空间相关性约束联合子空间追踪的高光谱图像稀疏解混

通过深入分析高光谱图像空间相邻数据之间的空间相关性,提出一种利用空间相关性进行约束的联合子空间追踪解混(Spatial correlation constrained simultaneous subspace pursuit,SCCSSP)方法。该方法首先基于分块思想将高光谱图像进行分块处理,然后在图像块的端元提取步骤中,结合空间相关性特征对端元的提取进行约束,从而确保当前端元支撑集相对于高光谱图像残差是最优的。在丰度估计中将图像块的端元集合合并作为整幅图像的端元支撑集,通过求解非负性约束的最小二乘法获得丰度重建图像。模拟图像数据实验结果表明,本文方法在同等条件下能够获得更高的信号重构误差,且解混运算时间低于凸优化算法。在实际图像数据实验中,本文方法丰度图像稀疏度最低,取得了仅次于SUnSAL-TV算法的图像重建误差,其所得到的丰度重建图像也取得了更好的视觉效果。实验结果验证了本文方法具有更高的解混精度。     

求解大型矩阵特征值问题的并行块Davidson方法

针对拥有共享内存的并行计算环境和微机网络并行计算环境,给出了求解大型稀疏对称矩阵部分极端特征对的并行块Davidson方法。该方法将矩阵A按行块分配到各处理器上,各处理器利用矩阵A的行块和投影子空间的正交基所组成矩阵V的行块进行运算,减少了处理机之间的通讯次数,实现了算法的并行计算。在微机网络并行计算环境和拥有共享内存并行计算环境IBMP650上的数值试验表明,该算法非常有效。     

双重稀疏保持投影(英文)

稀疏保持投影(Sparsity preserving projection,SPP)是一种新型的基于图的降维方法,近年来被成功应用于人脸识别。SPP基于数据的稀疏重建关系建图,从而包含自然的判别信息。然而,经SPP变换后,新的特征是所有原始特征的线性组合,因此很难解释其降维结果。为此,提出了一种新的降维方法——双重稀疏保持投影(Dual-sparsity preserving projection,DSPP),通过进一步对SPP的投影方向施加稀疏约束,希望获得投影方向的稀疏解。具体地,该方法把SPP中投影函数的计算转化为一个回归类优化问题,然后借助L1正则化回归技术获得稀疏投影向量。在人脸数据上的实验结果表明了该算法的有效性。     

用Chebyshev多项式加速的子空间迭代法

研究计算大型稀疏对称矩阵的若干个最大或最小特征值的问题，首先引入了求解大型对称特征值问题的子空间迭代法和Chebyshev迭代法，并对后者作了理论分析。为了加速子空间迭代法的收敛速度，作者用Chebyshev多项式来改进原始的子空间迭代法，即讨论Chebyshev迭代法对子空间迭代法的应用，从而给出了Chebyshev-子空间迭代法。最后把原始的方法和改进的方法计算数值例子的结果进行了比较，其结果表明Chebyshev-子空间迭代法比子空间迭代法优越，不仅收敛速度快，并且减少了计算量和计算时间。     

基于遗传算法的快速成型分层方向优化设计

快速成型制造技术具有高度的柔性和灵活性,应用前景广泛。快速成型分层方向的选择,对于零件的制作精度、成型时间及制作成本有着重要影响。目前常见的分层方向算法往往顾此失彼,为了尽可能同时满足这3个单目标模型的最优化,本文提出将均匀设计、正交设计与遗传算法相结合作为求解多目标优化的新方法,可用较少的计算量求得分层方向的最优解。实验结果表明,改进后的算法有效,在迭代次数和所用时间上远远优于目前常用的基本算法。     

求解大型对称线性方程组的循环收缩Lanczos算法

向Krylov子空间中加入一些模接近于零的特征值对应的特征向量能够加快收敛速度，事实上，对于这些模接近于零的特征值对应的特征向量，可以用Krylov子空间方法得到，并且在新的Krylov子空间形成的过程中，近似特征向量的近似度会不断提高，特别在标准Krylov子空间方法中，如果因为这些特征向量而减缓了收敛速度，则随着这些特征向量的近似度的提高，用增广Krylov子空间方法解线性方程组的收敛速度会明显加快。Lanczos算法是求解大型对称不定线性方程组的有效方法之一。但在计算过程中由于Lanczos向量失去正交性减慢了收敛速度。本文根据增广Krylov子空间方法提出循环收缩Lanczos算法，新算法充分利用Lanczos过程所得到的谱信息，确定预处理，从而加速Lanczos算法的收敛速度。     

