HGHD:一种基于超图的高维空间数据聚类算法

传统聚类算法无法有效地处理现实世界中存在许多高维空间数据。为此，提出一种基于超图横式的高维空间数据聚类算法HGHD,通过数据集中的数据及其间关系建立超图横型，并应用超图划分进行聚类，从而把一个求解高维空间数据聚类问题转换为一个超图分割寻优问题。该方法采用自底向上的分层思想，相对于传统方法最大的优势是不需要降维。直接用超图模式描述原始数据之间的关系，能产生高质量的聚类结果。     

基于Sinkhorn距离特征缩放的多约束非负矩阵分解算法

为了减少原始特征对非负矩阵分解(NMF)算法的共适应性干扰,并提高NMF的子空间学习能力与聚类性能,该文提出一种基于Sinkhorn距离特征缩放的多约束半监督非负矩阵分解算法。首先该算法通过Sinkhorn距离对原始输入矩阵进行特征缩放,提高空间内同类数据特征之间的关联性,然后结合样本标签信息的双图流形结构与范数稀疏约束作为双正则项,使分解后的基矩阵具有稀疏特性和较强的空间表达能力,最后,通过KKT条件对所提算法目标函数的进行优化推导,得到有效的乘法更新规则。通过在多个图像数据集以及平移噪声数据上的聚类实验结果对比分析,该文所提算法具有较强的子空间学习能力,且对平移噪声有更强的鲁棒性。     

基于Mueller矩阵分解的非监督聚类算法

该文描述了一种利用极化SAR图像的Mueller矩阵分解系数进行非监督聚类的算法。根据关于各种地貌目标散射电磁波机理的先验知识,该算法可以在不需要任何实地勘测的条件下将图像粗略地分割为三种完全不同的、物理含义明显的类别,即建筑区域、茂密植被和微粗糙表面(例如水面)。与利用单极化灰度图像的非监督分类算法相比,该算法的突出特点是不仅仅将每个像素按照其特征紧密地聚集在一起,而且还能确定每个聚类的散射机理,进而确定目标类型。     

基于流形正则化非负矩阵分解的高光谱数据降维

采用基于流形正则化非负矩阵分解(MR-NMF)的高 光谱数据降维方法。新方 法通过构建样本的近邻图描述数据几何结构,然后将其作为正则项加入NMF的目标函 数中进行组合优化。在真实的高光谱数据集HYDICE上进行的实验结果表明,新方法能 够提高高光谱图像分类的精度。     

基于超图排序算法的视频摘要

视频摘要技术作为一种快速感知视频内容的方式得到了广泛的关注.现有基于图模型的视频摘要方法将视频帧作为顶点,通过边表示两个顶点之间的关系,但并不能很好地捕获视频帧之间的复杂关系.为了克服该缺点,本文提出了一种基于超图排序算法的静态视频摘要方法（Hyper-Graph Ranking based Video Summarization,HGRVS）.HGRVS方法首先通过构建视频超图模型,将任意多个有内在关联的视频帧使用一条超边连接;然后提出一种基于超图排序的视频帧分类算法将视频帧按内容分类;最后通过求解提出的一种优化函数来生成静态视频摘要.在Open Video Project和YouTube两个数据集上的大量主观与客观实验验证了所提HGRVS算法的优良性能.     

基于超图正则化模型的本体概念相似度计算

概念的语义相似度研究,是知识表示以及信息检索领域中的一个重要内容.选择核函数计算本体图边的权值.求解超图正则化模型得到优化函数,从而将本体图中每个顶点映射成一个实数,通过比较实数间的差值判断两概念的相似程度.实验表明该方法对于计算本体概念间的相对相似度是有效的.     

奇异值分解算法优化

奇异值分解算法在信号处理、图像处理、信息安全等领域均有重要应用.针对该算法存在的性能问题,提出了基于gamma:1驱动的数据重用模型,提高计算负载平衡性,降低数据通信量;给出基于多处理器的并行分解模型,数值试验均表明算法具有较高的并行加速比和效率.     

