基于多任务支持向量机的健康数据融合方法

针对电子健康服务管理中的多源数据融合难题,利用人工智能技术,结合多任务学习理论与支持向量机理论提出基于多任务支持向量机的数据融合方法(multi-task support vector machine for data fusion,简称mSVMDF).该方法对具有相同数据源的特征向量构造基于支持向量机的融合模型,在多任务学习框架下考虑结构稀疏性与各模型关联性的有机结合,以实现对具有不同数据源个数的多源数据的融合,并以多源影像数据与常规检验数据融合为例,开展数值实验验证方法的有效性.实验结果表明mSVMDF方法可以有效地融合具有不同数据源个数的多源数据,同时该方法具有较好的分类性能与结构稀疏性.     

基于压缩感知的视频压缩方案设计与实现

基于压缩感知理论设计出了针对视频编解码的处理方案。该理论是近来提出的一种新颖的图像编解码算法,它能够对稀疏性信号进行远低于Nyquist采样率编码。应用该理论对视频图像进行采样以降低视频的采样速率,依据视频图像的帧内、帧间相关性对视频帧进行建模,并结合综合感知模型进行压缩感知恢复。实验结果表明,本文设计的模型具有较好的效果。     

结构静力重分析预处理共轭梯度法的一种有效改进

考虑预处理共轭梯度法在结构静力重分析中的改进.利用增量刚度矩阵相对结构修改后刚度矩阵稀疏的特点,修改处理共轭梯度法的实施过程,以达到降低计算量、节省计算时间的目的.数值算例验证了该方法的有效性.     

基于压缩感知的自适应加权匹配追踪算法

压缩感知（compressed sensing,CS）技术通过减少发射导频数来提高频谱的利用率。将CS技术应用于导频辅助的稀疏度未知的正交频分复用（orthogonal frequency division multiplexing,OFDM）信道估计中,提出一种自适应加权匹配追踪（CS-based adaptive weighting &matching pursuit,AWMP）算法。该算法使用自适应加权、匹配追踪的方法估计信道时域脉冲响应,按照估计信噪比和匹配原则,利用多次迭代进行自适应加权和寻找最佳稀疏度,实现未知信道稀疏度与信噪比的情况下,准确估计信道信息。仿真验证表明,与传统的信道估计算法相比,采用基于AWMP的信道估计方法,能够利用较少的导频信息获得更低的误码率和均方误差。     

一种稀疏度拟合的图像自适应压缩感知算法

针对运用压缩感知理论对图像进行自适应压缩采样时,采样率及稀疏度阈值确定具有很强的主观性,提出一种稀疏度拟合的精确自适应采样算法.该算法通过循环迭代来确定各个稀疏度下满足PSNR要求的最低采样率,利用最小二乘法对稀疏度及采样率数据进行拟合,得到稀疏度-采样率选取的最佳目标函数.基于TVAL3重构算法对上述自适应采样算法进行了实验仿真,结果表明,重构图像的PSNR均高于用相同值的固定采样率重构的PSNR值,其中纹理特征区分明显的图像此PSNR差值能达到3.5 dB以上.相比粗糙自适应算法,平均采样率比其降低的同时,重构图像仍得到了更高的PSNR值.      

压缩感知联合稀疏孔径自聚焦的多站无源雷达成像

针对外辐射源信号特点,考虑相位误差对成像性能的不良影响,提出了基于压缩感知联合稀疏孔径自聚焦的无源雷达成像方法. 利用不同载频外辐射源信号在不同转角下的点扩散函数构造稀疏传感矩阵的每个列向量,并利用lp 范数法将带约束条件的强散射点增强问题转换为无约束的最优问题求解,同时建立关于相位误差的最优化问题,通过准牛顿法求解相位误差增量,从而实现目标成像与相位误差的联合估计. 仿真结果表明,与子孔径综合无源雷达成像相比,该方法无需大的目标累积转角,同时在存在相位误差时仍可获得较好的成像效果.     

基于微粒群和子空间的离群数据挖掘算法研究

传统的离群数据挖掘方法大多数是利用全局的观点看待离群数据,很难发现低维子空间中的偏移数据.利用微粒群算法(PSO)具有简单,容易实现并且没有许多参数需要调整等优势,提出了一种基于PSO和子空间的离群数据挖掘算法(OM-PSO).该算法首先将子空间看作微粒,根据偏离数据所在子空间的稀疏系数,采用带有变异算子的PSO算法来搜索子空间,并将子空间中的数据看作为局部偏离数据,即离群数据;最后采用离散化的天体光谱数据作为数据集,实验结果验证了该算法的有效性.     

Video Coding Based on Compressive Sensing via CoSaMP

Compressive sampling matching pursuit （CoSaMP） algorithm integrates the idea of combining algorithm to ensure running speed and provides rigorous error bounds which provide a good theoretical guarantee to convergence. And compressive sensing （CS） can help us ease the pressure of hardware facility from the requirements of the huge amount in information processing. Therefore, a new video coding framework was proposed, which was based on CS and curvelet transform in this paper. Firstly, this new framework uses curvelet transform and CS to the key frame of test sequence, and then gains recovery frame via CoSaMP to achieve data compress. In the classic CoSaMP method, the halting criterion is that the number of iterations is fixed. Therefore, a new stopping rule is discussed to halting the algorithm in this paper to obtain better performance. According to a large number of experimental results, we ran see that this new framework has better performance and lower RMSE. Through the analysis of the experimental data, it is found that the selection of number of measurements and sparsity level has great influence on the new framework. So how to select the optimal parameters to gain better performance deserves worthy of further study.     

基于GIS空间关系的温度序列复原方法

在分析测量温度序列特征的基础上,结合GIS空间关系模型和空气热传导方程解的特点,建立温度序列复原的目标函数.利用多尺度小波分析方法和基于时-频变换稀疏理论提出基于GIS空间关系的气象温度序列复原方法.研究结果表明:在温度序列模型未知且各温度序列不完全独立的复杂条件下,该方法对于多源温度序列复原具有比较理想的效果.     

OFDM系统中一种双选择性稀疏信道压缩感知方法

针对OFDM系统,提出了一种基于压缩感知（CS）的双选择性稀疏信道估计新方法.为解决传统二维插值算法无法准确估计双选择性稀疏信道的问题,通过利用信道在时频域的稀疏特性,将OFDM系统下的双选择性信道模型转化为CS可解的BPIC数学模型,并最终利用基追踪算法对稀疏信道的脉冲冲激响应实现估计.仿真结果显示,新方法能有效减少导频数,提高频谱利用率;在传统的FFT-Linear和FFT-FFT二维联合插值算法无法正确估计出信道响应时,基追踪算法仍能实现对稀疏信道的精确估计.