基于分段加权的点积相似度方法研究

针对信噪比较低或因噪声干扰造成的谱图质量较差时,传统加权点积方法由于不能有效利用谱峰分布规律和不同质量区间谱峰在谱图识别中的作用而易出现相似度较低、假阳性或假阴性等问题,提出了基于分段加权的点积相似度方法。首先利用谱峰的分布规律合理地确定各个质量区间的范围,依据不同的质量区间在谱图识别中的作用设置不同的质量数(mass/z)权重值和丰度权重值,然后按赋予的权重值计算谱图相似度,以甲基磷酸二甲酯谱图为例研究了合理确定各分段权重的方法。采用该方法在NIST08标准参考谱库(191 000张谱图)中检索1000多张谱图的准确性实验表明,与传统加权点积方法相比谱图识别的准确度提高了16.2%;通过质谱仪得到样品的实测谱图在参考谱库中检索结果表明,该方法能有效提高谱图匹配的相似度和准确度,与传统加强点积方法相比,不同浓度的八氟奈谱图相似度平均提高了2.3%;采用该方法处理同分异构体化合物,如邻二甲苯数据时,提高了相似化合物的选择性。     

基于训练集聚类的加权KNN算法研究

针对传统K-最近邻(K-Nearest Neighbor,KNN)算法在数据量较大时分类效率较低的问题,提出一种基于训练集聚类的加权KNN算法,通过模糊C均值(Fuzzy c-means,FCM)算法将训练集聚类,当有待测样本需要分类时,根据待测样本与各个类的位置关系快速查找k个最近邻,缩减了计算量,提出的算法还通过加权来减小k值的选择对分类结果的影响,经过数值实验验证了算法分类的准确性更好。     

基于有序加权算子赋权的基坑工程项目管理绩效可拓评价研究

构建基坑工程项目管理绩效评价指标体系,采用有序加权方法赋权评价指标,通过物元分析法计算各评价指标关于评价等级的评价等级特征值和关联度,由单目标评价取代多目标评价,从定量角度评价管理绩效。     

基于分段加权的反向稀疏跟踪算法研究

为提高稀疏表示跟踪模型性能，提出一种分段加权的反向稀疏跟踪算法，将跟踪问题转化为在贝叶斯框架下寻找概率最高的候选对象问题，构造不同的分段权重函数来分别度量候选目标与正负模板的判别特征系数。通过池化来降低跟踪结果的不确定性干扰，选择正负模板加权系数差值最大的候选表示作为跟踪结果。实验表明，在光照变化、遮挡、快速运动、运动模糊情况下，所提出的算法可以确保跟踪结果的准确性和鲁棒性。     

集装箱箱号字符识别关键技术的研究

文中主要以集装箱箱号识别为研究对象,在对现有的集装箱照片进行预处理以及定位的基础上,实现箱号的准确识别。主要论述影响字符识别各种关键因素,并且在传统模板匹配的基础上,提出全新的加权模板匹配法和字符结构相结合的识别方法。该方法并不是将36个字符用统一的模板进行匹配识别,而是根据字符结构进行分类,每类都会予以不同的权值分配模板。字符结构是一种二级识别,两种方法相结合很好地实现了对断裂、粘连以及倾斜字符的识别。最后通过理论分析和实验证明了该方法的有效性,并给出了需要进一步研究的问题。     

加权特征融合的密集连接网络人脸识别算法

在非约束条件下人脸识别常受到表情变化、视角偏差、不同程度的遮挡和曝光等各种综合因素的影响;并且深度卷积神经网络几乎都存在参数过多,训练时梯度扩散或消失等问题。针对上述问题,提出了FuseNet网络模型。该模型有效地利用了人的眼睛、鼻子、嘴巴等局部特征信息,同时又包含面部轮廓等全局特征信息,并提出了多损失函数进一步缩小类内特征差距和扩大类间特征距离,有效地增强了非约束条件下人脸识别的鲁棒性。通过使用加权密集连接卷积神经网络来提取人脸的全局特征,密集连接模块可有效地解决深层网络所引起的参数冗余以及梯度扩散等问题。不同的连接权值使得网络能够充分地利用各部分特征。实验结果表明,无论是在闭集的CASIA-WebFace数据集上,还是开集的FLW数据集、MegaFace数据集上,提出的FuseNet网络都具有较好的识别率和泛化能力。     

结构化加权稀疏低秩恢复算法在人脸识别中的应用

针对训练样本或测试样本存在污损的情况，提出一种结构化加权稀疏低秩恢复算法（structured and weighted-sparse low rank representation，SWLRR）。SWLRR对低秩表示进行加权稀疏约束和结构化约束，使得低秩表示系数更加趋近于块对角结构，进而可获得具有判别性的低秩表示。SWLRR将训练样本恢复成干净训练样本后，再根据原始训练样本和恢复后的训练样本学习到低秩投影矩阵，把测试样本投影到相应的低秩子空间，即可有效地去除测试样本中的污损部分。在几个人脸数据库上的实验结果验证了SWLRR在不同情况下的有效性和鲁棒性。     

基于多尺度多任务卷积神经网络的人群计数

在智能监控领域，实现人群计数具有重要价值，针对人群尺度不一、人群密度分布不均及遮挡等问题，提出一种多尺度多任务卷积神经网络（MMCNN）进行人群计数的方法。首先提出一种新颖的自适应人形核生成密度图描述人群信息，消除人群遮挡影响；其次通过构建多尺度卷积神经网络解决人群尺度不一问题，以多任务学习机制同时估计密度图及人群密度等级，解决人群分布不均问题；最后设计一种加权损失函数，提高人群计数准确率。在UCF_CC_50和World Expo'10数据库上进行了评估，验证了自适应人形核的有效性。实验结果表明：所提算法比Sindagi等的方法（SINDAGI V A，PATEL V M.CNN-based cascaded multi-task learning of high-level prior and density estimation for crowd counting.Proceedings of the 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance.Piscataway，NJ：IEEE，2017：1-6）在UCF_CC_50数据库上平均绝对误差（MAE）数值和均方误差（MSE）数值分别降低约1.7和45；与Zhang等的方法（ZHANG Y，ZHOU D，CHEN S，et al.Single-image crowd counting via multi-column convolutional neural network.Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition.Washington，DC：IEEE Computer Society，2016：589-597）相比，在World Expo'10数据库上所提算法的MAE值降低约1.5，且在真实公共汽车数据库上仅0~3人的计数误差，表明其实用性较强。