基于超图的热计量表物联网分簇算法

为了提高热表物联网中热表数据传送的准确性和及时性,文章把超图理论引入热表物联网中,提出了一种基于超图的热表物联网分簇算法,此算法是把物联网采集数据的这种网络拓扑结构看成是一个超图模型,在超图模型划分的簇域中举出一个簇头,它作为本地基站将簇内节点传给它进行数据融合后再传给基站,提高数据传输的成功率,降低了节点消耗的能量,延长了网络寿命。最后通过仿真,将基于超图的热表物联网分簇算法与传统经典的LEACH算法进行比较,实验结果表明该算法能够有效地提高数据传输成功率,并减少节点能量消耗。     

基于流形正则的块增量距离尺度学习算法

 在实时应用中,观测样本通常以数据块的形式依次达到,传统的批量距离算法难以进行学习.本文提出一种新颖的利用成对约束关系进行学习的块增量距离尺度算法.首先给出块增量学习的一般模型,并通过扩展约束集克服其容易"过拟合"的缺陷;然后引入流形正则项使得学习过程中数据块的局部邻域结构得以保持.实验结果表明,本文算法学习的距离尺度在测试精度、计算开销上优于现有的增量距离算法,并且在存储开销方面显著优于批量距离算法.     

基于图正则化非负矩阵分解的二分网络社区发现算法

现实世界存在大量二分网络,研究其社区结构有助于从新角度认识和理解异质复杂网络。非负矩阵分解模型能够克服二分结构的限制,有效地挖掘二分网络的潜在结构,但也存在着时间复杂度高、收敛慢等问题。该文提出一种基于图正则化的三重非负矩阵分解(NMTF)算法应用于二分网络社区发现,通过图正则化将用户子空间和目标子空间的内部连接关系作为约束项引入到三重非负矩阵分解模型中;同时将NMTF分解为两个最小化近似误差的子问题,并给出了乘性迭代算法以交替更新因子矩阵,从而简化矩阵分解迭代,加快收敛速度。实验和分析证明：对于计算机生成网络和真实网络,该文提出的社区划分方法均表现出较高的准确率和稳定性,能够快速准确地挖掘二分网络的社区结构。     

基于Logistic函数的贝叶斯概率矩阵分解算法

在协同过滤推荐系统中,矩阵分解是一种非常有效的工具。贝叶斯概率矩阵分解模型具有预测精度高的优点,但不能表示潜在因子之间的非线性关系。针对该问题,该文提出一种基于Logistic函数的改进贝叶斯概率矩阵分解模型,并使用马尔科夫链蒙特卡罗方法进行训练。在两组真实数据集合上的实验表明,基于Logistic函数的贝叶斯概率矩阵分解算法能够明显提高预测准确性,有效缓解数据稀疏性问题。     

一种基于规范矩阵因式分解协同过滤推荐模型的并行改进

基于矩阵因式分解的协同过滤推荐模型具有很高的推荐精度和可扩展性,而其中大多数都是基于串行训练过程构造参数的,如能将其训练过程并行化,能进一步提高可扩展性.为解决上述问题,该文提出一种基于规范矩阵因式分解的协同过滤推荐(RMF)模型的并行改进(P-RMF)模型.P-RMF 模型应用交替随机梯度下降法取代随机梯度下降法训练参数,从而消除用户特征和项目特征在训练过程中的相互依赖,实现训练过程的并行化改进.实验表明,对比现有同类模型,P-RMF 模型在求解协同过滤推荐问题时,具有更快的速度和可扩展性.     

鲁棒约束恒模自适应波束形成算法

线性约束恒模算法能够有效克服恒模算法中存在的干扰捕获问题,但在信号方向向量存在偏差的情况下,其性能将会受到影响.针对上述问题,本文提出了鲁棒约束恒模自适应算法并对其性能进行了分析.该算法收敛速度快,抗扰动性强,对信号方向向量的偏差具有较强的鲁棒性,改善了系统的输出信干噪比.仿真实验表明,与线性约束恒模算法相比,鲁棒约束恒模算法具有很好的性能.     

