基于稀疏表示和低秩矩阵逼近的图像去噪算法的研究

提出了一种基于稀疏表示和低秩矩阵逼近的图像去噪算法:首先,通过对图像块的数据矩阵进行奇异值分解和全局子空间分析,确定信号子空间和噪声子空间;其次,利用图像块与信号子空间的距离寻找相似块,并将相似块分组为训练样本;再次,对相似块矩阵进行奇异值分解,并确定表示相似块的奇异向量;最后,去除表示噪声的基.实验结果表明,该算法能...     

基于非负矩阵分解最小二乘的多视角行人分类算法

针对不同视角的行人样本具有较大的类内差异性,造成多视角行人识别错误率较高的问题,提出一种基于非负矩阵分解最小二乘的多视角行人分类算法.采用非负矩阵分解的方法对多视角的行人样本图像进行子空间分解,提取基向量;引入协同表示的方法并在最小二乘约束下,对子空间进行稀疏表示获得稀疏分解系数;利用近邻子空间方法对分解系数进行分类.基于自行构建的多视角行人数据库进行对比实验,结果表明该算法的准确性和有效性优于其他方法.     

一种子空间辨识对权重矩阵加权平均新方法

给出了一种计算线性子空间辨识权重矩阵的新方法,该方法是在结合算法N4SID、MOESP及MOESN4优点的基础上,对算法MOESN4加以改进和推广,主要是对所选取的权重矩阵进行加权平均,使算法的权重矩阵选择机会增多,增加了算法在实际中的应用性,给出两种不同权重矩阵加权平均算法MOESN4WAc与MOESN4WAd.     

基于低秩稀疏表示的子空间学习研究综述

以基于低秩稀疏表示的子空间学习为研究对象,对近几年的相关研究工作进行了归纳总结。首先,阐述了子空间学习及低秩稀疏表示的概念;然后,根据迭代更新的方法,将基于低秩稀疏表示的子空间学习分为基于矩阵分解的子空间学习和基于谱聚类的子空间学习两大类;其次,对它们各自算法的核心思想进行了详细介绍,并对这些算法的优缺点进行了对比分析;最后,介绍了基于低秩稀疏表示的子空间学习在人脸识别、语音情感识别和运动分割这些领域的应用,同时指出了该研究中存在的挑战及未来研究方向。     

基于子空间距离的局部切空间增量学习

提出一种基于子空间距离的局部切空间增量学习方法ISLTSA。首先采用基于划分的简化局部切空间排列算法SLTSA,把初始样本集划分为彼此重叠的多个局部最大线性片;然后引入向量到子空间的距离测度描述新数据点与局部最大线性片的接近程度,并将新数据点归入距离其最近的局部最大线性片中;最后,新数据点的全局低维坐标可由局部线性子空间与全局低维流形的仿射变换计算得出。对多个经典数据集的降维结果表明,ISLTSA算法能够保留数据集的局部几何性质,是一种有效的非线性增量学习方法。     

一种广义残量Arnoldi方法

基于残量Arnoldi方法与最优子空间扩张的思想,提出一种广义残量Arnoldi方法,其核心是将精化Ritz向量对应的残量方向作为新的求解子空间的扩张方向.利用该方法研究了求解单个特征对的算法.结果表明,该方法所用的矩阵向量积个数和时间都较少,收敛速度较快.     

一种改进的统计不相关最佳鉴别向量集

扩展了Fisher鉴别分析算法,提出一种改进的统计不相关的鉴别算法:首先应用PCA算法将原始特征空间映射到一个线性子空间,然后在子空间中构造最优鉴别矢量集.对人脸数据库测试的结果表明:改进的算法具有较强的特征鉴别能力.     

在线增量正交投影非负矩阵分解的目标跟踪算法

为了避免传统的跟踪算法对视频中遮挡、尺度变化、光照变化等现象的跟踪性能下降,提出一种基于L1范数约束和在线增量正交投影非负矩阵分解的目标跟踪算法.首先将L1范数引入IOPNMF子空间重构,使得学习到的新的基于部分的目标表示能够容忍不同的噪声干扰;同时,对正交投影系数进行L1范数约束,并采用循环操作求解IOPNMF子空间向量,保证算法能够处理动态的视频流以获得鲁棒的目标跟踪;最后,将跟踪目标表示为IOPNMF基向量的线性组合,并在观测模型中引入部分遮挡因素,有选择地对IOPNMF子空间进行更新.采用MATLAB实现本算法,并在8种具有遮挡、光照变化、尺度变化、运动模糊、背景杂乱等影响跟踪性能因素的视频上与其他6种算法进行对比试验.试验结果表明,新算法具有最低的平均中心点误差4.3像素,最高的平均覆盖率0.84,能够实现鲁棒稳定的跟踪.     

基于鲁棒回归度量学习的图像分类算法

度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优特征子空间和稀疏表示进行联合学习,在更具判别性的低维表征空间中,通过稀疏表示有效地编码数据的局部结构信息,进而更好地揭示数据的内在鉴别信息,并以此指导该模型学习到最优的投影矩阵;同时对噪声矩阵和投影矩阵的行稀疏约束,可以极大降低噪声的影响.实验结果表明所提算法在图像分类准确率和鲁棒性方面均优于其他对比算法.     

