基于自适应邻域选择的局部线性嵌入算法

为了提高高维数据维数约简的计算效率,基于局部邻域相关的权重与稀疏矩阵,提出了1种改进的局部线性嵌入算法。对于高维数据维数约简的信息量估计,采用了相关维数估计方法来计算一致流形信息量的上界。采用Swiss、Broken swiss、Helix、Twinpeaks和Intersect 5种经典数据集进行实验评估。实验结果显示,与局部线性嵌入算法相比,针对5种经典数据集,该文算法速度分别提高了27.60%、27.51%、27.18%、28.31%和45.28%。

并行节约算法的自适应邻域选择策略

为了提高并行节约算法的运算效率,需要运用合理的邻域选择策略和数据结构来降低算法的空间和时间复杂度。以车辆路径问题(vehicle routing problem,VRP)的数据规模和客户点的分布情况为切入点,综合考虑客户点的邻域范围与距离、规模、分布情况的关系,提出一种基于自适应思想的邻域选择策略,提高邻域选择的合理性,通过进一步优化数据存储结构降低存储空间。多组仿真测试证实,与其他邻域选择策略相比,自适应策略可以在保证运算质量的前提下,大幅度提高节约算法的运算速度,降低存储空间,且针对客户点较为集中的VRP具有明显的优势,其中rl5915表现最为突出,运算时间只需要其他邻域选择策略的50%左右。理论研究和实验结果证实自适应邻域选择策略可以有效提高节约算法的运算速率。

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。

自适应最优邻域尺寸选择的三维激光点云分类研究

针对三维激光点云分类中点特征提取邻域大小选择困难问题,本文基于自适应最优邻域尺寸选择实现三维激光点云精细分类。首先使用局部邻域协方差矩阵特征值得到的线性特征、平面性特征和散射性特征构造局部邻域熵函数,通过局部邻域熵函数取最小值时的最佳邻域尺寸计算点云特征描述参数;基于特征描述参数提取点云特征;最后根据递归特征消除法(RFE)筛选出最优特征子集,采用随机森林算法对特征子集进行分类。利用公开标记的Oakland三维激光点云数据集进行实验,结果表明本文点云分类方法的总体分类精度达94.1%,平均F_(1)分数达到76.8%。

基于改进变邻域搜索算法的多批次协同任务规划

目的对多批次协同任务进行分析与建模,并研究任务规划的求解算法。方法以车载装备多批次协同执行任务为例,综合考虑时间协同、任务区域协同和补给区域协同约束,以暴露时间最短为目标函数建立模型,并提出一种改进变邻域搜索算法进行求解,该方法根据邻域的优化能力自动调整迭代时选择该邻域的概率。结果仿真结果表明,改进策略在不降低最优解质量的情况下,能够避免标准变邻域搜索算法后期易出现某些邻域长时间无法寻找到最优解的情况,有效提高了算法的效率。结论变邻域搜索算法可以解决多批次任务规划问题,改进后的算法减少了后期对优化能力不强的邻域的搜索次数,有效提升了算法效率。

基于自适应的保局投影的疲劳识别

驾驶员疲劳驾驶是造成交通死亡事故的重要原因之一,研究驾驶疲劳自动识别具有重要的理论意义和应用价值。提出了一种新的基于自适应的保局投影的疲劳识别方法。采用保局投影进行疲劳特征提取,并利用邻域压缩或扩张方法自适应选取保局投影算法中的邻域,既加强了样本点间的关联性,又保持了局部几何结构;采用模糊k近邻的方法进行疲劳识别。在人脸疲劳数据集上进行实验,结果说明了该方法的有效性。

自适应Hessian LLE在机械故障特征提取中的应用

针对机械故障中高维特征提取难的问题,提出了一种自适应选择邻域的流形学习算法。该算法基于流形局部弯曲度估计切空间,能使所有样本点自适应地选择邻域。将自适应选择邻域算法应用到海森局部线性嵌入(HLLE)中,改进后的HLLE在邻域图构建方面更能保证局部线性度,从而保证了Hessian LLE的降维性能。最终将自适应HLLE应用于滚动轴承4种不同状态的故障特征提取中,从提取样本的低维特征与识别精度的结果表明,自适应HLLE算法能够在邻域选择上对参数的选取具有较强的鲁棒性,提取机械故障的低维特征更加准确。

基于局部敏感判别分析的路网状态特征提取模型研究

为简化路网状态表达,最大限度地实现路网信息增值,本文构建了从海量历史交通数据中提取特征参量来表达路网运行状态的模型.模型选取城市区域路网的流量、车速和密度数据,综合考虑交通数据的非线性和相关性,基于自适应邻域选择的局部敏感判别分析算法,实现城市路网数据特征提取.通过实例验证了模型的有效性.结果表明:本文得到的特征参量能有效地描述路网状态变化的24 h周期性,可直观反映早晚高峰现象及工作日与周末的区别性;与核主成分分析算法比较,模型得到的特征参量具有可分性更好的特点,可以表达宏观路网运行状态,为交通管理者提供决策依据.

