一种加权核鉴别分析方法

基于Fisher准则的核鉴别分析法(KDA)是最常用的非线性特征提取方法之一,但对于多类识别问题,就分类率而言Fisher准则并不是最优.本文提出了一种加权核鉴别分析方法(KIDA).首先利用非线性映射将原始样本隐式地映射到高维隐特征空间;在此特征空间内使用权函数重新估计类间离散度矩阵得到优化的准则函数,最后采用同时对角化方案求解最优鉴别矢量.在ORL和Yale人脸数据库上的实验结果验证了本文方法的有效性.     

基于多样性约束和离散度分层聚类的无监督视频行人重识别

视频行人重识别是一项应用非常广的计算机视觉任务。目前的视频行人重识别方法通常是基于监督学习的,该方法需要手工标记大量的数据,代价非常高且并不适用于现实场景。本文提出了一种从底向上的基于多样性约束和离散度分层聚类的无监督视频行人重识别方法。该方法首先将每个样本当作是一个不同的类,然后结合类内间离散度进行从底向上的分层聚类,类间和类内离散度都小的类别将被优先合并,同时在聚类准则中加入一项多样性约束来平衡每类中的样本数量,最后,利用线性变化的特征存储器动态更新模型。在Mars和DukeMTMC-VideoReID两个大型视频数据集上的实验结果表明,相比于目前先进的无监督视频行人重识别方法,本文方法在性能上有一定的提升。     

基于相似度的半监督学习工业数据分类算法

针对现实场景中大量无监督数据无法有效利用的特点,提出了一种基于数据相似度匹配的半监督学习算法。该方法结合一定的先验知识,通过无监督学习的方式,计算未标记数据与少量有标记数据之间相似度,从而对少数类样本进行扩充。利用构造后的数据集进行模型训练,从而提高模型对于少数类的识别效果。该方法能有效改进分类任务中数据分布不平衡及标记困难的问题,在一组基于真实场景下的电力传感器检测数据分类任务中取得了较好的少数类识别效果。通过对比传统以及半监督的多种分类算法,该方法虽然在准确率上低于传统方法,但是在召回率与F₁值的表现上超越传统方法。     

基于协调权的案例学习群决策分类方法

基于案例学习的决策方法具有易于理解、贴近 实际决策过程的优点,成为当前决策领域的一个研究热点。文中针对如何有效地集成不同决 策专家提供的案例信息,提出了一种基于协调权的案例学习群决策模型用以解决多属性分类 决策问题。该方法首先针对各决策者给出不同案例数据,通过构建混合整数规划模型,识别 出具有一致案例信息重要度最大化的典型案例集。然后设计了分类阈值远离程度最大化模型 ,以此确定兼容各个决策者案例信息的指标权重（协调权）和最优分类阈值,由此构建一致 性的效用函数并应用获得的阈值进行分类决策。最后通过案例研究以及与其他模型的比较分 析,验证了方法的可行性。     

基于GM(1,1)模型的小样本测量数据不确定度评定方法

测量不确定度一般来源于随机性和模糊性,分为A类标准不确定度和B类标准不确定度.测量不确定度往往由统计方法或非统计方法求得标准不确定度后再合成得到.灰色系统理论对样本量没有严格要求,不要求服从任何分布.可以解决统计方法需要的一定数量测量数据且需知道其统计分布规律在实际中很难做到的问题.本文利用灰色系统理论的GM(1,1)模型给出求解标准差的新方法.以此来评定A类标准不确定度,对测量数据的数量和分布规律元特殊要求,适合小样本测量数据的不确定度评定.该方法对于提高测量效率具有重要参考价值.     

小样本图像分类中的类别信息融合网络

小样本图像分类任务要求模型仅从少量的图像样本中学到新类别的正确分类方法,是一种特殊的分类任务。然而,以往大多数小样本工作都单独处理来自不同类别的样本,而没有充分利用到不同类别间的信息。本文提出了一种新的类别融合网络（Category-fusion network, CFN）,通过融合来自不同类别的样本信息,同时挖掘类别内和类别间的信息。CFN的重要部分是一个融合映射的学习,即如何融合样本中的特征,从而映射出网络参数。其中的一个重要问题是融合映射是否应该随不同的输入样本而改变。本文设计了3个不同的模块：具有固定映射的类无关模块、融合映射仅依赖于期望学习的目标类别的半相关模块和完全相关的模块,其中融合映射完全依赖于输入样本。本文的网络可以通过学习多个类别的样本之间的关系来进行类别概念的学习,并生成融合信息的分类器。实验结果表明,本文网络在广泛应用的MiniImageNet数据集上得到了60.03%的分类精度。     

