胞腔同调边缘学习算法研究

边缘划分问题是数据分析的核心问题之一.针对晶体数据的边缘分类问题,引入同调论的思想,提出了胞腔同调边缘算法和正则胞腔同调边缘学习算法及上同调边缘学习算法,并将其应用于晶体结构预测和分类.鉴于晶体数据满足对称群的基本性质,引用同调代数的方法从机器学习的角度来研究数据的边缘分类问题.为了从不同角度构造分类模型,先从相对同调边缘展开为局部同调和定向同调,再深入到上同调边缘算法和腔胞同调边缘算法,由着重系数定理扩展到正则胞腔同调,进而延伸至相对流形.仿真结果表明了算法的有效性.     

邻域同调学习算法

目前已有的边缘学习算法对边缘可变的数据划分问题存在一些不足,这些算法在分类过程中不能有效地保证数据的结构特征不变。因而文章首先通过引进同调代数中的单形划分理论,从机器学习的角度对分类问题中的边缘划分进行研究,提出了一种邻域同调学习算法。算法给出了图形的邻域复形的构造方法和判断2个给定图形相似性的判定标准。最后通过在USPS_ALL手写数字集数据库和MPEG7 CE图像库上与SVM、TVQ算法的对比实验验证了本算法的有效性。     

基于边缘连续性的边缘检测算法

针对传统的边缘检测算法抗噪能力弱、弱小边缘难以检测以及边缘图像容易出现断层等问题,本文提出了一种新的边缘检测算法。该方法首先对边缘进行提取,然后进行边缘连接。边缘是图像灰度突变的反应,像素点的梯度以该像素点为对称中心,由对称位置灰度有明显变化的像素点的个数加权得到。对梯度较大的像素点计算其方向,通过像素点方向的连续性进行边缘提取。为了克服边缘图像出现断层的缺陷,利用蚁群算法进行边缘连接 。实验结果表明,该方法有较强的抗噪能力,尤其对椒盐噪声,且可以有效地检测出灰度变 化不明显的边缘。     

一种新的漫射边缘亚像素检测算法

分析了漫射边缘的特征及其在亚像素边缘检测中存在的主要问题,针对目前亚像素边缘检测算法不适于漫射边缘的亚像素检测的问题,提出了一种新的针对漫射边缘的亚像素边缘检测算法.该算法充分利用了漫射边缘中的有效信息,在计算上具有通用性及简易性.同时,引入了高斯卷积平滑的预处理方法及Sobel算法对图像像素进行粗筛选,从而进一步提高了该算法的计算速度和精度.并且通过实验,验证了该算法的有效性及优越性,并分析了误差产生的原因.     

一种改进的Canny边缘检测算法

本文介绍了基于最优化理论的Canny算法在图像边缘检测中的实现,并且提出了传统Canny算法在边缘检测中所存在的问题和不足,在此基础上,本文对传统的Canny算法进行了相应的改进.改进算法采用了四阈值边缘检测方法定位边缘,同时对噪声也有明显的抑制作用,实验结果证明了改进算法的可行性和有效性,同时也提出了今后的研究方向.     

一种改进的InSAR干涉图像边缘检测算法

SUSAN算法在对InSAR图像进行边缘提取的过程中存在诸多问题,譬如将条纹边缘和噪声边缘一并检测出来,缺乏鉴别噪声并有效去除噪声边缘的正确识别方法。鉴于算法在检测过程中存在的问题,对其提出改进性研究。结果表明改进算法相对更好的得到了边缘信息。     

具有边缘缓存机制的混合启发式任务卸载算法

边缘计算因其与用户物理距离短、响应速度快等特点,被认为是可以解决未来大规模网络计算资源不足等问题的关键技术之一。在多进多出的边缘计算环境下,通过将部分服务缓存到边缘节点可以降低用户请求任务的执行时间。但以往工作或假设边缘节点具有无限的缓存空间,或忽略当前缓存列表和缓存替换机制对任务卸载的影响,导致卸载决策失效或任务执行时间变长。面向具有缓存机制的边缘计算环境,提出一种基于整数编码的混合启发式任务卸载算法IPSO＿GA,将任务卸载问题建模为一个混合整数非线性规划问题。结合粒子群优化和遗传算法,使各粒子通过交配运算和变异运算不断寻优,在合理的时间复杂度内搜索任务卸载决策。实验结果表明,与随机算法、贪心算法、平均算法等经典算法和目前较新算法相比,IPSO＿GA算法在设备数量居中环境中的任务执行时间减少了58%～298%,能适用于设备数量多、计算密集的边缘计算环境。     

