基于 ANFIS云推理的网络学习评价

将云模型与ANFIS结合,利用云模型代替模糊神经网络的隶属度函数,构成ANFIS云推理网络并应用到学 习效果评价中.实验表明,ANFIS云推理网络是一种有效的学习评价工具,抗干扰能力较强.     

基于L_1-范数的鲁棒稀疏的张量PCA人脸图像分析

张量主成分分析(Tensor Principal Component Analysis,TPCA)是主成分分析(Principal Component Analysis,PCA)在多维空间上的推广,能充分利用图像/视频的空间关联,在图像分析和视频处理中扮演了重要的角色.传统的张量PCA方法提取的特征向量是非稀疏的,这使得其很难进行解释.近年来出现了众多稀疏PCA方法,能提取只包含少量非零元的特征.把稀疏特征提取引入到张量分析,提出一种鲁棒稀疏的张量PCA方法(TPCAL1S).首先,设计了能实现稀疏特征提取的目标函数.一方面,用L1范数代替Frobenius-范数,使得算法对异常数据更加鲁棒;另一方面,在目标函数中引入弹性网,联合使用Lasso与Ridge惩罚因子来实现稀疏化,增强了算法的语义解释性.然后,设计了一种基于二阶张量的投影矩阵交替求解算法,二阶张量便于数学描述,也易于推广到更高阶张量.此求解算法分为两个步骤(V,U分别表示左投影矩阵和右投影矩阵),先固定U优化V,再固定V的值优化U,两个步骤反复交替执行,直到收敛.每个步骤都采用贪心算法以迭代的方式逐个特征提取以求得U或V.最后,对迭代过程的单调性做了理论证明.基于ORL,Yale和Feret库,将TPCA-L1S应用于人脸图像分析并与其他常见方法作比较,实验结果验证了该模型的有效性.     

一种求解MMC的快速算法

最大间距准则(Maximum Margin Criterion,MMC)能够有效地克服线性鉴别分析(Linear Discriminant Analysis,LDA)算法所面临的小样本问题.但是,原有的MMC求解算法复杂度较高,为了提高MMC算法的计算效率,本文提出了一种新的快速的MMC求解算法.在理论上,新的MMC求解算法和原有算法等价,但计算复杂度比原算法要低的多.在人脸库上的实验表明,新的MMC求解算法的计算速度远比现有的MMC求解算法要快,但是其识别率与现有求解算法相同.     

自适应图正则化稀疏编码算法

在GraphSC算法中,拉普拉斯图是预先定义并且固定不变的,并不会参与之后对于字典与稀疏编码的学习过程,而预先定义的拉普拉斯图往往不是最合适的。针对此问题,提出了自适应正则化稀疏编码(graph regularization sparse coding with adaptive neighbour, GraphSCAN)算法。该算法使用自适应方法构建合适的局部拉普拉斯图,然后将其加到SC的目标函数中;从而将图的构建和稀疏编码纳入到统一框架中,使得图的构建与稀疏编码的运算同时迭代进行。在CMU人脸数据与COIL20数据上进行的图像聚类实验结果验证了GraphSCAN算法的有效性。     

基于软件体系结构的构件可迁移系统容错研究

随着分布式应用的迅速发展,构件可迁移分布式系统由于其构件的可移动性,受到广泛关注。如何保证构件可迁移系统的容错,一直是研究的热点。另一方面,软件体系结构是软件系统的蓝本,对软件的设计与实现有着重要的指导作用。该文提出一种面向体系结构,并适合构件可迁移系统的容错框架。该框架不但能显式刻画软件体系结构,而且能支持构件可迁移...     

基于故障森林的组合测试故障定位研究

组合测试作为一种对参数组合空间抽样的系统方法,适用于待测系统中存在由特定参数组合所引发的软件失效.依据组合测试结果,定位出最小失效诱因模式(minimal failure-causing schema,MFS)有助于程序员进行故障源检测与修复.然而,组合测试可能存在mask effect,使得测试用例中即使包含MFS也未必一定触发软件失效.因此,在存在mask effect的系统中精确定位最小失效诱因模式尤为困难.为此提出了一种基于故障森林的组合测试故障定位方法.给定一个t-路组合测试集(t≥2)及其附加测试集,该方法首先学习由多个深度为t的基本故障分类树所组成的故障森林,然后从故障森林中提取基本故障组合模式,最后将可疑MFS进行排序,并提交给程序员进行进一步诊断.仿真实验结果表明,该方法能有效定位系统中存在的组合故障模式.特别地,对于存在mask effect的待测系统,故障定位结果健壮.     

一种稀疏图正则化的非负低秩矩阵分解算法

非负矩阵分解方法(non-negative matrix factorization,NMF)广泛应用于图像聚类、计算机视觉、信息检索等领域。但是,现有的NMF方法还存在一些不足之处：①NMF方法直接在高维原始图像数据集上计算它的低维表示,而实际上原始图像数据集的有效信息常常隐藏在它的低秩结构中;②NMF方法还存在对噪声敏感以及鲁棒性差的缺点。为了提高NMF算法的鲁棒性和可解释性,提出一种稀疏图正则化的非负低秩矩阵分解算法(sparse graph regularized non-negative low-rank matrix factorization,SGNLMF)。通过低秩约束和图正则化,SGNLMF算法同时利用了数据的几何信息和有效低秩结构;此外,SGNLMF算法还对基矩阵加以稀疏约束,使得其鲁棒性和可解释性均有一定的提升。还提出了一种求解SGNLMF的迭代算法,并从理论上分析了该求解算法的收敛性。通过在ORL和YaleB数据库上的实验结果表明SGNLMF算法的有效性。     

一种快速的零空间算法

为了进一步提高零空间算法的运行效率,提出了一种新的快速的零空间算法(FINBSA).FINBSA不需要进行特征值分解或奇异值分解,而只需一次正交三角(QR)分解就可以求得最佳投影矩阵,使得FINBSA的算法复杂度比现有的零空间算法要低.在PIE人脸库上的实验结果表明,FINBSA的识别率与现有的零空间算法相同,但是远比现有的零空间算法要高效,尤其是在训练样本数较多时,FINBSA的运行时间比现有零空间算法节省了100%以上.     

基于ANFIS云推理的网络学习评价

将云模型与ANFIS结合,利用云模型代替模糊神经网络的隶属度函数,构成ANFIS云推理网络并应用到学习效果评价中.实验表明,ANFIS云推理网络是一种有效的学习评价工具,抗干扰能力较强.