基于局部线性嵌入(LLE)非线性降维的多流形学习

为了研究多人脸多表情数据集的多流形学习问题,提出了一种基于局部线性嵌入(LLE)算法的多流形学习方法.对于分布在不同流形上的高维数据,该方法在降维的同时首先对数据集进行非监督的聚类,然后分析每一类数据的低维流形的本质维数以及流形空间的构成,聚类及流形空间的确定是通过对LLE降维的结果进行分析而完成的,计算复杂度小.在Cohn-Kanade人脸表情数据库上的表情识别实验表明,该方法在多人脸多表情流形的学习中优于基本的LLE算法,表情的识别率提高了20%～40%.     

新型16位单片机在嵌入式语音系统中的应用

介绍了一种新型的16位单片机(SPCE061A)在嵌入式语音系统中的应用。首先简单介绍SPCE061A的性能和优点,然后对传统方式下嵌入系统语音功能的实现方法与采用SPCE061A在嵌入系统中语音功能的实现方法进行对比。SPCE061A具有多种语音处理功能,使嵌入系统中的语音应用开发变得方便、快捷。     

K-Means聚类中心最近邻推荐算法

针对KNN算法在处理推荐系统由稀疏性问题所造成的计算复杂度较大以及评分估计值有误差等问题,本文提出了K-Means聚类中心最近邻推荐算法,首先对初始数据集进行聚类运算,然后找出数据集的聚类中心;其次寻找每个用户所属的聚类中心,将聚类中心代替目标用户放入KNN算法中寻找用户的最近邻;最后做出评分预测.同时又考虑到目标用户...     

视频人脸识别中基于聚类中心LLE的特征相似性融合方法

针对大部分现有视频人脸识别方法通常仅利用代表性范例或图像集而较少研究有效融合的问题,提出了一种基于聚类中心特征相似性融合方法。首先,使用局部线性嵌入从原始数据空间学习低维嵌入,并利用STHAC算法将投影划分为LLE特征空间聚类;然后,从基于局部外观的聚类中得到特征相似性,在贝叶斯最大后验概率分类框架中对范例点和聚类子空间进行相关相似性匹配;最后,借助于范例重要性概率完成人脸的识别。在视频人脸数据集CMU Mobo、Honda/UCSD和ChokePoint上的实验验证了所提方法的有效性,实验结果表明,相比几种传统的方法,所提方法取得了较高的识别精度和较低的计算复杂度。     

基于图卷积的计算机辅助设计模型分类

计算机辅助设计(CAD)模型是一种带有顶点信息和网格信息的三维数据,三维模型数据存储方式常见的有点云、体素、网格模型等是典型的非欧氏空间数据。为了改进现有方法利用深度学习训练CAD模型的分类时,常有丢失局部信息或局部信息提取不足的情况。针对这种非欧氏空间的CAD数据,提出了一个结合CAD数据本身特点的基于图卷积的分类模型。首先通过图卷积网络(GCN)计算顶点的邻接矩阵和顶点的度矩阵。针对CAD模型的特点提出了不同于K近邻(KNN)的方法,直接根据CAD模型面片信息构建计算所需的邻接矩阵。其次,图卷积网络可以聚合邻近顶点的信息,设计通过拼接两层图卷积网络来提取不同尺度的局部特征。结果表明:在ModelNet40 CAD模型数据集上,若采用CAD模型面片信息建图的方法,本文方法为91.2%。而采用KNN建图的方法虽然比PointNet++模型低1%的精确度,比KD-NET模型低0.9%的精确度,但参数量要比PointNet++减少0.54 MB,比KD-NET减少6.54 MB。可见本文模型结合了CAD模型的特点和图卷积聚合邻接顶点提取局部信息的优势,使得分类的精确度相比PointNet++提高0.6%,用更少的模型参数量得到了更高的分类精确度。     

结合视觉加权和分组的改进EZW算法

根据人眼视觉特性,对小波子带进行视觉加权处理.通过整除求余,将视觉加权后的小波系数分组、缩小,以加快逐次逼近量化的进程.并取消EZW算法中的辅扫描过程,由此编码的时间复杂度得以降低.通过仿真试验对比,改进的EZW算法在峰值信噪比、编码时间以及复原图像的视觉效果方面,都有较大改善.     

粗模糊集的α-嵌入

利用模糊集的嵌入理论,提出粗模糊集嵌入的概念,讨论粗模糊集的结构,给出粗模糊集的嵌入并-分解和嵌入-交分解.     

基于工作嵌入的高科技人才多路径离职模型构建与实证分析

科技人才离职率攀升是当今企业面临的重大挑战。传统的离职理论与模型,已经不能满足预测及防范科技人才离职风险的需要。从工作嵌入的角度,构建多路径的结构方程离职模型,分析科技人才离职原因及其影响因素,并提出降低科技人才离职风险的优化策略。     

一类三维非线性拟抛物方程

本文研究了一类三维非线性拟抛物方程初边值问题,用Galerkin方法作问题的近似解,用能量积分作出近似解及其各阶导数的积分估计,结合Sobolev嵌入定理证明了广义解的存在唯一性。     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.