图像边缘检测算法的研究和仿真

研究图像边缘检测问题,由于图像分割过程产生噪声和丢失边缘信息造成图像质量差。传统检测没有考虑到图像边缘局部结构信息,只是根据前像素点和相邻像素点之间关系来进行边缘检测,不能很好的抑制噪声,易获得断裂的边缘,导致边缘检测精度较低。为提高图像边缘检测精度,提出一种采用遗传算法的图像边缘检测算法。综合考虑局部结构信息和像素点之间关系的基础上,将边缘检测问题转成一种优化问题,然后采用遗传算法对该问题进行求解。仿真结果表明,相对于传统检测算法,遗传算法提高了图像边缘检测精度,克服传统算法存在的缺陷,稳定性更高,抗噪性能更优。     

二变量边缘分布算法及其性能研究

该文研究二变量边缘分布算法,着重讨论了算法的快速实现问题。在此基础上,利用测试函数分析了算法求解问题的能力。实验结果表明,算法具有较好的性能。     

基于腐蚀算法的图像边缘检测的研究与实现

边缘提取与检测在图像处理与识别中占有很重要的地位,其算法的优劣直接影响着所研制系统的性能.现有诸多边缘检测的方法各有其特点,同时也都存在着各自的局限性和不足之处,因此图像的边缘检测这个领域还有待进一步的改进和发展.提出一种用迭代算法求图像分割最佳阈值和运用数学形态学的腐蚀算法实现轮廓提取相结合的图像边缘精确检测算法,并给出仿真实例,与传统的边缘检测算子Laplacian-Gauss算子、prewitt算子和canny算子相比较,算法具有检测精度高和抗干扰能力强的优点.     

新的软间隔AdaBoost弱分类器权重调整算法

为避免硬间隔算法过分强调较难分类样本而导致泛化性能下降的问题,提出一种新的基于软间隔的AdaBoost-QP算法。在样本硬间隔中加入松弛项,得到软间隔的概念,以优化样本间隔分布、调整弱分类器的权重。实验结果表明,该算法能降低泛化误差,提高 AdaBoost算法的泛化性能。     

Efficient parallel processing of competitive learning algorithms

Vector quantization (VQ) is an attractive technique for lossy data compression, which has been a key technology for data storage and/or transfer. So far, various competitive learning (CL) algorithms have been proposed to design optimal codebooks presenting quantization with minimized errors. Although algorithmic improvements of these CL algorithms have achieved faster codebook design than conventional ones, limitations of speedup still exist when large data sets are processed on a single processor. Considering a variety of CL algorithms, parallel processing on flexible computing environment, like general-purpose parallel computers is in demand for a large-scale codebook design. This paper presents a formulation for efficiently parallelizing CL algorithms, suitable for distributed-memory parallel computers with a message-passing mechanism. Based on this formulation, we parallelize three CL algorithms: the Kohonen learning algorithm, the MMPDCL algorithm and the LOJ algorithm. Experimental results indicate a high scalability of the parallel algorithms on three different types of commercially available parallel computers: IBM SP2, NEC AzusA and PC cluster.     

Fisher和支持向量的综合分类器

结合Fisher判别分析和支持向量机的优点,提出了一种新的分类算法—Fisher-SV分类器（简称FSVC）。该分类器的核心思想就是寻找最优分类面的法向量w*,使得样本向量在w*上做投影后,不仅使分类间隔达到最大,而且使类内离散程度尽可能小。对于线性情况,可以转化为传统的支持向量机求解,而不需要设计新的求解算法。对于非线性情况,利用再生核理论得出新的求解算法。实验结果表明,该分类器具有很高的准确度和可靠性。     

支持向量机训练算法综述

本文介绍统计学习理论中最年轻的分支——支持向量机的训练算法，主要有三大类：以 SVMlight为代表的分解算法、序贯分类方法和在线训练法，比较了各自的优缺点，并介绍了 其它几种算法及多类分类算法．最后指出了支持向量机具体实现的方向及其在模式识别、数 据挖掘、系统辨识与控制等领域中的应用．     

最小类内方差支持向量引导的字典学习

支持向量引导的字典学习算法依据大间隔分类原则,仅考虑每类编码向量边界条件建立决策超平面,未利用数据的分布信息,在一定程度上限制了模型的泛化能力.为解决该问题,提出最小类内方差支持向量引导的字典学习算法.将融合Fisher线性鉴别分析和支持向量机大间隔分类准则的最小类内方差支持向量机作为鉴别条件,在模型分类器的交替优化过程中,充分考虑编码向量的分布信息,保障同类编码向量总体一致的同时降低向量间的耦合度并修正分类矢量,从而挖掘编码向量鉴别信息,使其更好地引导字典学习以提高算法分类性能.在人脸、物体和手写数字识别数据集上的实验结果表明,在大部分样本和原子数量条件下,该算法的识别率和原子鲁棒性均优于K奇异值分解、局部特征和类标嵌入约束等经典字典学习算法.     