基于荧光磁粉图像的缺陷检测技术

荧光磁粉无损检测因具有缺陷显示直观、灵敏度高、检测速度快且成本低等优点而被广泛采用。在分析工件表面缺陷的荧光磁粉图像显示特性基础上,研究缺陷图像的平滑去噪和分割等处理算法,提出基于加权模板和自适应邻域选择的图像平滑算法,并将Ridler自适应阈值法应用于缺陷图像分割。实验结果表明,此种方法能够很好地去除伪缺陷,将图像中工件的真实缺陷从背景区域中完整地提取出来,为荧光磁粉自动化无损检测打下良好的基础。

基于流形学习的高分SAR图像建筑区提取方法

高空间分辨率(简称"高分")SAR图像具有高维非线性特点,以高维空间蕴含的低维流形描述SAR图像,会更有利于目标识别。将流形学习应用到高维SAR目标识别的特征表达中,提出一种新的高分SAR图像建筑区提取方法。首先,对高分SAR图像进行预处理;然后,采用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取8种纹理特征,与灰度图像共同构建SAR图像的高维特征集;利用自适应邻域选择的邻域保持嵌入(adaptive neighborhood selection neighborhoods preserving embedding,ANSNPE)算法对高维特征集进行特征提取,提取出新的特征;最后,通过阈值分割及后处理提取建筑区,并进行精度评价。选择Terra SAR-X数据进行实验研究,结果表明,ANSNPE算法能够从高分SAR图像中有效提取建筑区,并具有较强的泛化能力;通过训练数据获得的投影矩阵可直接应用到新样本中,建筑区提取精度达85%以上。

基于自适应LTSA算法的滚动轴承故障诊断

针对故障特征集维数高以及冗余的问题,提出一种自适应邻域选择的改进局部切空间排列维数约简方法.通过考虑流形的采样密度、局部弯曲度和局部切空间近似偏离角度,自适应构建样本邻域,以保证局部线性度,能提高算法鲁棒性.为提高故障诊断准确率,提出改进Fisher准则的特征评价方法,首先对原始特征集进行特征选择,优选出能表征类间散度大、类内散度小和低冗余的故障特征,然后采用改进的局部切空间排列算法进行特征融合,得到低维的敏感特征子集,并输入到k最近邻分类器进行故障识别.用滚动轴承不同部位、不同故障程度的实验数据验证了该方法的有效性.

联合局部约束的邻域嵌入人脸超分辨率重建

目的现有的基于邻域嵌入的人脸超分辨率重建算法只利用了低分辨率图像流形空间的几何结构,而忽略了原始高分辨率图像的流形几何结构,不能很好的反映高低分辨率图像流形几何结构的关系。此外,其对同一幅图像中的不同图像块选取固定数目的最近邻域图像块,从而导致重建质量的下降。为了充分利用原始高分辨率图像空间的几何结构信息,提出基于联合局部约束和自适应邻域选择的邻域嵌入人脸超分辨率重建算法。方法该方法结合待重构图像与低分辨率图像样本库的相似性约束与初始高分辨图像与高分辨率图像样本库的相似性约束,形成约束低分辨率图像块的重构权重,并利用该重构权重估计出高分辨率的人脸图像,同时引入自适应邻域选择的方法。结果在CAS-PEAL-R1人脸库上的实验结果表明,相较于传统的基于邻域嵌入的人脸超分辨率重建方法,本文算法在PSNR和SSIM上分别提升了0.39 d B和0.02。相较于LSR重建方法,在PSNR和SSIM上分别提升了0.63 d B和0.01;相较于LcR重建方法,在PSNR和SSIM上分别提升了0.36 d B和0.003 2;相较于TRNR重建方法,在PSNR和SSIM上分别提升了0.33 d B和0.001 1。结论本文所提的重建方法在现有人脸数据库上进行实验,在主观视觉和客观评价指标上均取得了较好的结果,可进一步适用于现实监控视频中人脸图像的高分辨率重建。