图Laplacian半监督特征加权用于高光谱波段选择

提出一种利用图Laplacian实现半监督波段选择的方法. 该方法首先将标记样本类别信息引入图Laplacian,接着通过广义特征值求解确定投影变换矩阵,最后采用载荷因子对变换矩阵进行系数分析,对波段重要性赋以权值并排序. 实验比较了多种波段选择算法,结果表明算法能更好地利用标记样本的类别信息和大量非标记样本中的局部结构信息,性能优于多种波段选择方法.     

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。     

基于半监督宽度学习系统的气温空间插值

近年来,基于人工神经网络的气象空间插值研究因其较强的非线性映射能力受到越来越多的关注。然而,由于网络参数众多,这些方法的训练过程都非常耗时。考虑到以上原因,基于宽度学习系统提出了一个高效的气温空间插值模型,首先使用稀疏编码对输入数据进行特征提取,然后将映射后的向量引入宽度学习系统中得到一个半监督宽度学习模型。相关实验建立在山西省的气象数据集上,实验结果表明,该方法比基于深度学习的方法和传统空间插值方法具有更好的预测性能和时间损耗。     

多尺度生成对抗网络的图像超分辨率算法

基于神经网络的图像超分辨率方法往往存在重建图像纹理结构模糊、缺失高频信息的问题。为了解决该问题,在SRGAN的基础上提出一种多尺度并联学习的生成对抗网络结构,其中生成模型由两个不同尺度的残差网络块组成,首先对提取的低分辨率图像通过两个子网络的多尺度特征学习,然后使用融合网络进行残差融合,融合不同尺度高频信息,最终生成高分辨图像。在Set5、Set14、BSD100基准数据集以及SpaceNet卫星图像数据集上的实验结果证明了该算法在恢复低分辨率图像的细节纹理信息具有良好效果。     

单方柱绕流的直接数值模拟研究

为了揭示柱体绕流的湍流流动机理,采用直接数值模拟方法对雷诺数为1200的单方柱绕流工况进行研究。首先通过与文献中斯特劳哈尔数、平均流速和表面压强系数等统计量进行对比,验证了数值方法的可靠性。其次采用本征正交分解方法系统地提取流场中的相干结构,结果表明：对于速度场的模态分解,第一阶模态代表平均速度场的特征,第二、三阶模态提取的是流场中的低频大尺度旋涡特征,第四、第五阶模态提取的是流场中的高频小尺度旋涡特征。最后基于联合概率密度函数分析速度梯度张量第二、第三不变量,发现方柱下游大致可分为两个流动阶段：发展阶段,流场以涡流层结构和耗散作用为主,涡流管结构逐渐生成;成熟阶段,流场中湍流结构伴随着高涡量拟能和高能量耗散率。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于Haar小波的虹膜特征提取算法

虹膜特征提取算法的优劣决定了虹膜识别系统的性能,经典小波变换算法在特征提取上存在不足,提出一种利用二维Haar小波提取虹膜特征的算法。算法在虹膜预处理的基础上,利用2D Haar小波对虹膜特征提取区域分解,对第三层小波分解高频系数编码生成375bits虹膜编码,利用相似度作为特征匹配关系。在中国科学院虹膜数据库[CASIA(1.0)]上的实验结果表明,算法在认证模式(Verification)与识别模式(Identification)下,性能均优于Boles的算法和Wildes的算法,仅次于Daugman的算法;但本算法虹膜码长度仅为Daugman的1/5,更节省储存空间,正确识别率为99.16%,等错率达到0.54%。     

基于全局注意力的多级特征融合目标检测算法

针对小目标物体检测精度差的问题,同时不以牺牲速度为代价,本文提出了一种基于全局注意力的多级特征融合目标检测算法。算法首先由卷积神经网络生成多尺度的特征图,然后采用多级特征融合的方法,将浅层和深层特征图的语义信息相结合,提高特征图的表达能力,接着引入全局注意力模块,对特征图上下文信息进行建模,并捕获通道之间的依赖关系来选择性地增强重要的通道特征。此外,在多任务损失函数的基础上增加一项额外的惩罚项来平衡正负样本。最后经过分类回归、迭代训练和过滤重复边框得到最终检测模型。对所提算法在PASCAL VOC数据集上进行了训练和测试,结果表明该算法能有效地提升小目标物体检测效果,并较好地平衡了检测精度与速度之间的关系。     

基于局部方向场散列的掌纹快速辨识方法

面向大规模人群身份辨识的掌纹识别系统有广阔的应用前景。为了加速系统的响应时间,提出了一种基于局部方向场散列的快速掌纹识别方法局部方向场散列(LOFP hashing)。该方法首先使用一种方向特征双编码的方式,解决了传统编码方式不稳定、精度差的缺点。然后提出一种特征窗口化的处理方式,即局部方向场模式,加速目标掌纹的检索。在香港理工大学大规模掌纹数据库Hong Kong PolyU large-scale database,中国科学院掌纹数据库CASIA database以及一个大规模模拟数据库上进行对比实验,结果表明,提出的方法在基本不损失精度甚至有所提高的前提下,可以显著加速辨识速度。因此,LOFP hashing可以有效提升面向大规模人群掌纹识别系统的性能。     

基于动态规划的铁路线路纵断面化简算法

针对线路纵断面化简计算结果合理性有待验证的问题,提出基于动态规划(dynamic programming,DP)的铁路线路纵断面化简算法。该算法以优化列车区间追踪间隔为目标,考虑线路纵断面的化简的要求,结合列车区间追踪运行模型模拟列车运行情况,采用多阶段最优决策来求解线路纵断面化简问题。仿真结果表明,该算法能够很好地实现线路纵断面化简,符合《列车牵引计算规程》中线路纵断面化简相关规定,可以减少区间跟踪时间,适合实现铁路纵断面自动化简的实际应用。