LLE算法的模态识别及影响因素研究

局部线性嵌入算法(LLE)是一种实现对高维数据降维的流形学习算法,可基于结构响应数据进行模态参数识别,算法的噪声敏感度和稳定性对参数识别精度具有重要影响。本文以一块复合材料板为研究对象,利用LLE算法对其振动响应数据进行降维处理从而实现模态识别,重点分析了该算法的噪声敏感度和其在不同采样频率下的流形特征稳定性,同时利用模态置信准则(MAC)衡量LLE算法提取得到的振型与有限元振型的相关性。结果表明,利用LLE算法识别的模态参数具有较高的精度,且LLE算法具有较强的抗噪声干扰能力,采样频率对LLE算法的影响与采样定理相一致。     

基于欠采样的零阶优化算法

非平衡学习吸引了许多研究者的关注。一般情况下,少数类是更值得关注的,并且其误分类代价要远高于多数类。由于非平衡数据分布的非均衡性,标准的分类算法将难以适用。为了解决非平衡数据分类问题,给出了基于欠采样的零阶优化算法。首先,为了降低数据非平衡分布的影响,针对不同非平衡比的数据集给出了不同的两种采样策略。然后,采用了一种引入间隔均值项的支持向量机(Support vector machine,SVM)优化模型进行分类,并使用带有方差减小的零阶随机梯度下降算法进行求解,提高了算法的精度。在非平衡数据上进行了对比实验,实验证明提出的方法有效提高了非平衡数据的分类效果。     

代价敏感惩罚AdaBoost算法的非平衡数据分类

针对非平衡数据分类问题，提出了一种基于代价敏感的惩罚AdaBoost算法。在惩罚Adaboost算法中，引入一种新的自适应代价敏感函数，赋予少数类样本及分错的少数类样本更高的代价值，并通过引入惩罚机制增大了样本的平均间隔。选择加权支持向量机（Support vector machine,SVM）优化模型作为基分类器，采用带有方差减小的随机梯度下降方法（Stochastic variance reduced gradient,SVRG）对优化模型进行求解。对比实验表明，本文提出的算法不但在几何均值（G-mean）和ROC曲线下的面积（Area under ROC curve,AUC）上明显优于其他算法，而且获得了较大的平均间隔，显示了本文算法在处理非平衡数据分类问题上的有效性。     

基于聚类分析的航空器滑行过点时间预测

为了预测航空器滑行预计到达时间（Estimated time of arrival,ETA）,减少场面冲突,提高机场运行效率,本文使用卡尔曼滤波算法对场面历史轨迹数据进行预处理。为了衡量轨迹样本间的距离,综合三类特征用于机场场面历史轨迹数据聚类。特征包含航空器滑行时段和场面航空器数量,以及参考动态时间规整（Dynamic time warping,DTW）算法提取的轨迹差异度特征。将两个样本特征的欧式距离作为样本间的相似度量;基于均差最大原则确定初始聚类中心,使用K-means算法对样本进行聚类,根据待规划航空器的所处时段和场面航空器数量选择匹配度最高的类簇,将其聚类中心样本的轨迹序列和塔台规划的静态路径相结合预测航空器滑行ETA。通过将实际轨迹数据与预测的滑行ETA进行对比分析,证明了本文预测航空器滑行ETA的准确性。     

多媒介数据库系统NHMDB中的数据字典

ＮＨＭＤＢ是基于扩充关系数据模型的多媒介数据库系统，它以扩充关系为基础支持面向对象的主要特性。数据字典在格式化数据的管理中发挥了重要作用。但在非格式化数据诸如图形、图像、语音等形式的数据管理方面的应用尚未得到很好的研究。本文主要讨论把传统的数据字典技术加以扩充使其支持多媒介数据对象的管理，支持复杂对象的描述，支持抽象数据类型，对象类、超类、子类和继承性的概念。     

一种数据无损压缩技术的研究

分析了目前数据压缩技术中最常用的ＬＺＷ算法，并针对压缩字典的建立过程和字典填满老化后如何更新处理提出了新的设想。在实现过程中，用原ＬＺＷ算法中新加入字典的词条作为辅助前缀来产生较多较长的词条，用以加速压缩字典的建立过程，增加从字典中找到词条匹配的概率，在字典填满并老化后，采用部分更新字典的办法加速字典的重建，从而对原ＬＺＷ算法作了两点改进。本文举例说明了两种算法的不同之处，并经实验比较证明，改进后的算法在数据压缩率方面优于原ＬＺＷ算法。     

用MUSIC法确定声源频率和方位时误差的校正方法

为确定多个平面波窄带声源的频率和方位本文在阵列信号处理理论的基础上,提出用均匀线阵接收信号数据,并采用多信号分类法（ＭＵＳＩＣ法）对其进行频率,方位参数的分离估计,利用其正交性的谱估计来判断声源的频率和方位,在此基础地实际阵列中存在的阵元位置扰动,通道特性不一致和阵元之间的耦合这三种模型误差,提出了一种基于辅助源的校正方法,并得模型误差不影响声源的频率,只影响声源方位的判断,声学实验证实,通过校正     

