基于混合神经网络的协同过滤推荐模型

数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络（convolutional neural network,CNN）和降噪自编码（denoisingauto-encoder,DAE）神经网络混合的神经网络评分预测模型（convolutional-denosing autoencoder,CDAE）对用户未评分项目进行预测评分,从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵,其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重,结合用户评分数据经过降噪自编码神经网络训练,得到用户-项目预测评分,然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐（convolutional-denosing autoencoder collaborative filtering,CDAECF）模型.实验证明,所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据,具有较高的推荐准确率.     

基于多任务支持向量机的健康数据融合方法

针对电子健康服务管理中的多源数据融合难题,利用人工智能技术,结合多任务学习理论与支持向量机理论提出基于多任务支持向量机的数据融合方法(multi-task support vector machine for data fusion,简称mSVMDF).该方法对具有相同数据源的特征向量构造基于支持向量机的融合模型,在多任务学习框架下考虑结构稀疏性与各模型关联性的有机结合,以实现对具有不同数据源个数的多源数据的融合,并以多源影像数据与常规检验数据融合为例,开展数值实验验证方法的有效性.实验结果表明mSVMDF方法可以有效地融合具有不同数据源个数的多源数据,同时该方法具有较好的分类性能与结构稀疏性.     

基于组稀疏的极化差分SAR层析成像方法

差分合成孔径雷达(synthetic aperture radar, SAR)层析成像通过多航过数据重建观测目标的后向散射系数和视线方向形变速率。将全极化与差分SAR层析相结合,针对城市建筑成像高程向稀疏的特点以及全极化数据反演中,信号稀疏支撑集相同的特点,提出将稀疏约束与组稀疏约束相结合的求解模型,用基于层次稀疏的阈值迭代方法进行求解。通过仿真实验和基于BioSAR 2007实测数据的半仿真实验验证,实验表明全极化差分SAR层析成像方法,重构结果相较于单极化,提高了高程向和形变速率精度,且有更好的鲁棒性,在信噪比为10 dB时,相较于单极化差分SAR层析成像方法,能更好恢复高程向信息和形变速率。     

基于S1／2建模的稳健稀疏-低秩矩阵分解

为实现稳健的稀疏-低秩矩阵分解,本文首次引入矩阵的S1／2范数以诱导矩阵的低秩性来构建新模型,并在ADMM算法框架下设计了高效的交替阈值迭代算法．该算法采用增广Lagrange乘子技术,在迭代过程中交替更新低秩矩阵和稀疏矩阵．由于这两个矩阵的最优更新具有显式形式、算法整体的计算精度和时间代价得以控制．大量的数值模拟实验说明：相较于目前最好的不精确ALM算法,交替闽值迭代算法的迭代次数与时间代价大幅降低,对噪声更为稳健,分解出的低秩矩阵的秩与稀疏矩阵的稀疏度更接近于真实值．在对监控视频进行背景建模这一实际问题中,交替闽值迭代算法得到的背景矩阵更为低秩,更符合问题先验,且时间代价相较于不精确ALM算法降幅高达一个数量级,这说明新模型与算法能有效解决相关实际问题．     

基于反馈机制的抗混合噪声的盲图像源分离方案

针对基于稀疏成分分析的盲图像源分离算法无法解决混合噪声问题,本文提出一种采用反馈机制的盲源分离算法.通过小波域稀疏成分分析和置零反馈的方法,逐次分离出各支路信号.实验结果表明,该方法无需大量的迭代运算,与传统稀疏成分分析法相比,能有效地分离高斯白噪声参与的混合图像,与经典快速独立成分分析法相比,取得了更高的分离精度.     

图像视频信号的压缩采样与稀疏重建

要视觉传感器通常不知道它们“看到”的现象之下的物理过程,以远远超出图像视频信号有效维度的Shannon／Nyquist采样率获取图像视频数据,从而导致了对图像视频信号的存储、传输等数字处理的巨大压力．压缩感知（compressivesensing,CS）理论表明：在某个线性变换域下稀疏的信号,可以利用少量的观测数据精确地重建,或在噪声情况下鲁棒地重建．压缩感知是实现图像视频信号有效维度采样的理论基础,为图像视频信号的采样、处理和识别等领域带来了前所未有的突破．本文对图像视频信号领域压缩感知面临的基本问题：压缩采样、稀疏重建模型及其优化求解算法的研究进展进行了综述．在采样方面,分析了图像视频信号随机观测矩阵和有结构观测矩阵的性能;在稀疏重建模型方面,从图像视频信号的稀疏先验性出发、介绍了分析型的重建模型和合成型重建模型的构建方法;在优化求解方面,针对重建模型,介绍了约束优化问题和无约束优化问题两类求解算法．以此为基础,分析了在图像视频领域压缩感知的理论与应用的进一步发展所面临的问题和挑战,展望了未来的发展方向．     

结合最近邻和拓展稀疏表示的SAR图像目标识别方法

为了精准地识别合成孔径雷达(Synthetic aperture radar, SAR)图像中的不同目标,该文提出了一种结合最近邻和拓展稀疏表示的分类(Nearest neighbor and extended sparse representation classification, NNSRC)方法。首先对图像进行预处理,抑制斑点噪声,归一化图像以保持有用的信息;接着采用二维主成分分析法来提取图像的特征向量,根据识别能力选取特征向量;最后判断SAR图像目标的类别。NNSRC方法拓展了稀疏表示模型,有效解决已有SAR图像识别方法处理噪声、遮挡问题效果差,以及求解稀疏系数速度慢的问题。标准SAR数据集上的实验结果显示,该文提出的NNSRC方法识别率达92.9%,与其他方法综合对比表明,NNSRC方法具有更加良好的性能。     

基于导航网格的三维空间表示

为了给智能体提供导航信息,必须使用简单的数据结构来表示虚拟环境.针对当前主流的方法存在的缺陷,提出了导航网格的表示方法.其基本思想是把三维场景简化为二雏平面,使用可通行平面表示三维空间.首先介绍了导航网格的构建方法和组织管理,然后从智能体学习和全局预处理两种途径说明了如何在离散的导航网格上根据可达关系自动建立连通图,最后介绍了使用碰撞检测处理技术来获取无碰撞的可通行面的方法.可以看出导航网格不失为一种满足三维空间规模化和智能化的要求的简单高效新方法.     

贝叶斯网和MAS在生态工业园中的应用初探

Agent在MAS中的行为在很多方面类似于生物在自然环境中的生态行为,因此,从生态系统角度,基于生态特征研究MAS的工业进化模型是很有意义的,对解决生态工业系统的优化控制有着引人注目的现实意义和发展前景.应用贝叶斯技术和贝叶斯网络为智能Agents和多Agent系统所提供的数学框架和处理工具,可有效地解决Agent研究领域所遇到的知识表示、学习和行为决策问题.生态工业系统中的每个企业可以建模为智能Agent.提出一种基于贝叶斯网的方法来对各企业Agent之间的协作关系进行建模.该方法能有效表达各企业Agent的行为策略之间的因果关系,进而可以对生态工业系统中各企业在不同情况下采取的行为策略进行预测和决策,使得整个生态工业系统的经济效益、社会效益和环境效益达到最优化.     

基于遗传算法的混叠式非正交多址接入方法

为了提高稀疏码多址接入(sparse code multiple access,SCM A)系统的资源利用率,提出一种基于遗传算法的混叠式非正交多址接入(non-orthogonal multiple access,NOMA)方法.该方法利用NOMA的过载特性,允许相同的资源单元同时混叠承载调度接入和随机竞争接入业务,...