高光谱遥感图像的稀疏分解与压缩感知

基于稀疏分解和压缩感知原理对高光谱遥感图像进行压缩重构,提出一种基于过完备原子库上分解图像的稀疏分解快速算法,以减少图像稀疏分解的计算量.仿真计算结果表明,利用压缩感知和谱带分组技术对高光谱图像进行谱间压缩,可提高运算速度,并降低成本.     

基于l_1与l_0正则化的压缩感知数值算法

针对压缩感知模型,讨论了基于l0正则化的正交匹配追踪算法(OMP)与基于l1正则化的同伦算法(HM)和迭代加权最小二乘法(IRLS).通过数值实验结果分析,验证了3种算法的有效性,且相对于2种基于l1正则化的算法,OMP算法的迭代次数与耗时更少,均方误差更小.     

A Meta‐learning Framework for Bankruptcy Prediction

The implication of corporate bankruptcy prediction is important to financial institutions when making lending decisions. In related studies, many bankruptcy prediction models have been developed based on some machine‐learning techniques. This paper presents a meta‐learning framework, which is composed of two‐level classifiers for bankruptcy prediction. The first‐level multiple classifiers perform the data reduction task by filtering out unrepresentative training data. Then, the outputs of the first‐level classifiers are utilized to create the second‐level single (meta) classifier. The experiments are based on five related datasets and the results show that the proposed meta‐learning framework provides higher prediction accuracy rates and lower type I/II errors when compared with the stacked generalization classifier and other three widely developed baselines, such as neural networks, decision trees, and logistic regression. Copyright © 2011 John Wiley & Sons, Ltd.     

Using Quantum Associative Memory to Simulate the Brain Functions

To simulate the brain functions, a quantum associative memory combined with information preprocessing by a sparse coding model is presented. The sparse coding scheme is used to simulate the information transformation from retina up to primary visual cortex (V1) along the visual path and the quantum associative memory is used to simulate the pattern processing functions of the brain such as the pattern storing, forgetting and retrieving. Experimental results show that the model exhibits good associative ability on face recognition. Considering the huge storage capacity, mass parailel-distributed processing ability and oscillatory phenomena of the quantum system, this model might he a biological plausible implementation.     

基于压缩感知的多角度合成孔径雷达成像

多角度合成孔径雷达（syntheticapertureradar，SAR）成像是实现多SAR信息融合的重要方式．对提高成像分辨率．重构目标轮廓进而提高雷达目标检测或分类性能具有基础性价值．由于各传感器发射信号和测量位置的多样性，实现多角度SAR成像具有挑战性．如何在噪声干扰情况下快速实现多角度SAR成像是一个新问题．本文建立了基于压缩感知的多角度SAR测量模型．通过对测量矩阵的分析，证明多角度SAR测量角度范围、发射信号载频和空间采样位置是影响成像性能的关键因素，研究了目标空间离散间隔对成像质量和分辨率的影响．以上述分析为基础，本文对多角度SAR发射信号载频和测量位置进行设计，构建满足约束等距性的测量矩阵．针对测量矩阵阶次较高的问题，文章提出用分段正交匹配追踪（stagewiseorthogonalmatchingpursuit，STOMP）进行模型求解，在测量矩阵欠定严重的情况下，该算法可以迅速求得模型最优稀疏解．在实验环节．通过分析多角度SAR参数对成像性能的影响，进一步验证了本文结论．实验验证了模型和相应求解算法的有效性和鲁棒性．     

MPLS组播机制中基于核心树的标签分发方法

基于松散模式下协议独立的组播协议（Protocol Independent Multicast-Sparse Mode,PIM-SM）对多协议标签交换（Multi-Protocol Label Switching,MPLS）中有关核心树组播标签分发机制进行了研究，由于PIM-SM允许SPT和RPT两种组播树同时存在，亦存在（*,G)/(S,G)共存问题，因此在MPLS的标签分发中就不能以通常的单播方式进行，文中提出的上游隐性标签分发和下游按需标签分发方法可以解决存在共存问题时如何进行MPLS标签分发这一问题。     

基于稀疏指数排序的高维数据并行聚类算法

高维数据聚类是数据挖掘领域的重要研究课题,大规模高维数据聚类研究非常具有挑战性.针对高效的CABOSFV高维数据聚类算法,采用并行计算模式提高其大规模数据的处理能力,提出基于稀疏指数排序的高维数据并行聚类算法P-CABOSFV.该算法根据高维数据稀疏指数排序进行分割点选择实现数据划分,将数据分配到多个计算节点同时处理聚类任务,再基于集合稀疏特征差异度聚类结果合并策略将各计算节点的聚类结果合并得到最终聚类结果.UCI数据集和计算机合成数据集实验表明:高维数据并行聚类算法P-CABOSFV聚类质量良好,具有很强的数据规模和数据维度可扩展性,是有效可行的.     

基于加权最小二乘的字典学习算法

冗余字典学习是信号稀疏表示理论中的一个重要研究方面。首先,针对各训练样本稀疏表示误差各不相同的现象,建立了误差加权的信号稀疏表示数学模型,根据该模型提出一种基于加权最小二乘的字典学习算法,推导了算法闭式解和讨论了最优加权矩阵的选取。其次,为避免闭式解中矩阵求逆运算,进一步推导了算法的在线计算形式,对训练样本依次学习,每学习一个样本,字典进行一次更新,直至样本结束。此外,对算法收敛性进行了理论分析。最后,分别从信号稀疏表示和已知字典恢复两个方面仿真验证了理论分析的正确性和算法的可行性和优越性。     

基于3DSAS的多约束多航迹协同规划与搜索方法

为解决多航迹规划中的避撞与协同问题,提出一种三维环境下的基于稀疏A*的多航迹协同规划方法。该方法设计了一种规划框架,分别在航迹搜索前与搜索过程中考虑多航迹的协同问题。在航迹搜索过程中,不但结合单条航迹原有的约束条件,同时还进行了航迹间的碰撞检测,并且通过航迹的协同违背量等因素来进行启发式搜索。该方法可以有效处理各类约束条件,简化启发因子,从而获得更好的规划性能。     

预条件CMRH方法加速求解半空间三维电磁散射问题

为了高效求解半空间三维电磁散射问题中离散电场积分方程产生的大型对称稠密复线性矩阵,将半空间多层快速多极子方法与CMRH方法相结合,其中多层快速多极子方法用于加速CMRH方法中的矩阵矢量乘运算.为了验证文中方法的有效性,分别计算了位于有耗半空间的圆柱体、长方体以及某导弹模型的散射特性. 结果表明,所提出的方法不仅可以滤除高频误差,平滑低频误差,而且能使求解半空间离散电场积分方程的迭代次数和计算时间比现在广泛使用的广义最小余量法显著减少. 同时,CMRH方法与稀疏近似逆预条件、对称超松弛预条件结合可进一步提高求解效率.