基于约束非负矩阵分解的高光谱图像解混快速算法

约束非负矩阵分解是高光谱图像解混中常用的方法.该方法的求解通常采用投影梯度法,其收敛速度、求解精度和算法稳定性都有待提高.为此,本文针对较优的最小体积约束,提出一种基于约束非负矩阵分解的高光谱图像解混快速算法.首先优化原有的最小体积约束模型,然后设计了基于交替方向乘子法的非凸项约束非负矩阵分解算法,最后通过奇异值分解优化迭代步骤.模拟和实际数据实验结果验证了本文算法的有效性.     

基于Log-WT的人脸图像超分辨率重建

目前已有的基于学习的人脸超分辨率图像重建算法大都对亮度变化特别是阴影非常敏感,针对这一缺点,该文提出了一种不随光照变化的图像表示方法对数-小波变换(Log-WT),并在此基础上构造了一种新的人脸超分辨率图像重建算法。该方法首先利用Log-WT变换提取低分辨率图像与光照无关的内在特性,然后借助流形学习的思想建模高分辨率图像和低分辨率图像之间的关系,并对其加入人脸图像的专用先验约束,从而同时实现了超分辨率重建和图像增强。仿真结果表明该算法有效克服了传统方法受光照因素影响的缺点,在提高图像分辨率的同时克服了光照因素的影响,特别是对阴影效应的消除具有明显效果,将该方法应用于人脸识别,有效提高了识别率。     

基于约束随机分块的NMF图像哈希算法

基于非负矩阵分解(Non-negative Matrix Factorization, NMF)的图像哈希(image hashing)算法对图像有损压缩,低通滤波、尺度拉伸等处理具有很好的稳健性,但对图像旋转比较敏感。为此,该文在对NMF哈希算法的分块模式进行深入研究的基础上,提出一种可抗旋转攻击的NMF图像哈希算法。该方法通过对随机分块的区域进行限制,并选择合适的分块尺寸来减轻旋转攻击对图像造成的不良影响,从而提高了特征的旋转稳健性。实验表明,所提出的图像哈希算法在保持原NMF哈希算法对其它攻击稳健性的同时,能有效地抵抗旋转攻击。     

基于形式概念分析的多输入多输出真值表并行约简算法

真值表约简是数字逻辑电路分析与设计的关键问题之一,形式概念分析(Formal Concept Analysis, FCA)是一种从形式背景进行数据分析和规则提取的工具。该文将多输入多输出(Multiple-Input Multiple-Output, MIMO)真值表转化为决策形式背景,将真值表的约简问题转化为决策形式背景的最简规则提取过程,提出一种基于FCA的MIMO真值表并行约简算法。通过理论证明、实例演示和算法的复杂性分析,说明了新算法的正确性、有效性和快速性。     

改进投影梯度非负矩阵分解的单训练样本特征提取研究

人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系,可用于单样本特征提取,但时间复杂度较高。投影梯度(Projected Gradient,PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度,但是单训练样本存在对本类信息量描述不足的缺点。为此,该文提出了一种基于改进的投影梯度非负矩阵分解 (Improved Projected Gradient Non-negative Matrix Factorization,IPGNMF) 的单训练样本特征提取方法。在进行PGNMF算子之前,先将训练样本作Gabor分解,分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征,最后将各个Gabor子图像的PGNMF特征进行融合,作为最终的识别特征。在对人脸库ORL,YEL与FERET的识别实验中,与经典的特征提取方法比较,证明了可以有效地解决单训练样本人脸识别的问题。     

一种引入退火降温阈值函数约束的改进MP稀疏分解方法

匹配追踪(Matching pursuit, MP)方法可以在过完备库中实现信号的稀疏、能量集中的分解。该文从对信号分解稀疏性的有利原则出发,在迭代过程中,将过完备库划分为新(未选择过的)、旧(已选择过的)原子库,通过引入退火降温阈值函数来约束迭代过程中最优原子的选择,使选择的最优原子比原始MP方法有更大的可能性落入对信号稀疏性有利的旧原子库中,从而实现对信号更加稀疏的分解。对余弦调制指数信号和一段语音信号的分解结果,证实了改进MP方法对信号有更加稀疏的分解结果。