η-one-class问题和η-outlier及其LP学习算法

用SVM方法研究one-class和outlier问题．在将one-class问题理解为一种函数估计问题的基础上，作者首次定义了η-one-class和η-outlier问题的泛化错误，进而定义了线性可分性和边缘，得到了求解one-class问题的最大边缘、软边缘和v-软边缘算法．这些学习算法具有统计学习理论依据并可归结为求解线性规划问题．算法的实现采用与boosting类似的思路．实验结果表明该文的算法是有实际意义的．     

支持向量机理论与基于规划的神经网络学习算法

近年来支持向量机（SVM）理论得到国外学者高度的重视,普遍认为这是神经网络学习的新研究方向,近来也开始得到国内学者的注意。该文将研究SVM理论与神经网络的规划算法的关系,首先指出,Vapnik的基于SVM的算法与该文作者1994年提出的神经网络的基于规划的算法是等价的,即在样本集是线性可分的情况下,二者求得的均是最大边缘（maximal margin)解。不同的是,前者（通常用拉格郎日乘子法）求解的复杂性将随规模呈指数增长,而后者的复杂性是规模的多项式函数。其次,作者将规划算法化为求一点到某一凸集上的投影,利用这个几何的直观,给出一个构造性的迭代求解算法－－“单纯形迭代算法”。新算法有很强的几何直观性,这个直观性将加深对神经网络（线性可分情况下）学习的理解,并由此导出一个样本集是线性可分的充分必要条件。另外,新算法对知识扩充问题,给出一个非常方便的增量学习算法。最后指出,“将一些必须满足的条件,化成问题的约束条件,将网络的某一性能,作为目标函数,将网络的学习问题化为某种规划问题来求解”的原则,将是研究神经网络学习问题的一个十分有效的办法。     

可扩展机器学习的并行与分布式优化算法综述

机器学习问题通常会转换成一个目标函数去求解,优化算法是求解目标函数中参数的重要工具.在大数据环境下,需要设计并行与分布式的优化算法,通过多核计算和分布式计算技术来加速训练过程.近年来,该领域涌现了大量研究工作,部分算法也在各机器学习平台得到广泛应用.本文针对梯度下降算法、二阶优化算法、邻近梯度算法、坐标下降算法、交替方向乘子算法五类最常见的优化方法展开研究,每一类算法分别从单机并行和分布式并行来分析相关研究成果,并从模型特性、输入数据特性、算法评价、并行计算模型等角度对每个算法进行详细对比.随后对有代表性的可扩展机器学习平台中优化算法的实现和应用情况进行对比分析.同时对本文中介绍的所有优化算法进行多层次分类,方便用户根据目标函数类型选择合适的优化算法,也可以通过该多层次分类图交叉探索如何将优化算法应用到新的目标函数类型.最后分析了现有优化算法存在的问题,提出可能的解决思路,并对未来研究方向进行展望.     

约束Delaunay三角剖分中强行嵌入约束边的多对角线交换算法

在不允许改变原有点集的场合,实现约束Ｄｅｌａｕｎａｙ 三角剖分的一种有效算法是：将边界点与内点一起进行标准Ｄｅｌａｕｎａｙ 三角剖分,然后强行嵌入不在剖分中的约束边,最后删除域外三角形．其中,任意一条待嵌入约束边所经三角形构成的多边形区域称为该约束边的影响域,影响域内部的每条边称为对角线．文中对一般形状影响域中对角线的可交换性进行了研究,并在此基础上,结合对已有算法的分析和借鉴,提出并证明了两种强行嵌入约束边的多对角线交换算法,即递减算法与循环算法．其中的循环算法具有编程简单和运算速度快的特点     

基于选择性集成的最大化软间隔算法

当前,boosting集成学习算法研究主要集中于最大化弱学习器凸组合的间隔或软间隔,该凸组合几乎使用了生成的所有弱学习器,然而这些弱学习器间存在大量的相关性和冗余,增加了训练和分类过程的时空复杂度.针对这一问题,在LPBoost基础上提出了一种选择性boosting集成学习算法,称为SelectedBoost.在每次迭代生成新的弱学习器以后,通过计算新生成的弱学习器与已有弱学习器的相关度和差异度,并结合当前集成的强学习器的准确率来判断是否选择该弱学习器.另外,当前的一系列boosting算法(如AdaBoost,LPBoost,ERLPBoost等),本质上是基于已生成的1个或者多个弱学习器来更新样本权重,但与弱学习器相比,强学习器更能代表当前的决策面.因此,SelectedBoost通过在带约束的间隔最大化问题中引入更加严格的强学习器边界约束条件,使得该算法不仅参考弱学习器边界,同时还参考已生成的强学习器来更新样本权重,进而提高算法的收敛速度.最后,与其他有代表性的集成学习算法进行实验比较,结果表明,该方法在收敛率、分类准确性以及泛化能力等方面均具有比较明显的优势.