分形理论下支持向量机核函数选择

支持向量机(support vector machine,SVM)是一种基于核的机器学习方法,不同的核函数对SVM的性能影响显著,如何针对具体问题获得一种有效的核函数选择方法成为SVM研究领域的一个重要问题。目前核函数选取仍是一个开放性的问题,存在着一系列的偶然性和局限性。而针对相对复杂问题时,使用何种类型的单一基核函数难以反映出其分布特征。因此,提出一种基于分形理论的核函数选择方法,在考虑不同核函数度量特征的同时,结合具体问题样本分布特征合理构造或选择核函数类型,并通过数据仿真以及相似性对比验证了算法的合理性。     

基于特定深度内部学习网络提高"不理想"图像分辨率

现有基于深度学习的图像分辨率提升方法中需耗费大量时间训练,且受限于特定的训练数据等问题。本文引入“零射击”超分辨率概念,可以重复利用已有照片、噪声图像、生物数据以及获取过程未知或非理想的其他图像的相关内部信息,以提高其分辨率。在测试阶段训练一个小的图像特定卷积神经网络,仅需对从输入图像本身提取的示例进行训练；然后通过单个图像内部信息再现,进一步利用图像内部相关信息,以增强图像分辨率。实验结果表明,本文算法可以加快训练速度且不需要标准训练集,图像分辨率优于现有基于卷积神经网络的超分辨率方法,以及已有的无监督超分辨率方法。