基于改进稀疏编码模型的图像分类算法

针对图像表示,提出了一种基于改进稀疏编码模型的图像分类算法.首先,提取表示图像视觉局部特征的SIFT (Scale Invariant Feature Transform) 描述子;然后,利用稀疏编码方法生成基于SIFT描述子的视觉词汇库,将SIFT描述子编成稀疏向量;通过有效稀疏向量的区域融合和空间结合而获取整体的稀疏向量并用于图像表示;最后,采用随机森林多分类器对稀疏向量进行训练和测试.结果表明,与现有的算法相比,该算法的性能更佳,可以有效表示图像的特性并提高其分类的准确率.     

非线性多视角子空间聚类方法

不同视角特征构成的数据比单视角特征具有更多的信息,充分利用多视角特征可以提高聚类效果.由于不同视角空间中的特征不具有可比性,基于线性表示理论的子空间学习方法通过学习表示矩阵挖掘互补信息.但现实数据多是非线性的,线性表示理论不利于发现数据的非线性关系.针对该问题,采用非线性投影及流形正则项来刻画多视角下的非线性数据,实验结果表明,所提方法能够对多视角数据进行有效聚类.     

简化线性代数运算的矩阵变换模式图法

以矩阵理论为基础,建立与构造了一种矩阵运算图式——矩阵变换模式图,并阐述了其在矩阵化为标准形、解矩阵方程、解线性方程组、子空间的基底与维数、向量组的线性关系、欧氏空间的一组基底化为标准正交基底等几个方面的问题上的应用。     

多元数据的多点表示模型

提出了多元数据的多点表示模型.该模型采用多个平面矢量来表示多元数据的各个属性变量.每个平面矢量用一个复变函数来描述,整个数据集表达为一个复变函数矩阵.该模型可以统一描述多种常用的图表示方法,如平行坐标、雷达图、星座图等.该表示模型的参数可以利用机器学习算法进行优化,从而有效地揭示,数据结构并进行可视化模式识别.     

双基地米波MIMO 雷达低空目标俯仰维DOD和DOA联合估计方法

对于双基地米波多输入多输出(MIMO)雷达低空目标俯仰维测向场景,受多径效应影响,发射接收导向矢量因存在耦合现象而与噪声子空间失去正交性,导致以多重信号分类(MUSIC)为主的子空间类算法在该场景下不可用,而基于空间平滑预处理的子空间类算法由于阵列孔径损失存在角度估计精度不高的问题。为解决上述难题,建立了双基地米波MIMO 雷达单目标和非相干多目标镜面反射信号模型,在信号模型数学变换和分析的基础上发现了一种仍旧与噪声子空间正交的导向矢量矩阵,然后利用新的导向矢量矩阵结合广义MUSIC和最大似然算法提出了双基地米波MIMO 雷达低空目标俯仰维波离方向和波达方向联合估计方法,最后通过仿真验证了所提方法的有效性和俯仰维测向性能的优越性。     

示例学习扩张矩阵的粗糙计算

为了获得高效率和更简洁的知识，一些启发式算法被提出用于基于扩张矩阵理论的示例学习研究。该文基于粗集理论研究扩张矩阵的示例学习问题，并应用遗传算法获取示例学习中的最优概念。实验结果表明该方法是有效的。提出了粗集理论下的几个新概念，如：必要选择子，核选择子集，约简选择子集和所产生复合的评价指标。     

主成份和最小成份抽取的新算法

给出了用于主成份分析和最小成份分析的神经网络学习算法，两者之间仅差一个符导，即刻生成份分析算法经改变符号后又是一个最小成份分析算法，两算法不仅能计算主成份空间和最小成份空间，而且学习所得的子空间以及主向量／最小向量的左奇异向量，数值模拟证实了算法是有效的。     

全文检索中的文本学习技术研究

分析了本学习技术在全检索系统中的作用,指出本学习机制的优劣从基础上决定了全检索系统的性能;从训练本集的标准化表示、特征子集的抽取、学习算法分析三个方面讨论了本学习技术的内部机制,介绍了TFIDEF、Bayes、k-Nearest Neighbor和Decision tree等主要学习算法,还列出了一些较有影响的其它算法,并对这些算法进行了经验性比较;介绍了有关实际系统对学习技术的应用情况。     

L1-范数子空间技术的鲁棒建模综述

子空间学习可以通过多种技术来开展,对一些流行且被广泛使用的子空间学习方法,简要回顾其基于L1-范数的鲁棒建模.从主成分分析开始介绍子空间学习技术、线性判别分析以及更一般的图嵌入框架.作为L1-范数的综合利用,进一步讨论具有稀疏性的鲁棒建模.此外,还论述一些应用在神经科学中的相关子空间学习技术.最后,针对基于L1-范数的子空间学习的求解问题,介绍一个有力工具,即边界优化技术.     

广义信号子空间拟合角度-极化联合估计

针对相干信号波达方向(DOA)和极化参数的同时估计问题,提出了适用于任意结构极化敏感阵列和完全/部分极化信号源的广义信号子空间拟合方法.该方法利用空间相位矩阵和信号极化矢量之间的线性关系,借助信号子空间旋转矩阵的适当分离实现了角度和极化参数的解耦,使得DOA估计和极化参数估计可分别通过唯角度和唯极化搜索获得.与传统子阵平滑信号解相干方法不同,广义信号子空间拟合方法对阵列结构无特殊要求,且不存在孔径损失问题.仿真结果表明,广义信号子空间拟合方法在低信噪比和短快拍数条件下性能均要优于空间平滑和极化平滑两种传统方法.