判别性正则化:一种新颖的分类器学习方法(英文)

提出了一种新颖的正则化方法-判别性正则化(Discriminative regularization,DR),为分类提供了一种通用的结合样本先验信息的方式.通过将先验信息引入到正则化项中,DR不但使分类器实际输出与期望输出之间的经验损失达到最小, 而且能在输出空间中同时最大化类间散性与最小化类内紧性.此外,通过将等式约束嵌入到目标函数中,DR的求解还可转化为解线性方程组问题,从而得到全局解析解.分类实验验证了DR的优越性.     

结合图像局部信息的高斯混合型图像分割框架

针对现有的基于判别型或聚类型的图像,用分割方法无法处理被噪声污染的图像的现状,提出一种新的两步式图像分割框架。该框架首先利用图像的局部信息重塑图像的灰度直方图,增强了像素的类间散布性和类内紧凑性,然后将现有的基于判别型或基于聚类型图像分割方法在重塑图像上执行,从而提高了现有图像分割算法的有效性和鲁棒性。文中用典型的聚类型方法高斯混合模型来说明该框架的可行性。由于框架的两个步骤具有独立性．因此可推广到现有的其他基于像素或直方图的方法。在人工和真实图像上的实验结果证明,这种两步图像分割框架可以获得有效且鲁棒的图像分割结果。     

基于快速提升KLDA准则的MSTAR SAR目标特征提取与识别研究

 核线性判别准则(KLDA)是一种非线性特征提取准则。利用KLDA提取MSTAR SAR图像特征,既达到较理想的识别概率,又可克服SAR图像对方位的敏感性。但此时训练样本最多,KLDA的计算代价高。为了解决这一问题,提出一种快速特征向量选择法（FFVS）。FFVS把类别和方位相似的SAR图像分成若干组,然后快速选择各组中部分图像组成一个集合且其到高维特征空间的映射作为一组基。利用该组基的线性组合表示任一样本和投影算子,降低了KLDA中核矩阵的阶数,达到降低计算代价的目的。实验结果表明,FFVS与KLDA组合能达到理想的识别结果。     

A Nonlinear Sub-grid Scale Model for Compressible Turbulent Flow

本文采用直接过滤的Navier-Stokes方程组作为可压缩湍流大涡模拟控制方程组。方程组中因过滤产生的高阶相关项用Taylor级数展开近似,但仅保留级数的一阶导数项。这样产生的误差相当于丢失了模型的部分耗散作用,本文用一种动力学非线性亚格子模型来补偿丢失的耗散影响。本文根据Caylay-Hamilton定理导出了一个非线性亚格子模型,模型中包含的系数由动力学模式确定。与传统的动力学Smagorinsky模式相比,这种动力学非线性模型(DNM)稳定性更好,且不需要在统计均匀方向进行统计平均来计算模型系数,因此减少了计算开销。本文用这种非线性亚格子模型对绕双椭球高超声速湍流进行了模拟,并将所得结果与实验值、计算值及理论值进行了对比。结果表明,本文模型可以有效地模拟可压缩湍流流场。     

不同强度磁暴期间热层大气密度响应特征分析

利用CHAMP卫星数据,对2002-2008年12个不同强度磁暴事件期间的热层大气密度变化特征进行分析,并研究对应磁暴期间大气模式NRLMSISE-00分布特征.结果表明,大磁暴期间日侧大气密度峰值从高纬到低纬的时间延迟为2h,中小磁暴期间的延迟时间为3～4h;春秋季暴时大气密度分布基本呈南北对称分布,而夏冬季大气密度的分布是夏半球大于冬半球,春秋季暴时大气密度大于夏冬季;NRLMSISE-00大气模式得到的热层大气密度很好的体现了半球分布以及季节分布的特征,但模式模拟结果偏小;Dst指数峰值比ap指数峰值更能反应大气密度的变化情况.      

最大熵磁共振成象理论

由于在实际磁共振成象系统中,只能得到有限的频谱数据,利用传统的ＦＦＴ方法重建磁共振图象,将导致截断的伪影和低的分辨率。本文提出了一种基于ＡＲ模型的最大熵磁共振成象算法,利用ＡＲ模型外推未知频谱数据,替代了ＦＦＴ方法的填零法重建,并利用了ＢＵＲＧ算法中的ＡＲ模型参数计算的有效性,不仅消除了截断伪影、抑制噪声、提高了分辨率,而且使重建时间与ＦＦＴ方法相当,完全适用于临床应用。     

凸轮弹性连杆复合机构的动力学修改

本文以胶印机递纸机构为研究对象,该机构为一两自由度凸轮连杆复合机构。在建立该机构运动弹性动力学（ＫＥＤ）有限元分析模型和现场袂测固有频率的基础上,提出了一种利用实 固有频率数据修正复合机构有限元动力模型的方法。其基本思想是利用机构各个运动位置上的固有频率实测值与有限元模型的计算值之间的加权误差建立目标函数,然后利用优化方法使目标函数极小化,从而求出有限元模型参数的修正值。计算结果表明该方法是简便有     

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。     

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析（G2DPCA)的合成孔径雷达（SAR）图像目标特征提取 方法。与主分量分析（PCA）相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不 是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析（2DPCA ）相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别 （MSTAR）计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征 维数的同时,又改善了识别性能,并且正确识别率在97％以上,且对目标方位变化具有较 好的鲁棒性。     

一种虹膜特征提取与匹配方法

人眼虹膜尺寸很小,并且容易受到干扰,如果不能有效地提取出稳定的虹膜特征进行模式匹配,将严重影响虹膜识别的准确性和鲁棒性。本文提出一种稳定的虹膜特征提取与匹配方法,在虹膜注册端通过构建强特征分类器获得增强型特征模板,在虹膜识别端通过多样本特征映射融合提取稳定的特征样本,并根据风险预测自适应地确定分类阈值,然后进行特征匹配与虹膜分类,从而有效提高虹膜识别的准确性和鲁棒性。