基于稀疏转稠密机制的仿射不变特征匹配算法

提出一种基于稀疏、稠密特征转换的仿射不变特征匹配算法,其中稀疏特征包括坐标,尺度,仿射模拟参数等,稠密特征指基于图像局部区域内光学属性的局部描述符.本文算法在Affine-SIFT算法基础之上,针对在特征提取阶段仅使用稀疏特征提取的缺陷做出了改进.由于稠密信息只有在稀疏参数满一定足检测条件时才能提取到特征,导致本可以匹配到的特征(包括稀疏、稠密参数)无法提取,将通过使用稀疏特征构造新的模拟图像,通过将稀疏特征重新稠密化,并在模拟图像基础上进一步提取稀疏特征,同时可检测到原始图像中检测不到的可匹配特征,最终达到增大特征建立匹配的概率,提升正确匹配数量的目标.经实验验证,本文提出的稀密特征转换算法相比于ASIFT算法能大量增加特征匹配的数量.除针对ASIFT方法提供扩展外,该方法也可用于扩展具有充分稀疏特征参数的其它特征提取和匹配方法,并适用于目标识别、目标分类和三维重建等问题.     

基于迁移的联合矩阵分解的协同过滤算法

早期的协同过滤算法利用矩阵分解来解决数据稀疏问题，但是严重的稀疏问题导致矩阵分解的性能很难满足应用的需求.随后，迁移学习被引入到协同过滤的研究中，它主要利用辅助域和目标域的公共用户的各种信息来解决目标域的数据稀疏问题.虽然通过引入辅助域的信息能够帮助目标域获取更多的知识，但是在公共用户包含的公共商品项目少的情况下，只利用公共用户的浅层特征来度量用户的相似性，不能很好地捕捉用户的潜在特征，相似性度量效果不好.为此，本文提出了一种基于迁移的联合矩阵分解协同过滤模型，以公共用户为锚，将两个领域的用户和商品映射到一个潜在的语义空间.模型通过对两个领域的用户 商品评分矩阵在以公共用户信息作为约束项的情况下，进行联合矩阵分解，在实际基准数据集上的实验结果表明，本文所提出的方法明显优于现有基于相似度计算的迁移学习方法，也证明了模型的有效性.     

基于矩阵分解的电力物资需求预测

准确预测变电站及配网工程的物资需求,对于节约工程成本,提高资金利用率,具有重要意义.尽管研究者在电力物资需求预测方面已经开展了一系列的研究,提出了很多预测模型和算法,例如基于神经网络的算法,然而,这些算法普遍存在输入数据过于简单和理想、仅对少数几种物资的需求量进行了预测实验、预测的准确率偏低等不足.因此,目前生产系统普遍采用人工方式进行电力物资需求预测,由有经验的领域专家根据工程初步设计方案预测各类物资的需求量.为了解决现有电力物资需求预测方法存在的不足,本文提出基于矩阵分解的预测方法,以电网建设项目物资需求历史数据和项目计划的部分物资作为输入,通过矩阵分解算法对项目其他物资需求用量进行预测.矩阵分解算法不需要大量的历史用量数据,只用部分项目的物资数据就能进行预测,且算法不需要提前进行训练.