通用稀疏多核学习

针对L1范数多核学习方法产生核权重的稀疏解时可能会导致有用信息的丢失和泛化性能退化,Lp范数多核学习方法产生核权重的非稀疏解时会产生很多冗余信息并对噪声敏感,提出了一种通用稀疏多核学习方法。该算法是基于L1范数和Lp范数(p>1) 混合的网状正则化多核学习方法,不仅能灵活的调整稀疏性,而且鼓励核权重的组效应,L1范数和Lp范数多核学习方法可以认为是该方法的特例。该方法引进的混合约束为非线性约束,故对此约束采用二阶泰勒展开式近似,并使用半无限规划来求解该优化问题。实验结果表明,改进后的方法在动态调整稀疏性的前提下能获得较好的分类性能,同时也支持组效应,从而验证了改进后的方法是有效可行的。     

带多形状参数的双曲Bézier曲线

给出了一组带有3个形状参数的双曲Bézier基函数,并相应定义了H-Bézier曲线.通过参数变化可以很方便地调控曲线的形状,随着参数的增大曲线能够很好地逼近控制多边形.另外,曲线可以精确表示直线段、双曲线及悬链线.最后给出了曲线在C1连续下的拼接及在实物造型中的应用.     

带多形状参数的双曲Bezier曲线

给出了一组带有3个形状参数的双曲Bezier基函数,并相应定义了H-Bezier曲线。通过参数变化可以很方便地调控曲线的形状,随着参数的增大曲线能够很好地逼近控制多边形。另外,曲线可以精确表示直线段、双曲线及悬链线。最后给出了曲线在C^1连续下的拼接及在实物造型中的应用。     

Bézier-Said型曲线

为了扩大自由型曲线曲面的选择范围,提出了一族介于Bézier曲线与Said-Ball曲线之间的新型曲线,在形式上将Bézier曲线与Said-Ball曲线统一起来,并对这一族曲线的性质进行了研究。同时给出了有关的升阶公式以及将基函数用Bernstein多项式来表示的系数公式。     

三角域上三阶T-Bezier曲面片的构造与设计

在计算机辅助几何设计中,T-Bezier曲线曲面被视为一种新的自由曲线曲面造型工具得到广泛研究,然而其曲面都是张量积形式的,为了进一步研究非多项式空间中的T-Bezier基,完善其关于三角域部分的理论,构造了满足正性、权性、对称性、边界性质和线性无关性的基函数,并证明了三角域上相应曲面的一些性质;最后给出了一些应用。     

三角域上拟二次Bézier曲面片的构造及其应用

针对计算机辅助几何设计中三角曲面片造型方法进行了研究。在非多项式空间中构造了一组基函数,分析了该基函数的性质;利用七个控制顶点定义了相应的三角曲面片,由于该三角曲面片具有类似于三角域上二次Bézier曲面片的性质,故称其为拟二次Bézier三角曲面片;举例说明了拟二次Bézier三角曲面片不仅边界可以精确表示圆弧和椭圆弧,而且可以通过多引入的一个控制顶点实现在边界保持不变的情况下对曲面形状进行调节,同时,该曲面片可作为过渡曲面在三通管造型接口处实现光滑过渡。总之,拟二次Bézier三角曲面片在曲面造型与曲面设计中有较好的应用,可作为现有造型方法的有效补充。     

拉普拉斯阶梯网络

阶梯网络不仅是一种基于深度学习的特征提取器，而且能够应用于半监督学习中.深度学习在实现了复杂函数逼近的同时，也缓解了多层神经网络易陷入局部最小化的问题.传统的自编码、玻尔兹曼机等方法易忽略高维数据的低维流形结构信息，使用这些方法往往会获得无意义的特征表示，这些特征不能有效地嵌入到后续的预测或识别任务中.从流形学习的角度出发，提出一种基于阶梯网络的深度表示学习方法，即拉普拉斯阶梯网络LLN （Laplacian ladder network）.拉普拉斯阶梯网络在训练的过程中不仅对每一编码层嵌入噪声并进行重构，而且在各重构层引入图拉普拉斯约束，将流形结构嵌入到多层特征学习中，以提高特征提取的鲁棒性和判别性.在有限的有标签数据情况下，拉普拉斯阶梯网络将监督学习损失和非监督损失融合到了统一的框架进行半监督学习.在标准手写数据数据集MNIST和物体识别数据集CIFAR-10上进行了实验，结果表明，相对于阶梯网络和其他半监督方法，拉普拉斯阶梯网络都得到了更好的分类效果，是一种有效的半监督学习算法.     

改进的局部稀疏表示分类算法及其在人脸识别中的应用

近年来,稀疏表示分类(Sparse Representation Based Classification,SRC)方法在人脸识别中受到越来越多的关注。原始SRC方法使用所有的训练样本组成字典矩阵,当训练样本比较多时,稀疏系数的求解会变得非常耗时。为了解决这一问题,提出一种新的局部稀疏表示分类(Local SRC,LSRC)方法。该方法针对每个测试样本,根据测试样本和训练样本稀疏系数之间的相似性来选择部分训练样本,由这些训练样本组成字典,然后在这个字典上对测试样本进行稀疏分解。该方法性能相比于原始LSRC方法更稳定。在ORL、Yale和AR人脸库上的实验结果表明,该方法的效果优于SRC和LSRC。     

一类T-Bézier三角曲面渐渐迭代算法

渐进迭代逼近在散乱点数据的拟合及逆向工程中有重要应用,研究了一类T-Bézier三角曲面的渐进迭代算法;提出了T-Bézier三角曲面渐进迭代算法,并分析了算法的收敛性;基于2-范数给出了渐进迭代算法的逼近误差。最后,举例说明了该算法的有效性及应用。     

基于特征值分解的中心支持向量机算法

针对广义特征值中心支持向量机(GEPSVM)训练和决策过程不一致问题,该文提出一类改进的基于特征值分解的中心支持向量机,简称为IGEPSVM。首先针对二分类问题提出了基于特征值分解的中心支持向量机,然后基于一类对余类策略将其推广到多类分类问题。将GEPSVM求解广义特征值问题转化为求解标准特征值问题,降低了计算复杂度。引入了一个新的参数,可以调节模型的性能,提高了GEPSVM的分类精度。提出了基于IGEPSVM的多类分类算法。实验结果表明,与GEPSVM算法相比较,IGEPSVM不仅提高了分类精度,而且缩短了训练时间。