基于Metaface字典学习与核稀疏表示的人脸识别方法

完备的稀疏表示方法近年来应用在人脸识别中并取得较好的结果,它可以仅利用样本的随机投影完成对测试样本的识别。在实际应用中,由于受光照、遮挡等因素的影响,测试样本并不能通过训练样本的线性组合得到很好的稀疏重构。本文提出了基于Metaface字典学习与核稀疏表示的人脸识别方法,借助核技巧,将数据样本和字典集映射到高维的未知空间,以解决特征的非线性相似问题。在核空间对数据样本进行稀疏重构,得到数据在核空间的一种简洁的稀疏表达方式从而提高识别率,而Metaface字典学习框架的引入可以得到更加精炼的字典,从全局上提高识别率。通过在ORL人脸库、Yale人脸库和AR人脸库的实验表明,同等情况下,本文提出的方法优于PCA,SVM,SRC等方法,进一步提高了人脸识别率,具有较好的应用价值。     

CWDM传输网的设计与实现

CWDM(Coarse Wavelength Division Multiplexing)系统,即稀疏波分复用系统.作为一种经济实用的中短距离WDM系统,在传输网应用中越来越受到大家的认可并己经实用化.CWDM可应用于中短距离传输网和城域接入网,同时还可以应用于中小城市的城域核心网,在我国的实际应用中非常有前途.本文笔者重点研究城域网和中短离传输网CWDM点对点光纤传输系统的主要原理,以及实现相关硬件设计与系统方案.     

基于核拉普拉斯稀疏编码的图像分类

使用稀疏编码解决计算机视觉问题可以取得良好的效果.然而,以往的稀疏编码都是在原始特征空间进行.受核方法可以获得特征的高维非线性映射的启发,扩展了拉普拉斯稀疏编码(LSc),提出了核拉普拉斯稀疏编码(KLSc),它可以降低特征量化误差,增强稀疏编码的性能.在3个标准数据集上的实验结果表明,所提出的基于KLSc的图像分类算法具有良好的分类效果,分类正确率优于LSc.     

稀疏分解在信号处理中的应用

稀疏分解和稀疏表示是信号处理的新方法,有着广泛的应用。本文主要介绍稀疏分解在信号去噪、弱信号检测、频率估计和盲源分离等信号处理中的应用。     

稀疏码多址接入系统中基于分层编码的多播资源分配算法

稀疏码多址接入(sparse code multiple access,SCMA)技术被认为是一种能有效提高频谱效率的技术。将稀疏码多址接入技术应用于无线多播通信中可以扩展多播系统的容量。对多播系统的容量进行了推导,采用分层编码技术应用在SCMA系统的多播传输中,使得系统容量不再受限于多播系统中最差用户的信道质量,采用资源分配算法来最大化多播系统容量。为了减少最优化问题的计算复杂度,又提出了快速次优化算法(fast suboptimal algorithm, FSA),该算法分为码本分配和功率分配2个阶段。仿真结果显示,提出的快速次优化算法在SCMA系统中的多播系统功效要优于正交频分多址接入(orthogonal frequency division multiple access, OFDMA)系统中的多播系统功效。并且,在SCMA系统和OFDMA系统中,提出算法的系统功效都要远优于传统多播(conventional multicast, CM)策略的系统功效。     

基于信号空间压缩感知算法的机械故障诊断

为了解决压缩感知（CS）重构算法通过重构稀疏系数求解原始信号的重构精度不高的问题,提出一种基于信号空间的压缩采样匹配追踪算法。首先在冗余字典中求解原始信号的最优表示空间,然后在最优表示空间中利用迭代算法直接求解原始信号,最后以轴承故障振动信号为例进行实验验证。结果证明本文算法提高了信号的重构精度,可以为增强机械振动信号的故障检测能力提供依据。     

分块稀疏矩阵因子表的修正

结合稀疏矢量法中因子分解道路的概念，研究了对６×ｂ分块稀疏矩阵的因子表进行 直接修正及部分再分解的算法，在电力系统计算中两种算法能显著提高计算速度。在各 类与稀疏矩阵有关的工程问题中，本文导出的算法同样具有非常广泛的应用前景。     

基于多形态学成分分析的图像融合

将多尺度分解与稀疏表示相结合,提出了一种基于多形态学成分分析（MCA）的图像融合算法。采用基于联合稀疏表示（JSR）的方法融合卡通子图像中的冗余和互补信息,并利用基于方向特征的方法融合具有更多细节信息和噪声的纹理子图像。结果表明,提出的图像融合算法在主观视觉效果和客观评价指标上均优于先进的图像融合算法。     

基于贪婪算法获取稀疏表示探讨研究

本文给出一个反例,指出在一般的字典中,稀疏表示中正交匹配搜索（OMP）算法不能得到测量的最稀疏信号,从而说明匹配搜索、正交匹配搜索等贪婪算法在稀疏表示中不能保证每一个测量能得到信号的最稀疏表示.     

分组训练卷积字典的图像去噪算法

卷积稀疏编码(convolutional sparse coding,CSC)这一全局模型因字典的特殊结构而受到广泛关注,其中卷积字典学习算法(slice-based dictionary learning,S-BCSC)是最为有效的CSC模型优化算法.虽然S-BCSC算法非常有效,但算法在应用中对整幅图像只使用一个固定大小的字典,然而这并不利于图像信息的准确描述.为克服这一缺陷,讨论如何根据图像大小确定卷积字典大小,结合稀疏表示字典学习算法,提出分组训练卷积字典的图像去噪算法.新算法首先将过冗余图像块按照平滑、纹理、边缘分为三类;然后为每一类分别确定所要训练的卷积字典大小;最后依据S-BCSC算法完成字典学习以及图像去噪过程.从实验结果可以看出,所提算法在图像质量、清晰度上相比原S-BCSC算法都有所提升.