基于多核学习卷积神经网络的稀疏数据推荐

针对当前稀疏数据推荐准确率低的问题,提出一种基于多核学习卷积神经网络的稀疏数据推荐算法.将项目的辅助信息送入卷积神经网络学习特征,将向量在可再生核希尔伯特空间组合,利用多核学习技术增强卷积神经网络的特征学习能力;基于学习的卷积特征集初始化非负矩阵模型,通过非负矩阵模型实现对缺失评分的预测.实验结果表明,该算法有效提高了稀疏数据集的推荐性能,验证了多核学习卷积神经网络的有效性.     

一种融合极限学习机和改进烟花算法的混合式目标跟踪技术

针对背景杂波干扰、目标外观形变导致的跟踪精度差的问题,论文提出了一种基于融合极限学习机和改进烟花算法的混合式目标跟踪技术(OSELM-FWA).该技术在提取图片特征信息时,为了剔除冗余信息、保留边缘轮廓处的颜色信息,提出梯度稀疏矩阵作为特征信息提取工具来提取图片的颜色特征信息;同时为了提高运动模型的预测精度,提出了一种改进烟花算法来生成候选目标样本,该算法不同于传统烟花算法采用固定不变的常量作为爆炸半径参数,而是在其基础上加入目标的运动速率量来调整烟花半径参量,而且为了控制烟花的多样性,该算法还根据烟花置信度方差的变化情况动态调整烟花的变异概率,将烟花的多样性维持在最优范围内;另外为了及时地更新目标外观模型,利用目标的置信度变化率来调整更新样本数目,随后运用在线极限学习机增量的学习相应数量的目标信息.最后,论文将该跟踪技术在标准数据集OTB上进行对比实验,通过实验得到该跟踪技术在处理复杂环境下的目标跟踪问题时,不仅兼顾跟踪的实时性而且拥有较高跟踪精度.     

一种基于邻近性和团的异常数据检测算法

随着数据科学研究的不断深入,异常数据对数据分析工作的干扰也越来也大,如何有效检测异常数据已成为数据研究的关键问题之一.目前传统基于距离的方法仅考虑单个对象的异常性,缺少对正常对象之间如何抱团的分析,针对此问题,论文提出了一种基于邻近性(Proximity)和团(Clique)的异常检测算法——PCOD(Proximity Cliques Outlier Detec-tion)算法.该算法引入了图论中团的概念,通过团来解释正常对象之间的连接,根据数据对象间的连接性来分析数据点是否为异常点.PCOD算法主要包括两个步骤:首先,根据数据对象之间的邻近性,将数据中各个对象表示为存在边的无向图;再递归搜索图获取所有团集合,对所有的团进行分析并检测出没有抱团的异常点.最后,使用Arrhythmia、Pima、Vowel等UCI数据集进行实验,实验结果表明PCOD算法在精确率方面优于同类异常检测算法.     

基于位置的稀疏群体查询

在基于位置的社交网络中,找到一个特殊的群体/社区是非常重要的.现在的研究都集中于寻找群体之间关系紧密的密集子图.相对于紧密的群体/子图,对于稀疏群的研究少之又少.虽然现有工作开始研究稀疏群体查询问题,但是还没有研究基于位置的稀疏群体查询问题,而基于位置的服务在现实生活中有很多需求.因此,研究基于位置的稀疏群查询的问题变得有研究价值.基于位置的稀疏群体查询是为了找到一群用户,不仅用户之间满足一定的稀疏性(即用户之间的社交距离大于k),且最小化用户到查询位置的距离和.针对这个问题,首先提出基于c-邻居的基本处理算法(简称baseline),其主要利用存储的c-邻居信息以及距离剪枝来帮助快速获得查询结果.但是baseline算法的空间消耗太大,且在稀疏阈值参数k>c时查询效率不高.为了解决这些问题,进一步提出基于c-邻居和反向c-邻居的查询优化算法(简称ICN),不仅利用存储的c-邻居且利用反向c-邻居信息来处理参数k>c的情况,从而快速获得查询结果.实验结果和理论表明,提出的两种查询处理方法是有效的和正确的.     

