L1-范数子空间技术的鲁棒建模综述(英)

子空间学习可以通过多种技术来开展,对一些流行且被广泛使用的子空间学习方法,简要回顾其基于L1-范数的鲁棒建模.从主成分分析开始介绍子空间学习技术、线性判别分析以及更一般的图嵌入框架.作为L1-范数的综合利用,进一步讨论具有稀疏性的鲁棒建模.此外,还论述一些应用在神经科学中的相关子空间学习技术.最后,针对基于L1-范数的子空间学习的求解问题,介绍一个有力工具,即边界优化技术.     

在线增量正交投影非负矩阵分解的目标跟踪算法

为了避免传统的跟踪算法对视频中遮挡、尺度变化、光照变化等现象的跟踪性能下降,提出一种基于L1范数约束和在线增量正交投影非负矩阵分解的目标跟踪算法.首先将L1范数引入IOPNMF子空间重构,使得学习到的新的基于部分的目标表示能够容忍不同的噪声干扰;同时,对正交投影系数进行L1范数约束,并采用循环操作求解IOPNMF子空间向量,保证算法能够处理动态的视频流以获得鲁棒的目标跟踪;最后,将跟踪目标表示为IOPNMF基向量的线性组合,并在观测模型中引入部分遮挡因素,有选择地对IOPNMF子空间进行更新.采用MATLAB实现本算法,并在8种具有遮挡、光照变化、尺度变化、运动模糊、背景杂乱等影响跟踪性能因素的视频上与其他6种算法进行对比试验.试验结果表明,新算法具有最低的平均中心点误差4.3像素,最高的平均覆盖率0.84,能够实现鲁棒稳定的跟踪.     

基于子空间学习和特征选择融合的语音情感识别

传统语音情感识别主要基于单一情感数据库进行训练与测试。而实际情况中,训练语句和测试语句往往来源于不同的数据库,识别率较低。为此,该文提出一种基于子空间学习和特征选择融合的语音情感识别方法。通过采用回归方法来学习特征的子空间表示;同时,引入l2,1-范数用于特征的选择和最大均值差异(maximum mean discrepancy,MMD)来减少不同情感数据库间的特征差异,进行联合优化求解从而提取较为鲁棒的情感特征表示。在EMO-DB和eNTERFACE这2个公开情感数据库上进行实验评价,结果表明:该方法在跨库条件下具有较好的性能,比其他经典的迁移学习方法更加鲁棒高效。     

不确定时滞离散切换广义系统的鲁棒H∞控制

研究了一类具有不确定性和时滞依赖的离散切换广义系统的鲁棒H∞控制问题.首先,基于线性矩阵不等式基础,结合完备性理论,利用多Lyapunov函数方法,在适当的切换规则作用下,给出了这类系统对于所有容许的不确定性,鲁棒镇定且具有H∞范数界的充分条件;然后基于此条件,通过设计相应的状态反馈子控制器,得到了保证闭环系统鲁棒稳定且具有H∞范数界的时滞依赖条件.数值算例表明了该方法的有效性.     

基于截断2-范数损失函数的鲁棒极限学习机

在前馈神经网络学习中,极限学习机(Extreme Learning Machine,ELM)具有高效快速的优势.然而ELM采用的2-范数损失函数在许多实际应用中受异常值影响较大.文章采用截断思想,将2-范数损失函数进一步改进为能够限定最大损失为常数的截断2-范数损失函数,构建了基于截断2-范数损失函数的鲁棒ELM模型,...     

考虑数据噪声的鲁棒回归建模方法综述

在开放环境下,数据中包含很多不确定性,如数据噪声等,这给传统的机器学习方法带来了巨大的挑战。该文综述了当前考虑数据噪声的鲁棒回归建模方法,具体可分为两大类:基于数据预处理的鲁棒回归建模方法和基于鲁棒策略的鲁棒回归建模方法。前者根据数据预处理方法的不同又分为基于异常点检测和基于信号处理的鲁棒回归建模方法。后者所采用的鲁棒策略主要有3种:加权函数、鲁棒损失函数以及噪声分布先验。文中详细地描述了鲁棒回归建模各个方向的研究工作,并对比了两类鲁棒回归建模方法的优劣。最后,根据当前鲁棒回归建模存在的一些问题,也提出了构建鲁棒模型的几种可行的策略。     

基于鲁棒鉴别特征学习的图像特征提取算法

为了增强图像特征鉴别力和鲁棒性,获取图像紧致特征表达是关键.现有的图像特征学习方法大多采用最大化L2范数的方式定义,导致其对噪声和异常值十分敏感.针对这个问题,提出了一种基于L2,1范数的鲁棒鉴别特征学习算法.该算法在数据预处理中加入了类内聚拢操作,使得同类样本尽可能靠近,减小了类内异常样本以及强噪声样本的影响;此外,...     

