基于面向对象的专家系统设计方法研究

首先介绍了面向对象的思想,分析了专家系统的特征,在此基础上指出了面向对象技术用于建造专家系统的适宜性;然后给出了面向对象知识表示的一般方法,并阐述了基于面向对象技术的专家系统中的３种推理方法;最后给出了１个应用实例     

挖掘专家知识

介绍了在收集专家知识中,采取对象分类,从代表性对象的最底层子类对象开始,依次进行知识的收集．将领域专家知识分为基本知识和原则知识,用基本知识进行表达,给专家知识添加边界条件和对专家知识的功能模拟．这样可加快收集专家知识的速度,所收集的专家知识全面、有效,也便于知识库的组织和推理效率的提高．     

基于块稀疏的频率分集阵MIMO二维参数估计

针对导向矢量时变导致频率分集阵列-多输入多输出(MIMO)雷达参数估计误差增大的问题,提出一种基于块稀疏的距离和角度参数联合估计方法.首先,就导向矢量时变性对参数估计性能的影响进行了理论分析;然后,通过公式推导证明了块稀疏理论在频率分集阵MIMO雷达参数联合估计中的适用性,并提出了基于块稀疏的参数联合估计方法,给出了参数估计的具体流程;最后,通过仿真对参数估计性能进行了分析.理论分析及仿真结果表明:基于块稀疏的参数联合估计方法可实现单次快拍下多目标距离和角度参数的联合估计,估计能力优于传统谱估计方法;在单目标和单快拍条件下,所提算法精度与二维ESPRIT和二维MUSIC算法相比,基于稀疏字典估计的参数精度优于两算法,而基于系数向量估计的参数精度介于两算法之间.     

利用MLT和SRS的混合图像融合与去噪算法

针对图像融合中的去噪声问题,提出一种基于多尺度变换(MLT)和信号稀疏表示(SRS)的混合图像融合与去噪算法,构建混合模型进行剪切变换,阈值化处理MLT分解后的各个系数值,运用滑动窗口技术和平移不变性形成稀疏表示进行图像融合,运用SRS算法去除源图像中的噪声.实验结果表明该算法减少了融合图像的对比度和光谱信息失真情况,显示出高质量的视觉融合效果,在不同噪声水平下能保持较高的PSNR值.     

基于压缩表示的实例分割方法

针对目前实例分割领域掩膜表示高复杂度的问题,提出一种新的图像实例掩膜表征方法,使用3个不依赖于任何先验信息的表征单元表示并预测掩膜,且以非线性解码的形式复原掩膜,该方法可显著降低图像实例掩膜的表示复杂度和推理运算量.基于这种表示方法,构建一个高效的单阶段实例分割模型,实验结果表明,相对于其他单阶段实例分割模型,该模型在保证时间开销基本相同的情况下能获得更好的性能.此外,将该表征方法以最小改动嵌入经典模型BlendMask以重建注意力图,改进的模型相对于原模型的推理速度更快,掩膜平均精度提升1.5%,表明该表征方法通用性较好.     

基于面部边缘细节的局部遮挡人脸图像识别

为解决人物面部遮挡情况下识别人脸信息不清楚的缺陷,优化人脸识别系统,提出了基于面部边缘细节的局部遮挡人脸图像识别方法。依据稀疏性表达对人脸图像去噪,根据图像灰度变换原理检测人脸图像边缘,分割边缘区域,计算其阈值以得到人脸图像边缘信息。标记人脸特征点增强信息识别精度,提取人脸图像的特征描述子,并将其输入支持向量机模型中,通过训练实现局部遮挡人脸图像识别。实验结果表明,该方法应用于人脸图像识别平均识别率高于73%,识别时间低于20 s。     

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。     

融合双重注意力机制的多源深度推荐模型

针对评分数据稀疏导致协同过滤算法推荐质量下降的问题,通过充分挖掘评论信息增强推荐性能,提出了一种融合双重注意力机制的多源深度推荐模型(MSDA)。该模型基于评分数据、用户评论集和商品评论集3个信息源进行推荐,结合卷积神经网络和双重注意力机制挖掘评论文本特征,利用神经因子分解机进行评分和评论特征之间的高阶非线性交互,从而实现评分预测。实验结果表明,相比于NeuMF、NARRE、HRDR等先进基准方法,MSDA显著提升了模型的评分预测性能。     

稀疏字典学习海面微弱动目标检测

针对强海杂波背景下微弱动目标信号提取困难、雷达检测性能差的问题,在稀疏表示理论的基础上,提出利用字典学习算法抑制海杂波、重构目标信号。该算法通过K类奇异值分解（K-singular value decomposition,K-SVD）算法学习海杂波和目标的稀疏域主成分特征,得到相应的学习字典,抑制海杂波并对目标信号稀疏重建,解决了以往固定字典与高海况下雷达回波匹配度低、目标信号提取效果差的问题;并通过算法参数的分析和优化,进一步提高了算法性能和工程实用性。基于实测数据的实验结果表明,相比传统检测方法,所提算法能够有效检测高海况下微弱动目标,显著提升检测性能。     

基于捷变频联合数学形态学的干扰抑制算法

数字射频存储器(digital radio frequency memory, DRFM)通过截获雷达发射信号并对其进行调制和转发,在距离维上形成欺骗式干扰,严重影响了雷达对目标的检测与跟踪。针对这一问题,提出一种捷变频联合数学形态学的密集假目标干扰抑制算法。首先,采用最大类间方差法(Otsu)对脉冲压缩后的数据进行二值化处理。然后,通过数学形态学中的开运算抑制干扰和噪声。最后,通过二维稀疏重构获得距离-速度二维高分辨,实现对目标的检测。仿真实验与实际雷达和干扰机对抗实验表明,该方法可以获得良好的抗干扰性能和目标检测性能。