一种基于散布矩阵的自适应非局部均值滤波模型

针对非局部均值滤波模型(non-local means model,NLM)中恒定的衰减系数不能同时实现图像不同特性结构区域去噪性能最优的缺点,提出了一种基于图像散布矩阵的自适应非局部均值滤波模型(scatter matrix non-local means model,SM-NLM).该模型构造图像的散布矩阵,通过散布矩阵的特征值确定衰减系数的大小,平滑区域采用较大的衰减系数,强纹理区域采用较小的衰减系数,以实现衰减系数自适应的非局部均值滤波.实验结果表明,本模型能取得更高的峰值信噪比,更好地保留了图像的细节信息.     

再生混凝土的SHPB实验及能量耗散分析

文章采用分离式 Hopkinson压杆装置对再生粗骨料取代率分别为0％、30％、50％、70％、100％5种试样,在不同应变率下进行单轴受压动态力学性能试验,采用波形整形和试样直测应变技术获得可靠的实验结果。结果发现,随着应变率提高,再生混凝土的动态强度显著增加,但随骨料替代率呈现非单调的变化;各系列再生混凝土试样的耗散能随应变率增加,均呈现显著单调的线性增加变化,且随骨料替代率的增加,试样耗散能的增长幅度减小,反映了再生骨料自身缺陷导致试样损伤软化的特点。     

基于LBP特征和稀疏表示的新生儿疼痛表情识别

面部表情被认为是新生儿疼痛评估的可靠指标。文中提出一种基于加权局部二元模式(LBP)特征描述符和稀疏表示分类器的新生儿疼痛表情识别方法。首先,经归一化后的面部图像采用一个特征向量来描述,这个特征向量是通过串接组合所有局部图像块的LBP特征图的加权直方图所得到的直方图序列。然后,采用主成分分析(PCA)方法对训练样本及测试样本图像的特征向量进行降维。最后,采用基于稀疏表示的分类器将测试样本图像的表情分为4类:平静、哭、轻度疼痛、剧烈疼痛。文中研究目的是通过利用基于计算机的图像分析技术来辅助临床医生评估新生儿疼痛。在新生儿面部图像数据库上进行的实验结果表明了该算法的有效性,表情分类的平均识别率高达84.50%。     

总体最小二乘方法在华北地区应力分析和应变参数反演中的应用

近些年来,华北地区主要受近东西向的持续性挤压应力的作用,导致了东西向的压缩和南北向的挤出运动。从运动场的空间分布来看,其运动并非均匀,与以前的认知并非完全一致。通过基于总体最小二乘的反演方法,利用2002年相对稳定的GPS速度场数据,来分析华北地区板块运动应力场。将应变参数反演结果与基于最小二乘方法得到的结果进行对比分析,发现顾及了监测点误差的总体最小二乘方法更适合华北地区的应力分析和应变参数反演。     

Double设计在对称化L2-偏差下两个下界的比较

从列平衡的角度出发,将设计的中心化L2-偏差、对称化L2-偏差、可卷L2-偏差分别用二次型和均衡模式表示,可分别得到两个下界,它们都适合用来评价正交设计的均匀性。以double设计的对称化L2-偏差为例,证明了这两种方法算出的下界是相等的。     

上市公司财务预警的T逻辑回归模型

针对经典的逻辑回归模型易受到样本类别噪声干扰的问题,采用T逻辑回归算法中的非凸损失函数以弥补这一不足。对T逻辑回归模型及求解算法进行了分析,建立T逻辑回归财务预警模型,并结合沪深上市公司财务数据开展实证分析,结果表明T逻辑回归模型具有较好的分类效果和鲁棒性。     

自反巴拿赫空间中广义变分不等式的稳定性与Tikhonov正则化

在自反巴拿赫空间中,介绍了广义变分不等式的Tikhonov正则化及其相关理论。首先讨论了映射被扰动变分不等式的稳定性结果。基于稳定性,给出了Tikhonov正则化的变分不等式解集的某些特征。此结果推广了该领域已有的研究结果。     

基于分块加权的局部保持投影的人脸识别

为增强对姿势、表情、光照等变化的鲁棒性,提出了一种加权的分块局部保持投影人脸识别算法.算法先对样本图像分块,对分块得到的子图像利用局部保持投影算法分别提取局部特征信息,并利用k近邻点的类标信息和样本影响力函数计算各分块子图像的权重.该算法能够有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出,在AT&T和Yale人脸库上的比较实验说明了该算法的有效性.     

广义MKP方程的对称约化和精确解

利用对称方法求出了广义MKP方程的对称,基于求得的对称与原方程相容,求出了广义MKP方程的一些精确解,包括雅可比椭圆函数解、三角函数解、双曲函数解、有理数解、多项式解等.     

ε-真有效解的非线性标量化

本文利用基于点闭凸锥的经典非线性标量化函数Δ-K对向量优化问题ε-真有效解的非线性标量化性质进行了研究。首先证明了向量优化问题(VP)的ε-真有效解蕴含标量化问题(Py)的dε+K(0)-近似解,并通过例子说明了这一结论的逆不一定成立。进一步,证明了标量化问题(Py)的严格β-近似解蕴含向量优化问题(VP)的ε-真有效解,并举例说明了如果集合f(S)+ε+K-f(x)的锥包不是闭集,这一结论不一定成立以及标量化问题(Py)的β-近似解不一定蕴含向量优化问题(VP)的ε-真有效解。