基于零空间分析的张量局部Fisher判别方法

结合局部Fisher判别、张量子空间学习和零空间分析等技术的优点,提出了一种基于零空间分析的张量局部Fisher判别算法,其特点包括:i) 引入类间判别信息,对局部Fisher判别技术进行调整,提升了算法识别性能并且降低了计算时间复杂度;ii) 通过张量型降维思想对输入样本进行双边投影变换而非单边投影,获得了更高的信息压缩率;iii) 随着训练样本量的变化,可采用基于零空间分析的求解方法和传统的直接迭代更新计算方法。通过ORL、Yale和ExYaleB 3个人脸数据库验证了所提算法的性能。     

一种基于LEACH的无线传感器路由算法及其仿真

针对LEACH协议的不足之处做了改进。改进算法通过考虑节点的剩余能量和簇首的平均能耗的关系来优化簇首的选举,采用次簇首机制传输数据。仿真结果显示,改进算法能够很好地均衡网络能量损耗分布,减少能量消耗,有效延长网络生存时间。     

一种快速的判别公共向量分类方法

在传统DCV的基础上,提出了一种改进的快速DCV分类方法。该方法与传统的DCV分类方法相比,在保证识别率相同的情况下具有较快的分类速率。传统的DCV分类方法通过计算特征向量之间的距离来进行分类,而所提快速DCV分类方法则通过标量计算完成分类。理论分析及复杂度计算表明,快速DCV分类方法的分类速率是传统DCV分类方法的2倍左右,在Yale、ORL和PIE 3种人脸数据库得到的对比仿真实验结果验证了该算法的有效性。     

保局性数据域描述单类分类器

由于缺少对数据结构信息的考虑,现有的域描述型单类分类器得到的支撑面往往是次优解。因此,以支持向量数据描述((SVDD)算法为基础,通过一种简易的形式引入数据亲和因子以保持样本局部特性,提出保局性数据域描述分类器(LPDD),使成簇的数据作用被强化,而呈零星分布的数据影响力被削弱,引导分类支撑面自动靠近数据高密区而提高算法性能。此外,为适应大样本应用场合,采用序列最小优化算法进行模型参数调整。实验证明,所提算法无论在训练速率还是在分类性能上都优于SVDD。     

一种增量式类内局部保持降维算法

针对在线学习中的算法效率问题,提出了一种增量式类内局部保持降维算法.该算法综合考虑了基于QR分解的降维算法与保类内Fisher判别分析法的优点,根据训练过程中新增的样本进行投影矩阵在线更新,克服了传统的批量式训练方法在线学习时计算量过分冗余的缺陷.同时,通过兼顾输入样本的局部结构和全局分布状态,使得该算法能够有效地应用于多簇、重叠的数据形态.在ORL人脸库和COIL20图像库上的实验表明,该增量式算法不仅在降维效果上基本与批量式算法保持一致,而且具有较大的效率优势.     

视频传感器网络中无盲区监视优化

针对监控区域存在障碍物的情况,从无线视频传感节点的有向感知特性出发,讨论了视频传感器网络覆盖效果与监控区域之间的相互关系.在此基础上,定义了视频传感器网络的无盲区覆盖模型.基于虚拟势场的工作原理,提出了一种适用于无盲区覆盖模型的覆盖率动态优化算法PFOFSA(potential field based occlusion-free surveillance algorithm).设计了PFOFSA中虚拟力的相互作用方法与监控节点运动规则,通过监控区域、重叠区域和遮挡区域之间的相互作用,逐步消除网络中的感知重叠区和盲区,优化视频无线传感器网络的覆盖率.最后,通过一系列的仿真实验分析了不同监控区域参数对PFOFSA算法的影响,验证了算法的有效性.     

图像组转置训练及非凸约束的去噪去模糊算法

针对稀疏表示模型的过完备字典集训练过程中图像块采样不充分问题,提出图像组转置训练及非凸约束的去噪去模糊算法.采用组间方差约束的图像块搜索策略,并根据自适应软阈值对筛选的字典集进行转置学习.在重构过程中采用l_p(0范数约束以保证结果的强稀疏性.最后采用Bregman拆分迭代法求解文中非凸模型.实验表明,文中算法重构图像具有较好的视觉效果,去噪去模糊效果较优.     

有监督核化邻域投影分析算法

通过将鉴别邻域嵌入分析算法扩展到非线性场景,提出了一种有监督核化邻域投影分析算法。该算法在目标函数中引入类别标签和线性投影矩阵,并利用核函数处理非线性数据。通过两种不同策略优化目标函数,可将该算法进一步细分为有监督核化邻域投影分析算法一及有监督核化邻域投影分析算法二。其中,在有监督核化邻域投影分析算法一中应用拉普拉斯搜索方向达到了较快的收敛速度并降低了计算复杂度。实验结果表明,所提算法对于复杂的数据流形具有较高的识别率,且与鉴别邻域嵌入分析等相关算法相比在有效性和鲁棒性方面的表现更为出色。     

基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪

高光谱图像在采集过程中经常受到混合噪声的干扰,严重影响了图像后续应用的性能,因此图像去噪已成为一个极其重要的预处理过程.文中采用非凸正则项代替传统的核范数重新构造逼近问题,使稀疏正则项更贴近本质秩函数的属性,进而提出了一种将非凸代理函数、全变分正则项和l2,1范数集成于统一框架的混合噪声去除算法.所提算法旨在将退化的高光谱图像以矩阵的形式分解为低秩分量和稀疏项,并利用全变分正则化保持边缘信息,提高了高光谱图像的空间分段平滑性.最后利用非凸代理函数的特殊性质,采用一种基于增广拉格朗日乘子法的迭代算法进行变量优化求解.通过多组实验进行验证,结果表明所提算法不仅能有效地去除混合噪声,而且能较好地保持图像的结构和细节,与现有的其他高光谱去噪方法相比,其在视觉效果和定量评价结果上都明显提升.