基于线性模型最优预测的高光谱图像压缩

高光谱图像取得较高的光谱分辨率对于分类和识别很有益.但与此同时也带来了巨大的数据量,使其压缩成为必需.传统的预测方法能够在一定程度上去除谱带之间的相关性,但其预测系数不能利用高光谱图像谱带间的信息进行自适应的调整,使得预测效果不是最优.本文建立了高光谱图像谱带间的线性模型,推导出在信噪比最优下的预测.该方法能够更好地降低预测后图像的熵值.实验表明,相对于传统方法重建的平均信噪比提高了4.606 4 dB.     

外关联规则挖掘

根据项集内项的关联性,现有关联规则挖掘算法可分为正关联规则挖掘和负关联规则挖掘两大类,它们反映的是项集内频繁项之间的关联性。通过对实际数据集的分析发现,一个项集可以划分成若干子项集,子项集内的项有较高的相关性,而不同的子项集相关性则较低,这意味着每个子项集与其外部的一个潜在因子间存在着关联,由此本文提出了外关联规则的概念,并基于因子分析和主成分分析方法,提出了外关联规则挖掘算法(FAAR),从而将项集内的关联规则挖掘外推到子项集和潜在因子集之间的外关联规则挖掘,扩展和丰富了关联规则挖掘的应用,在此基础上还可进一步发现它所蕴涵的正、负关联规则。     

基于主元分析的多传感器故障检测

针对动态系统的压力、温度、流量等传感器数据,给出了一种基于主元分析法的传感器故障检测与诊断方法。该方法能够在对测量参数相关性分析的基础上,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,通过传感器实际测量数据与正常数据矩阵在残差子空间投影的比较,对传感器的故障进行检测与诊断。通过双容水箱被控系统的传感器进行检测,结果表明主元分析法对传感器具有很好的故障检测和故障诊断能力。     

声矢量传感器阵中基于Kalman滤波和OPASTd的DOA跟踪算法

研究了声矢量传感器阵动目标角度跟踪问题,并提出了声矢量传感器阵中 一种基于Kalman滤波和正交压缩近似投影子空间跟踪(Orthonormal projection approximation and subspace tracking of deflation, OPASTd)的波达方向(Direction of arrival,DOA)跟踪算法。该算法通过OPASTd算法来进行DOA的跟踪,从而克服了PASTd算法由于在某些情况下振荡但不收敛进而压缩数据、在迭代更新中由特征向量的不准确性产生误差累积等原因引起破坏信号子空间正交性的缺陷。Kalman滤波和OPASTd相结合算法可在估计角度的同时进行数据关联,与传统的PASTd算法相比,角度跟踪性能更好。该算法的优越性均可在文中得到验证。     

基于MPP编程环境的一种并行子空间迭代法

子空间迭代法是科学与工程计算中求解广义特征值问题的有效方法 ,针对向量机和共享内存的多处理机 ,前人已成功地作了并行处理。文中给出了适合 MPP大规模并行计算机的并行子空间迭代法。该算法将广义特征值问题转换为一般特征值问题 ,其计算工作量主要体现在矩阵乘法 ,通过对该方法作并行处理 ,使矩阵求逆及一部分乘法运算转换为各结点机上三角形方程组的并行求解。在大规模并行计算机 PA R95上结合 J8- II机翼的动力特性问题对该算法作了数值试验 ,结果说明所给算法是非常有效的     

多点随机振动控制中的互谱矩阵研究

多振动台随机振动实验中必须设置完整的参考谱矩阵。针对控制点之间互谱和自谱的关系，本文提出了将参考谱矩阵的正定性作为其能否物理可实现的判定条件，并为具有控制点之间完全相干要求的谱矩阵建立了类似Cholesky分解的方法。利用优化逆系统求解驱动信号，避开了传统控制方法中直接对频响函数矩阵求逆的过程。仿真算例表明对控制点之间互谱的控制效果令人满意。     

