基于鲁棒回归度量学习的图像分类算法

度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优特征子空间和稀疏表示进行联合学习,在更具判别性的低维表征空间中,通过稀疏表示有效地编码数据的局部结构信息,进而更好地揭示数据的内在鉴别信息,并以此指导该模型学习到最优的投影矩阵;同时对噪声矩阵和投影矩阵的行稀疏约束,可以极大降低噪声的影响.实验结果表明所提算法在图像分类准确率和鲁棒性方面均优于其他对比算法.

基于小生境技术的人脸分类算法

提出了一种基于小生境技术的人脸分类算法,通过基于小生境技术的算法实现人脸图像的自动分类识别。实验数据分析表明,该方法能对人脸进行有效分类。

脉冲噪声环境的一种递归全局最小平均P-范数算法

本文给出了适应于α 稳定噪声环境的一种递归全局最小平均P 范数算法 ,其可用于递归计算自适应滤波和系统辨识问题的全局最小平均P 范数算法 .针对α 稳定噪声的冲击性 ,本文所提出的自适应算法采用了有名的power迭代法 ,并通过计算机仿真比较了有关算法的性能 .

微生物燃料电池运行过程中的电化学性能

取葡萄糖浓度2 000 mg/L,介体浓度1.66×10^(-1)mmol/L,考察电池长达13天运行过程中的电化学性能变化.电池启动约1.5 h后,开路电压达到最大,电池运行进入平台期.传荷阻抗由第1天的216Ω减小到第4天的76.52Ω,此时生物膜完全成熟,运行平稳且状态佳.至第13天时,传荷阻抗已经增大至1 657Ω,长期运行导致生物膜的电化学活性降低,电池产电能力大大下降.

温度对微生物燃料电池电化学性能的影响

分别在20℃,37℃和45℃三个温度条件下以间歇方式运行大肠杆菌生物燃料电池(MFC),研究功率密度、电极电势、电化学阻抗等电化学性质随温度的变化规律.结果表明:温度从20℃提高到37℃,最大功率密度从53.35mW/m2(275mA/m2)增加到610.5mW/m2(2 775mA/m2),增长了10.5倍;同时阳极电极电势降低;且阳极电化学阻抗由741.9Ω降低到42.4Ω.在一定温度范围内,升高温度不仅能提高电池功率输出,而且能增强其电化学活性.但是,太高的温度反而不利于生物燃料电池的运行.45℃时的最大功率密度只有171mW/m2(600mA/m2),比37℃时最大功率610.5mW/m2(2 775mA/m2)减少72%;同时阳极电化学阻抗由42.4Ω增加到416.1Ω.大肠杆菌生物燃料电池在37℃时具有最佳的电化学性能.可见,温度在生物燃料电池运行中是一个非常重要的操作参数.

多媒体大数据处理与分析专题前言

在当今信息爆炸时代，随着网络通信、数字电视和计算机技术的快速进步，图像、视频、声音、文本等多媒体数据的获取、处理、分析和展现技术也得到迅速发展，多媒体系统的应用已渗透到人们生活的各个领域，这在很大程度上方便了人们的生活，也很大程度地改变了人们的工作、生活方式．特别是近年来，监控视频、娱乐媒体、社交媒体、医学图像、消费者拍摄的图像／视频等多媒体数据量剧增，

基于GBDT的商品分配层次化预测模型

商品预测是使用以往商品信息去估计和推断未来商品的销售趋势,并以此作为对商品进行合理调配与规划的依据.为实现对商品销售的精确预测,在GBDT基础上,提出了一种层次化集成预测模型(HGBDT).针对数据表征的高维问题,基于Bagging思想,在特征空间构建了该模型,实现对商品的有效描述,以此提高预测模型的性能与泛化能力.在开放数据库上的实验结果验证了本文模型的有效性.

一种自适应全局最小平均p-范数算法

本文给出了适应于α 稳定噪声环境中自适应滤波和系统辨识的全局最小平均p 范数算法 ,其是总体最小二乘方法在脉冲噪声中的推广 .本文还定义了全局lp 模误差和推导了点到直线的lp 距离 ,并在此基础上导出了全局最小平均p 范数算法 .对所给算法进行了仿真实验研究 。

LD泵浦Nd:YVO_4/LBO单频671nm激光器

利用半导体激光器(LD)端面抽运位于四镜环行腔中的Nd:YVO4晶体,保证激光器单频运转的腔内光学单向器由TGG和λ/2波片构成。腔内倍频晶体选用Ⅰ类临界相位匹配LBO晶体,我们获得了输出功率为360mW,波长为671nm的单频红光。

“Web应用基础”课程项目驱动式教学研究

"Web应用基础"课程作为计算机学科本科生的专业基础课,在国内各个高校中已经得到广泛开设。考虑到目前本科学生计算机能力水平参差不齐,本文基于"Web应用基础"课程的特点,探索相应的项目驱动式教学方法,研究了具体的教学内容和教学方案,给出了典型的教学案例。该课程通过教学改革,充分调动了不同计算机能力水平的学生的学习积极性,提高了教学效果。

