Multi-label dimensionality reduction and classification with extreme learning machines

In the need of some real applications, such as text categorization and image classification, the multi-label learning gradually becomes a hot research point in recent years. Much attention has been paid to the research of multi-label classification algorithms. Considering the fact that the high dimensionality of the multi-label datasets may cause the curse of dimensionality and wil hamper the classification process, a dimensionality reduction algorithm, named multi-label kernel discriminant analysis （MLKDA）, is proposed to reduce the dimensionality of multi-label datasets. MLKDA, with the kernel trick, processes the multi-label integrally and realizes the nonlinear dimensionality reduction with the idea similar with linear discriminant analysis （LDA）. In the classification process of multi-label data, the extreme learning machine （ELM） is an efficient algorithm in the premise of good accuracy. MLKDA, combined with ELM, shows a good performance in multi-label learning experiments with several datasets. The experiments on both static data and data stream show that MLKDA outperforms multi-label dimensionality reduction via dependence maximization （MDDM） and multi-label linear discriminant analysis （MLDA） in cases of balanced datasets and stronger correlation between tags, and ELM is also a good choice for multi-label classification.     

再生核空间中时间分数阶扩散方程的数值解法

提出一种简单的求解时间分数阶扩散方程的新方法,数值结果表明该方法是有效的.     

振荡积分算子交换子的Lipschitz估计

研究振荡奇异积分算子与Lipschitz函数生成交换子的加权有界性。给出光滑C-Z核的振荡奇异积分算子交换子的一个Lipschitz刻画,并得到标准C-Z核的振荡奇异积分算子与Lipschitz函数生成交换子的加权有界性。     

n-拉回范畴的核

在Abel范畴C中,定义,n-拉回态射,在此基础上建立,n-拉回范畴C*,即C*是以范畴C中n-拉回为对象,n-拉回态射为态射.并进一步证明了 n-拉回范畴C*中核是存在的,这推广了文[1]的结论.     

R^n空间中闭光滑流形上的线性奇异积分方程

本文给出了高斯奇异积分的合成和反演公式,并且证明了R~n空间中闭光滑流形上的线性奇异积分方程的有关结果。     

再生核空间W~2_2[a,b]W~2_2[c,d]中的最佳Hermite插值逼近算子

本文构造了具有再生核的张量积空间Ｗ２２［ａ，ｂ］＾Ｗ２２［ｃ，ｄ］。利用再生核与算子张量积方法，给出了二元实函数非多项式型的最佳Ｈｅｒｍｉｔｅ插值逼近算子（ＨＵ２ｍ，２ｎｕ）（ｘ，ｙ）的具体表达式。当节点系无限加密时，能够保证（ＨＵ２ｍ，２ｎｕ）（ｘ，ｙ）一致收敛于ｕ（ｘ，ｙ），（ＨＵ２ｍ，２ｎｕ）ｘ′（ｘ，ｙ）一致收敛于ｕｘ′（ｘ，ｙ），（ＨＵ２ｍ，２ｎｕ）ｙ′（ｘ，ｙ）一致收敛于ｕｙ′（ｘ，ｙ），（ＨＵ２ｍ，２ｎｕ）ｘｙ″（ｘ，ｙ）一致收敛于ｕｘｙ″（ｘ，ｙ），并且误差按空间范数单调下降。     

具有高逼近阶及振荡核的W-K算子

本文具体彻底地解决了Kоровкин^[1]提出的“利用有限振荡核提高算子逼近阶”的问题，通过新构造一种含有2m次振荡核的W—K算子，应用复分析及Butzer^[3][6]方法，证得W—K算子对充分光滑周期函数的逼近阶可高达O（1/（n^2m 2)）。     

局部多项式估计的带宽选择

利用局部多项式对有界区间上的回归函数进行估计，在已有结果的基础上给出了一个两阶段的带宽选择方法，从数值例子来看其估计效果比较理想。     

基于Kernel PCA的人脸识别算法的探讨

扼要阐明抽取二维人脸图像特征方法并进行人脸识别,结合实验结果进行分析比较主元分析和核主元分析方法的优缺点,得出核主元分析方法在人脸识别算法中误识率低,解决了维数和小样本问题,能准确快速识别人脸的结论.     

自适应融合的长期目标跟踪算法

为了完成复杂场景中的长期视觉跟踪任务,解决尺度变化、外观变化和跟踪失败等问题,提出了一种双模型融合的长期跟踪算法.首先,将稀疏核相关滤波模型和颜色模型得到的跟踪响应进行自适应融合,构成更具鲁棒性的跟踪结果;然后,利用响应最大值来判断目标跟踪是否成功,并通过随机抽样学习用于在跟踪失败情况下重新检测目标的CUR滤波器,实现长期跟踪.在大规模基准数据集上的实验结果表明,算法在效率、准确性和鲁棒性方面优于现有相关跟踪算法.