基于变换空间近邻图的自助型局部保持投影

局部保持投影(LPP)是一种典型的降维方法,通过保持数据的内在几何结构,LPP能够获得潜在的判别能力.然而,传统LPP的性能取决于人工预定义的近邻图,并且严重依赖于最近邻标准在原始数据空间中的性能.因此本文提出了一种新的降维算法--自助型局部保持投影(sdLPP).该方法首先执行LPP获得投影方向,然后在其变换的空间更新近邻图,并重复LPP.另外,本文还提出了一种改进的拉普拉斯打分(Laplacian score)标准作为算法迭代终止和判别力的参考.最后,在几个公共的UCI和人脸数据集上验证了该方法的有效性.     

基于相关性度量的伪主成分分析

采用数据样本间的相关性作为相似性度量,并引入样本的类信息,提出一种新的降维方法,即伪主成分分析(Pseudo-PCA),该方法尽可能地保持原样本的变化信息,同时又使得降维后的同类数据样本尽可能保持相似。此外,将这种思想方法成功推广到近年来提出的2DPCA,MatPCA和(2D)2PCA。在ORL,Yale和AR等人脸数据集上的实验表明,该类方法的识别率高于相应的基于欧氏距离的PCA,2DPCA,M atPCA和(2D)2PCA等方法。     

均匀面阵中高效率的二维波达方向估计方法:降维求根MUSIC算法

波达方向估计是阵列信号处理研究的重要方向之一.本文在降维求根技术和MUSIC算法的基础上,研究了均匀平面阵列的二维波达方向估计问题.首先基于噪声子空间和方向矢量之间的正交关系构造二维求根多项式,并证明该多项式包含无限多个解.为获取这些解中包含的真实目标参数,提出了一种新的低复杂度、计算效率高的算法,即降维求根MUSIC...     

均匀面阵中高效率的二维波达方向估计方法：降维求根MUSIC算法（英文）

波达方向估计是阵列信号处理研究的重要方向之一。本文在降维求根技术和MUSIC算法的基础上,研究了均匀平面阵列的二维波达方向估计问题。首先基于噪声子空间和方向矢量之间的正交关系构造二维求根多项式,并证明该多项式包含无限多个解。为获取这些解中包含的真实目标参数,提出了一种新的低复杂度、计算效率高的算法,即降维求根MUSIC算法。所提算法应用降维求根技术目标的真实解,其中二维求根方程被转换为两次一维求根,该过程有效降低了求根难度。最后,通过一次配对过程获取目标角度参数的估计值。数值模拟验证了该方法的有效性和优越性。     

基于支持向量机和线性判别分析的维数约减方法及其应用

目前已提出的一些基于支持向量机的维数约减方法,但其投影矩阵的获得仅考虑支持向量机的类间间隔,而忽略了数据中的类内信息。本文首次提出了一种基于支持向量机和线性判别分析的维数约减方法,称之为DRSL。DRSL实现了类问和类内信息的有效组合,能有效拟合数据中类间和类内结构,使得所获投影矩阵能够提高后续分类器的推广能力。实验验证了该方法的有效性。     

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。     

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。     

基于时空模型的快速视频显著区域检测

传统的视频显著区域检测方法运算量大且难以处理包含复杂运动的视频,本文提出一种基于时空模型的快速显著区域检测方法.该方法用一种新的模糊聚类算法对特征点的运动轨迹进行无监督聚类,对不同运动类型进行分类.在复杂运动情况下,该算法通过计算优化的聚类中心的个数以获得运动类型数,再将异常数据剔除后,生成运动显著图.而在空间显著区检测方面,则利用反差模型以及Gabor滤波器获得图像的静态显著图.在此基础上,还提出一种基于运动优先思想的时空混合方法,将运动和空间显著图动态合成视觉显著图.实验证明,该方法能够有效地提取视频显著区域,与传统的方法相比该方法平均耗时更少且更方便.     

