基于特征融合和改进RSM集成分类的BMP隐写检测

针对目前大部分BMP隐写分析方法主要采用单一特征和单一强分类器,容易产生训练样本敏感、分类精度难以提高等问题,提出一种基于特征融合和改进RSM集成分类的BMP图像隐写检测方法.方法首先串行融合Moulin和SPAM两种经典特征,然后利用序列前向选择(SFS)算法选取分类能力高的特征作为固定特征,其余特征在剩余特征空间中随机抽取,利用固定特征和随机抽取特征构造特征子集,最后在特征子集上训练成员分类器,并用多数投票法对它们进行组合.实验结果表明:和传统方法相比,在不同嵌入率下,该方法对BMP经典隐写(如LSB匹配、LSB替换、SS和QIM)的检测率均有一定程度的提高.     

一种改进的稀疏子空间聚类算法

在现有的稀疏子空间聚类算法基础上提出了一个改进的稀疏子空间聚类算法。首先,利用高维数据可以通过同一子空间的低维数据稀疏地表示这一理论,建立一个稀疏最优化模型,获得稀疏矩阵。然后把稀疏矩阵应用到一个正则化谱聚类算法中,从而有效地把数据聚类到子空间中。最后,该算法应用到一个视频序列中,对每个视频帧里的运动物体进行识别,并与现有的子空间聚类算法相比较。实验结果表明,该算法能够有效地识别运动物体,具有良好的实时性和有效性。     

移频算法在加速子空间迭代法中的应用

基于子空间迭代法,采用移频加速算法,开发了一个高效、稳定、内存消耗低的移频子空间迭代特征值求解器SSubspace. 给出了详细的移频子空间迭代法求解广义特征值问题的步骤及关键参数的选取. 对刚度矩阵奇异时特征值的求解进行了探讨,实现了对刚体模态的求解. 与Intel MKL特征值求解器(FEAST v2.1)相比,SSubspace的求解效率高于FEAST,且内存消耗低于FEAST. SSubspace理论上可以求解出所有阶的特征值,且计算时间随特征值数的增加近似成线性增长关系,可用于求解大阶数特征值问题、大型矩阵的全特征值问题.     

基于子空间-斜投影的MIMO-OFDM盲信道估计算法

信道估计是MIMO-OFDM系统的关键技术,相比非盲信道估计而言,盲估计技术具有带宽利用率高,系统传输效率高的优点.基于子空间盲估计算法在信道变化不是很快的情况下有比较精确的估计效果,但是多径衰落、噪声等会引起子空间之间的非正交,从而导致估计性能急剧恶化,此时采用斜投影可以很好的解决这个问题,仿真结果表明子空间——斜投影算法对信道估计性能有明显的提高.     

基于互补子空间线性判别分析的人脸识别

基于随机子空间,提出了一种用于人脸识别的互补子空间线性判别分析方法. 与Fisherface和零空间线性判别分析相比,该方法同时在主元子空间和零空间中进行判别分析,并在特征层融合这两个子空间的判别特征. 根据最适宜的零空间状态构建随机子空间,随机子空间的融合在决策层进行. 多个人脸数据库上的实验结果表明,本算法能够有效地解决线性判别分析中的小样本规模问题.     

向量值约化子空间超仿射小波对偶框架的构造

利用Fourier变换和周期化技巧,给出Fourier域上L~2(R~d,C~L)中约化子空间上的超仿射小波对偶框架的一个充分条件,从而将L~2(R~d)中约化子空间上的结果推广到向量值空间L~2(R~d,C~L)的约化子空间上.     

线性空间的覆盖

本文讨论了线性空间的覆盖,并通过几个例子说明了它的应用。     

关于*-仿正规压缩算子的性质

主要研究了压缩的*-仿正规算子的一些性质,证明了若T是一个压缩的*-仿正规算子,则正算子D=12(T*2 T2-2TT*+I)是一个压缩算子,且算子序列{Dn}强收敛于一个投影算子P,满足T*P=0;若T没有非平凡的不变子空间,则(i)T是真压缩算子,(ii)正算子D=12(|T2|2-2|T*|2+I)是强稳定压缩算子.     

单快拍相干信号自适应波束形成方法

针对低快拍条件下相干信号波束形成问题,提出一种单快拍相干自适应波束形成方法。首先,构造Duvall特征消除器滤除阵列接收信号中的期望信号,再利用空间平滑方法解相关。然后,依据Hung Tuner算法对平滑后的协方差矩阵进行Gram Schmidt正交化,快速重构干扰信号子空间。最后,将静态权矢量在干扰子空间内的正交投影作为波束形成最优权矢量。该算法可有效避免协方差矩阵求逆和特征分解造成的复杂计算,且能降低由于期望信号泄露造成的子空间估计误差,在单快拍条件下性能良好。仿真分析验证了算法的优越性和理论分析的有效性。     

基于宽窗口和PAST算法的扩频序列盲估计

针对DSSS信号的盲估计问题,结合投影逼近子空间追踪算法(PAST)和滑动窗技术,对接收信号进行宽窗口划分,实现了非同步接收信号的扩频码的恢复。该方法只需要提取信号的主特征向量,然后利用滑动窗的方法实现码同步。PAST方法避免了特征值的求解,降低了计算量,易于硬件实现,解决了传统的特征分解方法实时处理的困难以及相位模糊的问题,并且能在低信噪比下实现扩频码的估计。