最近最远得分的聚类性能评价指标

聚类算法是数据分析中广泛使用的方法之一,而类别数往往是决定聚类算法性能的关键。目前,大部分聚类算法需要预先给定类别数,在很多情况下,很难根据数据集的先验知识获得有效的类别数。因此,为了获得数据集的类别数,本文基于最近邻一致性和最远邻相异性的准则,提出了一种最近最远得分评价指标,并在此基础上提出了一种自动确定类别数的聚类算法。实验结果证明了所提评价指标在确定类别数时的有效性和可行性。

融合全局与局部区域亮度的逆光图像增强算法

逆光是造成图像质量降低的主要原因之一。针对逆光拍摄造成的亮度降低与细节信息损失等问题,本文提出了一种融合全局与局部区域亮度的逆光图像增强算法。通过颜色估计模型(CEM)对逆光图像进行全局增强,恢复图像细节信息。在此基础上,为避免颜色估计模型对逆光图像的局部区域进行增强时出现的"虚化"问题,建立了局部亮度保持的颜色估计模型。此外,为平衡全局与局部区域的增强性能,提出了一种基于图像局部块信息熵的自适应融合方法。实验结果验证了本文算法的有效性。

动态小生境人工鱼群算法的图像分割

为了克服传统基于聚类的图像分割算法需要指定聚类数目以及依赖初始值等缺点,提出了一种基于动态小生境的人工鱼群算法的图象分割方法。该算法将图像分割问题转化为根据图像像素特征对像素的自动聚类问题。采用更为简单的个体描述方式,每条人工鱼表示一个分割区域的一个可行解,并对进化过程中的人工鱼进行动态的划分小生境,每个小生境对应了图像分割问题中一个分割区域。通过对鱼群行为的模拟及种群的动态划分实现了对图像分割问题的分割区域中心和区域数的同时进化,实现了一种新的聚类算法,并实现了对图像的自动分割。实验结果表明:该算法可以自动地估计分割的区域数,并获得较好的分割性能。

基于密度差分的自动聚类算法

聚类作为无监督学习技术,已在实际中得到了广泛的应用.但是对于带有噪声的数据集,一些主流算法仍然存在着噪声去除不彻底和聚类结果不准确等问题.提出了一种基于密度差分的自动聚类算法(clustering based on density difference,简称CDD),实现了对含有噪声数据集的自动分类.所提算法根据噪声数据和有用数据密度的不同,实现了去噪声和数据的分类,并通过构建数据间的邻域,进一步实现了对有用数据间不同类别的划分.通过实验验证了所提算法的有效性.

利用全景图的视频稳像算法

针对具有场景变换、景深变换较小的抖动视频,本文提出了一种利用全景图的视频稳像方法。不同于传统稳像方法,本文所提算法利用原始视频序列生成广角视图,通过后期抽取视频帧,以合成方式输出稳定视频。通过区域块的运动估计,获取相机的运动轨迹;在此基础上,为消除视频抖动导致的原始运动轨迹的非平滑问题,提出了一种基于运动矢量统计的相机运动模式判决方法,并以此选择相应的平滑方式。最后,通过平滑后的运动轨迹对全景图进行抽帧,合成平滑、稳定视频。实验结果表明,本文提出的稳像方法能有效去除较大抖动,同时避免了对视频宽度的裁剪等后处理,具有较好的稳像能力。

图拉普拉斯正则化稀疏变换学习图像去噪算法

从噪声图像中恢复干净的图像是对图像进行有效处理与分析的首要前提之一,而去除噪声的同时保持图像的特征则是图像去噪的一个具有挑战性的问题。为了在去除噪声的同时尽量保持图像的局部结构特征,提出了一种基于图拉普拉斯正则化稀疏变换学习的图像去噪算法。通过引入图拉普拉斯正则化对邻域像素进行约束,可以较好地保护相邻像素之间的相关性,从而增强图像的局部平滑性。并且,为了更好地利用图像的非局部信息,在相似图像块度量中引入优化后的稀疏编码,从而寻找到更准确的相似图像块。实验结果表明,无论是在量化指标还是视觉质量上,所提算法均能取得较好的去噪性能。

连续波Nd:YVO_4/LBO稳频倍频红光全固态激光器

利用激光二极管(LD)端面抽运YVO4-Nd∶YVO4复合晶体,采用四镜环形谐振腔及Ⅰ类临界相位匹配(CPM)LBO晶体进行腔内倍频,在腔中插入TGG晶体和λ/2波片组成的光学单向器,设计了满足热不灵敏条件和最佳倍频条件的谐振腔型,实现了全固态连续稳频倍频红光激光器。在19 W抽运功率下,同时获得了610 mW的671 nm单频红光输出和400 mW的单频1342 nm红外光输出。红光30 min内输出功率波动小于±0.6%。自由运转时,基频光(1342 nm)1 min频率漂移为±5 MHz,锁定后基频光1 min频率稳定性优于±1 MHz。

Dynamic Niching Genetic Algorithm with Data Attraction for Automatic Clustering

A genetic clustering algorithm was developed based on dynamic niching with data attraction. The algorithm uses the concept of Coulomb attraction to model the attraction between data points. Then, the niches with data attraction are dynamically identified in each generation to automatically evolve the optimal number of clusters as well as the cluster centers of the data set without using cluster validity functions or a variance-covariance matrix. Therefore, this clustering scheme does not need to pre-specify the number of clusters as in existing methods. Several data sets with widely varying characteristics are used to demonstrate the superiority of this algorithm. Experimental results show that the performance of this clustering algorithm is high, effective, and flexible.