矩阵的低秩稀疏表达在视频目标分割中的研究

提出了一种视频目标跟踪与分割的在线算法。该算法将每帧图像中的超级像素作为一个数据点,根据已知的目标和背景建立模板,当前帧中待分割的目标可以看成已知模板的稀疏线性表达。根据此线性表达的系数可以建立描述当前帧与模板的相似性矩阵,即表达子。由于视频图像的连续性,表达子具有低秩和稀疏的特征。因此通过求解矩阵的低秩稀疏的优化问题可以得到当前帧中所有数据点属于目标的概率分布。为了获得基于像素级的分割结果,通过能量最小框架,并利用图分割的方法最终实现目标的分割。实验结果表明该算法具有良好的分割效果。     

遮挡情况下水尺图像特征加权学习识别算法

考虑实际应用中水尺图像受遮挡较多,自动识别水位困难的问题,提出了一种遮挡情况下的水尺图像特征加权学习识别算法。针对现有稀疏表示算法通常对图像整体进行操作如字典训练等,致使图像中的特征信息无法突出的情况,提出在稀疏表示过程中对回归系数设置不同权值并在迭代过程中对权值更新学习。首先通过对特征权值的迭代学习以增加有效信息的权重,排除遮挡信息的干扰;其次,通过对图像分类残余值进行不同模型下的回归表示,提出采用更能表现出残余值重尾分布实际情况的逻辑分布模型。实验过程采用实际水尺图像,先通过边缘检测等预处理方式得到当前水位的刻度图像,进一步对该图像附加遮挡进行分类识别以验证实验结果,所附加遮挡用以模拟水尺刻度被水面遮挡等情况。实验结果表明,与常用的稀疏回归表示算法相比,该算法在多遮挡情况下的性能较优。图10幅。     

非稀疏多核组合的支持向量回归方法

为了改善支持向量回归机的性能,本文提出了一种利用多核学习解决回归问题的算法(NS-MKR),算法对基本核函数的组合系数施加了Lp范数的约束(p>1),以得到组合系数的非稀疏解,并采用了两步优化方法,首先求解基于加权组合核的标准支持向量回归问题,用于学习拉格朗日乘子,然后采用简单的计算,求得基本核函数的组合系数,这两个步骤交替进行,直到满足事先定义的收敛准则。在人工数据集和真实数据集上的实验表明,相对于传统的单核和稀疏多核支持向量回归方法,本文提出的算法有更好的泛化性能。     

基于群稀疏约束的语音识别特征混合判别分析

为了克服因数据不足,而造成较难提取稳定的长时特征的问题,提出了一种基于群稀疏约束的混合判别分析方法。该方法首先采用高斯混合模型描述数据的分布,在此基础上利用二次变分的形式进行群稀疏的表示,得到基于群稀疏约束的混合判别分析目标函数。接着,通过定义模糊响应矩阵（blurred response matrix）,有效地结合最优化得分方法求解判别分析变换矩阵。最后,拼接相邻帧梅尔滤波器组输出组成超矢量,采用变换矩阵进行变换降维,提取时频特征。实验结果表明,本文方法能够得到稀疏的变换矩阵,相比于PLDA(Penalized LDA)和SLDA（Sparse LDA）判别分析方法,识别准确率分别提高了0.71%和1.53%,且在数据不足的条件下,本文方法能获得更高的识别性能。     

稀疏网格与数论网格在饱和-非饱和流随机模拟中的应用与比较

在饱和-非饱和流的随机模拟中,传统的蒙特卡罗方法收敛速度慢,计算成本高,特别是计算的误差为概率误差,易产生较大的不确定性.引入稀疏网格配点法和数论网格点集可以获得更好的模拟效果.通过算例分析和研究得出:在某些饱和-非饱和流随机模型的模拟中,稀疏网格配点法能够极大地节省计算成本,输出水头(或水质)具有确定的表达式,但是当随机变量维度较高或者模型中被积函数光滑性较差时,其模拟效果往往并不理想,甚至有可能出现违背物理现象的错误结果;数论网格法具有更好的适用性,维数越高,其优势越突出,且相比蒙特卡罗法精度要好,误差是确定的,避免了蒙特卡罗法概率误差带来的不确定性.