一种极化鲁棒自适应子空间检测算法

提出一种高斯杂波和噪声背景下的极化鲁棒自适应检测算法.因阵列校正误差、波束指向误差等因素引起的目标标称导向矢量与真实的不一致,可能会导致检测性能下降.通过在目标标称导向矢量子空间增加一些矢量,提出一种基于子空间的对模型失配鲁棒的检测算法.仿真结果表明,当目标导向矢量误差较大时,算法仍能取得较好的检测性能.      

广义不确定线性系统的鲁棒H∞控制分析

本文研究一类具有范数有界参数不确定性广义线性系统的鲁棒H∞控制问题.基于线性矩阵不等式,给出广义不确定线性系统满足H∞-范数性能指标和正则、稳定且无脉冲模的一个充要条件.     

范数有界的鲁棒卫星姿态估计方法

针对现有卫星姿态鲁棒滤波器中计算量大、时变系统估计效果不理想的问题,将范数有界鲁棒滤波器应用于卫星姿态估计系统中.该方法将一部分系统模型误差视为系统的不确定度,降低了系统的建模难度.通过欧几里德范数确定状态的不确定度上界,对系统进行误差有界的鲁棒估计,保证了估计精度.仿真结果表明:在假设的不准确条件下,该鲁棒滤波器展现了良好的鲁棒性,其估计性能比传统扩展卡尔曼滤波(EKF)方法在三轴的估计精度(RMS)方面分别提高了11.21%,17.97%和38.13%.     

基于偏最小二乘分析和稀疏表示的目标跟踪算法

经典的基于子空间学习的跟踪方法通过主成分分析(principal component analysis, PCA)建立并更新目标的特征模型,只考虑目标的特征信息而忽视模型中每个样本的类别特征,从而降低了目标的跟踪精度。为此,提出一种基于偏最小二乘分析(partial least squares analysis, PLS)和稀疏表示的目标跟踪算法。通过PLS去分析关于目标与背景中纹理特征和类别信息之间的相关性,建立一个可区分的低维特征空间。将目标模板线性表示为所有目标候选的线性组合,当存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,通过L1范数最优化求解稀疏表示系数,根据最小的重构误差得到最优的目标位置。在多个视频场景下的实验结果展示了改进的跟踪算法具有较好的跟踪性能。     

一种多视角人脸姿态估计算法

基于独立子空间分析(ISA)技术，提出了一种多视角人脸姿态估计算法。给出了ISA视角子空间分析公式和有效的多视角子空间有监督学习算法。基于有监督学习的多视角人脸模型子空间学习算法，能够实现比无监督ISA学习算法得到更高的姿态估计精度。     

基于主成分分析和支持向量机的鲁棒稀疏线性判别分析方法

为了提高人脸图像的识别率、识别效率和鲁棒性,提出一种基于主成分分析（Principal Component Analysis, PCA）和支持向量机（support Vector machine,SVM）的鲁棒稀疏线性判别分析方法,通过ORL和YaleB人脸库、COIL20物体库和UCI机器学习库中部分数据集,将本文方法与线性判别分析、鲁棒线性判别分析、基于 范数和巴氏距离的鲁棒线性判别分析、鲁棒自适应线性判别分析和鲁棒稀疏线性判别分析等六种方法进行比较。实验结果表明,在ORL人脸库、COIL20物体库和UCI机器学习库的部分数据集中,在原始图像条件下,本文方法的识别率均值依次为92.80%,97.76%和89.61%,均高于其它5种方法。在YaleB人脸库加入椒盐噪声的条件下,本文方法的识别率均值为81.35%,比其它五种方法高1.37%以上。     

伪双曲方程一个非协调混合元方法超收敛分析

基于非协调EQrot1元和零阶R-T元针对伪双曲方程,建立了一个自然满足B-B条件的非协调低阶混合元逼近格式.借助单元插值算子的特殊性质、导数转移技巧和插值后处理技术,在半离散格式下给出了原始变量在H1-模和中间变量在L2-模意义下的O(h2)阶超逼近性与整体超收敛结果.同时,对于一个二阶全离散格式得到了原始变量H1-模的O(h2+τ2)超逼近性和中间变量L2-模的O(h+τ2)最优误差估计.     

