基于核最小二乘回归子空间分割的高维小样本数据聚类

针对基于线性表示理论的子空间分割方法没有考虑高维小样本数据的非线性性质,借鉴核理论,提出核最小二乘回归子空间分割方法,使子空间分割方法适合高维小样本数据的非线性性质.经6个基因表达数据集和4个图像数据集上的实验,表明该方法是有效的.     

基于RGB通道下模糊核估计的图像去模糊

图像去模糊旨在从受损图像中恢复出清晰图像。由于模糊过程未知,精确地估计出模糊核函数,成为得到清晰复原图像的关键。对于彩色图像来讲,现存的方法只考虑在灰度域估计模糊核。事实上,各个通道的色彩分量图所受到的模糊核函数的影响是不同的。为此,提出一种获得更加精确的模糊核的方法,利用彩色图像的3个色彩通道(RGB channels)代替灰度域分别进行模糊核估计,并将估计出的模糊核应用到基于细稀疏表示的复原模型中进行去模糊处理。仿真实验表明,提出的方法比目前的方法能够获得更好的图像复原效果。     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。     

基于卷积核分解的深度CNN模型结构优化及其在小图像识别中的应用

小图像由于像素少、分辨率低、整幅图像包含信息较少,识别较为困难。目前优秀的深度卷积神经网络模型多为大图像而设计,而用于小图像的模型则存在着层次不够深、难以对特征进行充分抽象的不足。本文基于VGG19模型,依据卷积核分解的原理,设计了一种KDS-DCNN模型,模型深度达到31层,解决了目前超深度模型不能直接用于小图像识别的问题,实验表明该方法不但提升了识别性能,而且还降低了模型的时间复杂度。在CIFAR-10、CIFAR-100和SVHN三个数据集上的验证结果显示,KDS-DCNN模型性能优越,其识别错误率分别降低到29.46%、6.02%和2.17%。     

基于卡方核的正则化线性判别行人再识别算法

针对行人再识别过程中存在获取的训练样本较少,真实样本分布不一定线性可分和算法识别率低的问题,提出基于卡方核的正则化线性判别分析行人再识别算法(KRLDA,kemel regularized linear discriminant analysis)。该算法首先利用核函数将样本从线性不可分的原始空间映射到线性可分的高维特征空间,然后在高维空间中构造描述数据之间邻近关系的散度矩阵,再利用正则化线性判别分析获得高维到低维空间的投影矩阵,使得数据在低维空间能够保持高维空间的可分性,从而提升行人再识别算法的识别率。在VIPeR、iLIDS、CAVIAR和3DPeS数据集上,实验结果表明所提出的算法具有较高识别率。     

中南半岛恐怖袭击事件时空演变特征分析

 以国际恐怖主义事件数据库等数据源为基础,采用空间统计和核密度分析方法,分析了中南半岛恐怖袭击的时空演变特征,探讨了恐怖袭击目标和方式的转变特征,介绍了中南半岛恐怖袭击事件中的主要恐怖组织。研究表明,中南半岛逐渐成为恐怖组织袭击的重点区域之一,并且采取的方式杀伤性更强,政府应该采取措施预防应对恐怖袭击事件。     

基于ICA变量分组的集成软测量方法研究

提出了一种基于独立主成分分析（independent component analysis,ICA）变量分组和集成学习的软测量建模方法.该方法首先运用ICA对输入过程变量进行分组,建立多个变量组子空间.然后在各变量组子空间内提取子样本集,降低变量和变量组之间的耦合性,并基于核偏最小二乘法（KPLS）建立预测子模型.最后,采用贝叶斯方法对子模型的输出进行集成,给出最终预测结果.运用该方法对工业橡胶密炼过程的数据进行了预测,并与其它软测量方法的结果进行比较分析,实验结果表明,本文提出的方法具有更好的预测性能.      

Minimal kernels of Dirac operators along maps

Let M be a closed spin manifold and let N be a closed manifold. For maps and Riemannian metrics g on M and h on N, we consider the Dirac operator of the twisted Dirac bundle . To this Dirac operator one can associate an index in . If M is 2‐dimensional, one gets a lower bound for the dimension of the kernel of out of this index. We investigate the question whether this lower bound is obtained for generic tupels .     

Brownian motion with drift on spaces with varying dimension

Many properties of Brownian motion on spaces with varying dimension (BMVD in abbreviation) have been explored in Chen and Lou (2018). In this paper, we study Brownian motion with drift on spaces with varying dimension (BMVD with drift in abbreviation). Such a process can be conveniently defined by a regular Dirichlet form that is not necessarily symmetric. Through the method of Duhamel’s principle, it is established in this paper that the transition density of BMVD with drift has the same type of two-sided Gaussian bounds as that for BMVD (without drift). As a corollary, we derive Green function estimate for BMVD with drift.