一种基于语义分析的大数据视频标注方法

提出一种基于Spark计算框架的海量视频语义标注方法。将存储在Hadoop分布式文件系统（Hadoop distributed file system,HDFS）上的海量视频部署到若干计算节点上,依据分形特征实现镜头快速分割。提取样本关键帧的颜色、纹理和分形特征向量,进行元学习策略训练,进而形成视觉词典。根据视觉词典对检测视频内容进行分析,产生一系列能表征视频内容的视觉单词。根据重要程度,通过马尔科夫链按重要程度对视频的视觉单词进行排序,并将排列结果作为该视频的标注。最后,从检测正确率、平均运行时间和扩展效能方面与传统分布式计算模型进行了对比。     

Wideband Signal Detection Based on MWC Discrete Compressed Sampling Structure

In order to solve the cross-channel signal problem caused by the uniform channelized wideband digital receiver when processing wideband signal and the problem that the sensitivity of the system greatly decreases when the bandwidth of wideband digital receiver increases,which both decrease the wideband radar signal detection performance,a new wideband digital receiver based on the modulated wideband converter(MWC)discrete compressed sampling structure and an energy detection method based on the new receiver are proposed.Firstly,the proposed receiver utilizes periodic pseudo-random sequences to mix wideband signals with baseband and other sub-bands.Then the mixed signals are low-pass filtered and downsampled to obtain the baseband compressed sampling data,which can increase the sensitivity of the system.Meanwhile,the cross-channel signal will all appear in any subbands,so the cross-channel signal problem can be solved easily by processing the baseband compressed sampling data.Secondly,we establish the signal detection model and formulate the criterion of the energy detection method.And we directly utilize the baseband compressed sampling data to carry out signal detection without signal reconstruction,which decreases the complexity of the algorithm and reduces the computational burden.Finally,simulation experiments demonstrate the effectiveness of the proposed receiver and show that the proposed signal detection method is effective in low signal-to-noise ratio(SNR)compared with the conventional energy detection and the probability of detection increases significantly when SNR increases.     

术语定义抽取的特征选择框架

为了进一步提升航空领域术语定义抽取的精度和效率,提出了一种不依赖已有特征选择方法的特征选择框架。该框架结合了分类特征的类间分布差异和类内分布差异,更好地表达了术语定义内部各子概念间特征分布的差异对划分类别的贡献。在分析该框架和传统过滤器特征选择方法对特征分布的影响的基础上,在航空领域术语定义语料库中对实验结果进行了对比。结果表明,本文提出的方法在使用平衡随机森林方法时,取得的最好成绩为F1-measure=0.652,F2-measure=0.761,所需特征比例从30%~40%降低到20%~30%;在使用直接分类方法时,F1-measure成绩提高了2.57倍,F2-measure成绩提高了3.11倍,均优于过滤器方法和Fisher Score方法。     

基于传递闭包法的航班分类模型及在航班排序中的应用

提出了一种基于传递闭包法的进/离场航班分类方法.首先对模糊集合理论和传递闭包算法作了简要的介绍,然后在考虑4种不同因素的条件下建立了航班分类模型,并给出了各类航班单位时间延误成本的计算公式.最后以终端区航班排序模型为例,对该方法进行了仿真,并与传统航班延误成本分类方法进行了比较.仿真结果表明,该方法有助于减少航班延误损失,优化进/离场航班队列,提高空中交通管理效率.     

用于彩色图像分割的有效特征分析(英文)

提出了一种基于分析特征分割贡献的彩色图像分割方法。该方法不受某一特定彩色空间的限制 ,有效特征的确定取决于所设计的特征编码器对被测彩色图像中各种彩色特征的分析结果。该技术不同于以往的分割技术 ,自组织特征映射被用来构造特征编码器 ,使得编码器能自组织地分析不同彩色图像的有效特征。当合适的彩色特征和初始参数给定后 ,模糊聚类技术被用于最后的分割处理。该方法已经应用于不同类型的彩色图像分割处理 ,实验结果说明了该技术明显优于传统的聚类技术。研究表明 ,特征编码为彩色图像分割的自动化和最优化提供了保证。     

多视图场景确定下的空间点位置视觉标定方法

针对空间特征点三维位置标定问题,提出一种多视图场景确定下的空间点位置视觉标定方法。该方法基于计算机视觉原理,通过在场景内放置棋盘模板确定图像场景位姿参数,而后根据多视图图像下的空间点图像坐标和场景位姿参数求解空间点三维位置坐标。试验结果表明,该方法下的空间点标记位置与真实位置间的距离误差小于1 mm,适用于高精度要求下的特征点位置标定。