Hebbian-based mean shift for learning the diverse shapes of V1 simple cell receptive fields

The L0-norm constraint in sparse coding has the advantage of producing the same diversity of receptive field shapes as physiology data,but is difficult for analysis.It remains a challenging issue to understand how the diverse shapes of V1 simple cell receptive fields emerge in visual cortex.This paper presents a biologically plausible learning algorithm,named Hebbian-based mean shift,for this problem.The L0-norm constraint optimizes the number of basis functions rather than their coefficients.We report that the optimization procedure is essentially a 0–1 programming of the selection of basis functions.By assuming that the basis functions are independently selected from a basis set,we find the spatial distribution of input samples containing a special basis function has a star shape and peaks at this basis function.Thus,learning the basis functions for sparse coding with the L0-norm can be interpreted as mode detection where the basis functions are the modes of the kernel density estimate.We employ mean shift to detect modes and prove that the updating rule for the mean shift is Hebbian.The simulation results demonstrate the robustness of the proposed algorithm in producing both Gabor-like and blob-like basis functions.     

基于时空视频块的背景建模

提出了一种基于时空视频块的背景建模方法,时空视频块同时包含空间表观信息和时间运动信息.一个给定的背景位置在所有可能光照条件下的时空视频块集中位于一个低维的背景子空间中,而运动前景的时空视频块散布在背景子空间外的整个高维视频块空间中,采用一种高效的在线子空间学习算法实时更新背景子空间的主成分,根据时空视频块到背景子空间的距离来区分背景时空视频块和前景时空视频块.实验结果显示,本文中提出的方法能够在光照剧烈变化、前景与背景对比度较低的情况下准确地检测出前景目标.     

Numerical simulation of tomographic-SAR imaging and object reconstruction using compressive sensing with L 1/2-norm regularization

By making use of multiple acquisitions of synthetic aperture radar （SAR） observations over the same area, tomographic-SAR （tomo-SAR） technology can achieve three-dimensional （3-D） imaging of the objects of interest. The compressive sensing （CS） approach has been applied to deal with the sparseness of the elevation signals. Due to its sparsity and convexity, the L1-norm regulariza- tion, as an approximated Lo-norm with an exact solution, has been employed in CS to reconstruct the reflectivity profile of the objects. In this paper, based on our studies on polarimetric scattering and SAR imaging simulations, we produce numerical multi-pass tomo-SAR observations of the terrain object. Then, we present the CS with novel L1/2- norm regularization to realize 3-D reconstruction. As a non-convex optimization problem, the L1/2-norm regularization is solved by an iterative algorithm. This numerical simulation of tomo-SAR imaging and 3-D reconstruction of the object modeling can be of great help for parameterized analysis of tomo-SAR imagery. As an example, a tomo-SAR image and 3-D reconstruction of the Beijing National Stadium model are presented.     

基于K-L变换的掌纹自动识别

掌纹自动识别是对基于生物统计学的身份鉴别的重要补充。论文尝试了对掌纹图像代数特征的提取 ,并设计了基于 K- L变换的掌纹自动识别方法。实验表明 ,这种方法能够取得很好的识别效果 ,即使对于低分辨率下的图像也有较高的识别率。在此基础上结合子空间法模式识别理论 ,提出了双子空间掌纹自动识别方法。并用双子空间对各类样本的空间分布进行了更加精细的刻画。然后采用分层最小距离分类器实现掌纹识别 ,使识别率和鲁棒性得到了进一步提高。     

一维双曲型方程动边界问题的全离散有限元格式和数值分析

研究了具有变动边界的一维区域上的双曲型方程的初边值问题;提出一类全离散有限元逼近格式,并证明了格式的稳定性。应用空间变量代换、引入椭圆投影及其他微分方程先验估计技巧,得到了最优阶的L~2模及H~1模收敛结果。     

线性Sobolev方程的H1-Galerkin混合有限元分析

采用H1-Galerkin混合有限元法对线性Sobolev方程初边值问题给出了半离散H1-Galerkin混合有限元格式,通过误差分析,得到了待求函数及其梯度函数的L2模、H1模和Lp模的最优阶误差估计.