峰值点非负矩阵分解聚类算法

非负矩阵分解模型是一种常见的数据降维方法。在现有非负矩阵分解算法用于聚类的研究中,每个类别一般仅由一个或者指定多个中心点表示,然而这种表示方式往往无法准确描述其类别的特征和结构,从而影响聚类效果。为了解决这个问题,本文提出了峰值点非负矩阵分解算法。该算法首先为数据集找到多个密度峰值点,并构建密度峰值点和样本点的二部图,然后利用二部图完成聚类。此外该算法引入流形图正则化项来充分利用数据间的流形结构信息,并给出了算法的迭代更新规则。在大量真实数据集上的实验结果表明,该方法可以更加有效地利用数据本身的结构信息,从而提高聚类效果。     

逆向工程中一种新的特征识别算法

从某种角度上说,逆向工程是从已有实物的测量数据点中提取其实体特征再进行模型重建的过程。本文提出了一种新的特征识别算法,其首先采用基于面积和法矢准则的数据分割技术,对测量数据点进行数据分割。然后从特征所包含的分割面(简称特征分割面)中提取能够惟一标识该特征的4种特征编码,分别为:表述特征截面形状的截面编码、描述特征凹凸性的凹凸编码、显示特征二维俯视轮廓形状的轮廓编码以及反映特征二维俯视轮廓是否封闭的开闭编码。最后将这4种编码输入到基于人工神经(BP)网络的自动特征识别系统中,识别出特征类型并提取特征参数,从而实现特征重建。着重研究并实现了从特征分割面中提取特征编码的算法,并验证了算法的有效性。     

Recursive Dictionary-Based Simultaneous Orthogonal Matching Pursuit for Sparse Unmixing of Hyperspectral Data

The sparse unmixing problem of greedy algorithms still remains a great challenge at finding an optimal subset of endmembers for the observed data from the spectral library,due to the usually high correlation of the spectral library.Under such circumstances,a novel greedy algorithm for sparse unmixing of hyperspectral data is presented,termed the recursive dictionary-based simultaneous orthogonal matching pursuit(RD-SOMP).The algorithm adopts a block-processing strategy to divide the whole hyperspectral image into several blocks.At each iteration of the block,the spectral library is projected into the orthogonal subspace and renormalized,which can reduce the correlation of the spectral library.Then RD-SOMP selects a new endmember with the maximum correlation between the current residual and the orthogonal subspace of the spectral library.The endmembers picked in all the blocks are associated as the endmember sets of the whole hyperspectral data.Finally,the abundances are estimated using the whole hyperspectral data with the obtained endmember sets.It can be proved that RD-SOMP can recover the optimal endmembers from the spectral library under certain conditions.Experimental results demonstrate that the RD-SOMP algorithm outperforms the other algorithms,with a better spectral unmixing accuracy.     

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。     

求解广义特征值问题的并行保域行列式查找法

结构分析领域有着重要应用的广义特征值问题的并行算法，因为难度很大，且当问题的规模较大时还必须有先进的计算环境支持，所以迄今研究得很少。文中提出了一种适用于流水线型向量机的求解大型稀疏实对称矩阵广义特征值问题的并行保域行列式查找法。该方法不但保持了传统的行列式查找法的优点，而且克服了其迭代不收敛、漏根等缺点，并具有较高的速度加速比。该算法在ＹＨ－１计算机上进行了数值实验，结果表明该法是一种求解大型对     

测量点云数据的多视拼合技术研究

在实物反求中，往往需要将从各个不同视角测得的点云数据进行多视定位，统一到一个全局坐标系下，并经过数据融合使之能够便于后续的模型重建。本文首先提出了一种改进ICP算法，在采用标签法进行预定位的基础上，选取两个视图重叠区域中不同位置的数据点集作为控制点集，建立控制点的名义对应关系，然后进行坐标变换迭代求解，从而方便快速地实现了两个不存在明确对应关系的点云视图之间的准确定位。在进行多视拼合时，提出一种边定位边合并的方法，减少了多视顺序拼合时所产生的积累误差。对拼合后的视图，本文根据在重叠区域的缩小包围盒内采用加权平均的方法进行了数据融合。实例表明，本文提出的方法是行之有效的。     

噪声与共振环境下的数字助听器鲁棒声源定位法

提出了一种噪声与共振环境下的数字助听器鲁棒声源定位方法,该方法基于房间共振模型和多通道自适应特征值分解算法,利用自适应次梯度投影方法迭代地估计声源至各麦克风的脉冲响应系数,从而获得各麦克风对的时延差,并利用几何方法计算声源位置。针对眼镜数字助听器四元麦克风方阵的仿真表明,所提出的自适应次梯度投影方法在强噪声环境中的鲁棒性和定位精度优于传统NLMS算法。     

基于ELMD与改进SMSVM的机械故障诊断方法

机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。