对模态参数识别的整体正交多项式算法的评述

整体正交多项式识别算法利用整体最小二乘方法来辨识结构模态参数，识别精度一般高于普通意义上的正交多项式拟合算法，本文系统的介绍了整体正交多项式识别算法发展过程中出现的三种方法，同时从识别精度、对噪声敏感程度和识别效率三个方面对方法进行详细的比较和评价，并在此基础上进一步指出了方法存在的问题和未来的研究方向。     

Bottom-Up Saliency Estimation Based on Redundancy Reduction and Global Contrast

A new algorithm for bottom-up saliency estimation is proposed. Based on the sparse coding model, a power spectral filter is proposed to eliminate the second-order residual correlation, which suppresses the global repeated items effectively. In addition, aiming at modeling the mechanism of the human retina prior response to high-contrast stimuli, the effect of color context is considered. Experiments on the three publicly available databases and some psychophysical images show that the proposed model is comparable with the state-of-the-art saliency models, which not only highlights the salient objects in a complex environment but also pops up them uniformly.     

最小支撑树算法在基因表达数据聚类分析中的应用

聚类分析已成为对基因表达数据进行挖掘以提取生物医学信息的主要方法.本文提出了基于图论的最小支撑树(Minimum spanning tree,MST)聚类算法,用MST表示多维基因表达数据,可将数据的聚类转换为对最小支撑树的分割,相对于传统聚类方法,最小支撑树算法具有形象直观、对一些准则函数能产生全局最优解等优点;将MST算法分别与Memetic algorithm及人工免疫算法(Artificial immune network,aiNet)相结合,则产生更优化的聚类结果.对酵母基因表达数据的实验结果表明,最小支撑树聚类算法是一种有效的基因表达数据的聚类方法.     

Krylov子空间算法研究

Krylov子空间技术是基于投影方法的规划算法,如今已成为一类求解大规模线性问题的优秀算法,该算法采用正投影或斜投影在子空间产生迭代向量进行计算。同时,正确有效的预处理方法能加快迭代收敛。本文介绍了如何利用基于LU分解的GMRES(Generalized M in imum Residual)方法来求解大规模线性优化问题。     

基于多源数据融合的翼型表面压强精细化重构方法

在风洞试验模型表面布置测压孔是获得表面压力分布的重要手段，但受限于空间位置和试验成本，通常难以在复杂模型表面布置足量的测压孔获得完整的表面压力分布信息，直接积分获得的升力和力矩精度不足，因此提出了一种融合稀疏的风洞试验数据和数值计算（CFD）数据的方法，通过较少的风洞测压试验数据获得高精度的压力分布。首先通过本征正交分解技术提取数值计算数据的压力分布低维特征（POD基函数），然后利用稀疏的试验测压数据，通过压缩感知算法获得基函数的坐标，最后将坐标转化到物理空间重构出压力分布。利用定常固定翼型变状态以及变几何变来流状态算例验证该方法的精度，重构结果均能精确匹配试验结果。该重构方法可在一定程度上解决空间受限稀疏观测条件下的分布载荷精细化重构难题。     

基于局部密度的单类分类器LP改进算法

为了提高基于支持域的单类分类器识别率,提出将局部密度加入到分类器设计当中。在Campbe ll等的LP算法基础上,通过k近邻方法对每个样本点引入局部密度因子pi,重新刻画了原算法,使处于不同密度区的数据对分类器的作用不再被同等对待,高密度区的数据对分类超平面作用被强化,而低密度区的数据被削弱,结果使分类超平面自动靠近高密度区而提高了识别率。真实数据集上的实验结果表明,引入局部密度的D-LP算法其泛化性能较原算法有较大提高。     

求解非对称线性方程组的松弛混合算法

求解大型稀疏非对称线性方程组的混合迭代算法通常会由于系数矩阵的谱分布较广而导致收敛失败。本文通过在迭代多项式中加入变化的松驰因子定义了一类松驰混合算法。选择适当的松驰因子可以显著地改善算法的收敛效果。     

特征加权的阴影C均值聚类新算法(英文)

将特征加权的划分聚类方法应用在阴影集的框架中阴影聚类产生的核心区和边界区的样本对每一个类的质心有不同的影响。通过集成特征权重,加权计算的公式引入到聚类算法中。权重指数的选择对于好的聚类结果非常关键,而且权重随着每次迭代划分而更新。文中给出了算法的收敛性,并且使用了可行的聚类有效性指标。在合成数据集和真实数值数据集上的不同特征权重的实验结果表明,该加权算法优于其他不加权算法。