处理核磁共振数据的一种改进非负矩阵分解算法

文章将非负矩阵分解算法（NMF）引入到核磁共振数据处理中,由于NMF对因子矩阵随机初始化会造成解不稳定的问题,论文中用系统聚类法对样本进行聚类,然后取其均值初始化基矩阵,最后进行乘性迭代找出最优解,根据系数矩阵获得最终的分类结果,找出影响其分类的变量．     

基于Gabor滤波与区域生长的细胞分割

贴壁细胞图像中细胞大小形状各不相同,细胞内部分区域与细胞边缘具有相近的灰度,部分细胞边缘较细或者断裂,为后续正确的分割计数带来了困难。传统的基于区域的图像分割很容易造成过分割和欠分割,前者得不到完整的细胞边缘,后者使细胞内部出现大量杂质点。为解决以上问题,首先利用Gabor滤波器的方向性滤波特性对细胞边缘进行增强,然后选择细胞边缘对应的高灰度点作为种子点进行8连通约束的区域生长,最后对区域生长后的图像进行形态学闭运算消除小的空洞和毛刺,得到完整的细胞边缘图像。与阈值法和边缘检测法的比较结果表明,该算法分割效果较好且对噪声不敏感。     

基于曲率约束和改进Hausdorff距离 匹配的轮毂识别算法

针对在轮毂的自动化生产过程中对轮毂型号自动识别的需求,提出一种基于曲率的轮毂辐孔轮廓线角点特征提取和改进Hausdorff距离(MHD)轮毂型号自动匹配的方法. 对待识别的轮毂型号样本进行特征提取并建立标准样本库,在对实时采集的轮毂图像预处理后,利用曲率约束的最小二乘法(CRLSM)进行轮毂外轮廓提取,并用曲率阈值进行角点特征提取,进而采用改进的Hausdorff距离匹配实现轮毂自动识别. 仿真实验证明,该识别算法能够对建立样本库的轮毂类型进行正确识别.     

基于稀疏性约束非负矩阵分解的人脸年龄估计方法

基于人脸图像的年龄自动估计已经成为当前人脸识别领域的一个重要研究方向。首先通过非负矩阵分解(non-negative matrix factorization,NMF)算法对基矩阵或系数矩阵进行稀疏性约束,用形成的更具有局部表达能力的子空间对人脸图像数据进行表示。然后使用径向基函数神经网络进行训练和测试,提取包含在大多数人脸图像上的年龄信息来进行年龄估计。实验结果表明,具有稀疏性约束的非负矩阵分解算法对年龄估计问题具有良好的应用效果。     

动态大变形计算模拟的无网格强积分核函数

作为一种基于强函数积分形式的无网格计算方法,SPH（Smoothed Particle Hydrodynamics）方法在高能炸药爆炸、流体动力学及固体强冲击模拟计算中已经得到了广泛的应用.然而,目前该方法还存在许多问题,主要表现在拉伸不稳定性、零能量模式、边界条件实施困难、精度较差等,研究表明通过提高核函数的一致性可以使这些问题得到不同程度的改善.在RKPM（Reproducing Kernel Particle Method）方法基础上推导了高阶一致性核函数的公式,构造了适用于SPH方法的简化线性一致性核函数.通过算例证明了简化线性一致性核函数的可行性和优越性,即随着核函数一致性的提高,数值计算精度不断改善,最后对线性一致性核函数的非负特性进行了讨论.     

(n,d)-投射模与m-(n,d)-投射模

设R是环,n,m,d是非负整数,其中m或者为∞.右R-模M称为m-(n,d)-投射的,如果对任意的右R-模N且(n,d)-id(N)≤m,有Ext1R(M,N)=0.研究了(n,d)-投射模及m-(n,d)-投射模的一些性质.     

序约束下双参数指数分布的Fiducial参数估计

利用Fiducial统计推断的方法,给出双参数指数分布参数的Fiducial模型,然后基于参数的Fiducial模型给出两总体序约束下参数的Fiducial分布,得到序约束条件下未知参数的Fiducial参数估计的具体解析式,同时给出两总体序约束下未知参数的参数估计的数值解.对于总体个数大于2的情况,根据Fiducial模型给出相应的参数估计的数值计算方法,并进行数值模拟,结果证明由这种数值方法所得到的数值解的误差是可以接受的.     

带有线性约束的指数族非线性回归模型置信域的曲率表示

本文从几何的观点,研究了带有线性约束的指数族非线性回归模型下参数的近似置信域与统计模型曲率之间的一般联系,获得了参数的近似置信域.     

ISAR target recognition based on non-negative sparse coding

Aiming at technical difficulties in feature extraction for the inverse synthetic aperture radar (ISAR) target recognition, this paper imports the concept of visual perception and presents a novel method, which is based on the combination of non-negative sparse coding (NNSC) and linear discrimination optimization, to recognize targets in ISAR images. This method implements NNSC on the matrix constituted by the intensities of pixels in ISAR images for training, to obtain non-negative sparse bases which characterize sparse distribution of strong scattering centers. Then this paper chooses sparse bases via optimization criteria and calculates the corresponding non-negative sparse codes of both training and test images as the feature vectors, which are input into k neighbors classifier to realize recognition finally. The feasibility and robustness of the proposed method are proved by comparing with the template matching, principle component analysis (PCA) and non-negative matrix factorization (NMF) via simulations.     

一个新的函数形式单调类定理

定义了C-族的概念,给出了C-族的函数形式单调类定理.