重要参数--膨胀系数,设计了在不同迭代阶段下自适应调节膨胀系数的机制.最后,将更新后的干扰抑制滤波器系数矢量投影到限定集合上.理论分析和仿真结果表明,该算法具有快速收敛性和稳定的干扰抑制性能,在不同的噪声强度下均具有较低的误码率和较高的鲁棒性;与同类算法相比,该算法在计算复杂度上具有一定的优势.     

基于变换矩阵的自适应方向图控制

针对低快拍情况下自适应波束形成器输出方向图存在主峰偏移、副瓣电平较高的问题,提出一种低快拍情况下基于变换矩阵的自适应方向图控制方法.利用干扰空间与噪声空间特征向量之间的正交性,去除干扰空间特征向量,并对噪声空间特征向量进行均一化后生成变换矩阵,最后利用变换矩阵在最大信嗓比准则下进行波束形成.该方法可在小快拍数条件下有效地抑制干扰,并可同时保持静态方向图的副瓣特征.仿真结果验证了该方法的有效性和优越性.