一种具有三角模糊系数的线性规划方法

针对模糊系数的线性规划,提出了一种将三角模糊系数的线性规划转化为常规线性规划的方法,同时给出几个定理和命题以及相应的算法。该方法与常规方法的不同之处在于目标函数和限制条件中模糊系数的隶属度可以取不同的值。因此提出的方法取得的规划结果更加满足决策者的需要。最后通过实例说明该方法的有效性,并且表明该方法在某些条件下与一些常规方法是一致的。

Lp范数约束下的最大化L1范数主成分分析

针对主成分分析在处理污染数据时的敏感性且其投影向量非稀疏的特性,提出一种鲁棒主成分分析的优化模型.该模型的目标函数采用L1范数且投影向量受Lp范数约束.范数约束下的主成分分析算法被用来求解该模型且其理论分析表明该算法可取得局部最优解.另外把核函数嵌入到线性模型并给出核方案.通过在UCI数据集和人脸库上的实验表明该算法的可行性和有效性.

面向Kullback-Leibler散度不确定集的正则化线性判别分析

线性判别分析是一种统计学习方法.针对线性判别分析的小样本奇异性问题和对污染样本敏感性问题,目前许多线性判别分析的改进算法已被提出.本文提出了基于Kullback-Leibler(KL)散度不确定集的判别分析方法.提出的方法不仅利用了Ls范数定义类间距离和Lr范数定义类内距离,而且对类内样本和各类中心的信息进行基于KL散度不确定集的概率建模.首先通过优先考虑不利区分的样本提出了一种正则化对抗判别分析模型并利用广义Dinkelbach算法求解此模型.这种算法的一个优点是在适当的条件下优化子问题不需要取得精确解.投影(次)梯度法被用来求解优化子问题.此外,也提出了正则化乐观判别分析并采用交替优化技术求解广义Dinkelbach算法的优化子问题.许多数据集上的实验表明了本文的模型优于现有的一些模型,特别是在污染的数据集上,正则化乐观判别分析由于优先考虑了类中心附近的样本点,从而表现出良好的性能.

工业器件上的字符提取及识别

介绍了一个工业器件上字符识别和获取系统。在字符提取阶段,给出了两种字符的提取方法以及互补Ostu二值化方法。在识别阶段,对第一类字符利用TM矩和仿射不变矩提取特征并且组合成特征向量,然后利用交叉相关来识别;对第二类字符利用模板匹配法,基于Hu不变矩和TM矩的交叉相关分别得到各自的识别结果,然后采用投票原则来作出最后的判决。实验结果表明提出的方案是可行的和合理的。

基于“卓越计划”的《数字图像处理》课程教学改革实践

针对《数字图像处理》课程的特点,结合卓越计划的具体要求,从教学内容、教学方式、实际应用、考核方式等方面探讨了卓越计划下的教学设计方案。实践表明了这一系列的教学改革对提高卓越班学生的学习效果有明显的作用,使得卓越班学生的实践能力和创新能力得到显著的提升。

核不相关鉴别分析以及它在字符识别中的应用

核不相关鉴别分析是在线性不相关鉴别分析的基础上发展起来的·然而,由于核函数的运用,计算核不相关矢量集变得更加复杂·为了解决这个问题,提出一种解决核不相关鉴别分析的有效算法·该算法巧妙地利用了矩阵的分解,然后在一个矩阵对上进行广义奇异值分解·与此同时,提出了几个相关的定理·最重要的是,提出的算法能克服核不相关鉴别分析中矩阵的奇异问题·在某种意义上,提出的算法拓宽了已有的算法,即从线性问题到非线性问题·最后,用手写数字字符识别实验来验证提出的算法是可行和有效的·

具有行业特色的《数字图像处理》教学改革

根据卓越计划下人才培养的目标,修改原有数字图像处理课程的教学目标,在新的课程建设中,从教学内容、教学方法、培养团队意识、考核方面等方面论述煤矿行业下计算机专业的数字图像处理教学改革过程。实践表明这一系列的教学改革对于提高学生的学习兴趣和学习效果有明显作用,为培养学生实践能力和创新能力打下较好的基础。

人工智能综合实践教学的探讨与研究

根据人工智能综合实践教学的特点,结合人工智能应用型人才培养的具体要求,从综合实践的教学目标、构建实验教学平台、师资队伍和评价体系等角度进行探讨综合实践教学的必要性,目的是提高学生学习人工智能的积极性,从而将知识和实际应用相联系,达到培养学生的工程能力和创新能力。

工业器件上的字符提取及识别方法

针对工业器件上的文字，给出了一个字符识别系统。该系统主要由两部分组成，字符提取和字符识别。在字符提取阶段，给出了两种字符的提取方法以及互补Ostu二值化方法。在识别阶段，对第一类字符利用TM矩和仿射不变矩提取特征并且组合成特征向量，然后利用交叉相关来识别；对第二类字符利用模板匹配法，基于Hu不变矩和TM矩的交叉相关分别得到各自的识别结果，然后采用投票原则作出最后的判决。实验结果表明，提出的方案是可行和合理的。

基于前景和背景分析的手写体汉字切分方法

在离线手写体字符识别中，正确切分字符是提高识别性能的关键步骤之一。本文针对离线手写体汉字，提出了一种基于垂直投影法和前景一背景细化的切分算法。首先，本算法利用垂直投影法和背景细化的方法对非粘连字符进行切分，根据周边特性取得代价函数，利用动态规划法合并字块。其次，对于粘连字符，根据背景和前景细化的结果，选取一系列的特征点形成切分路径，然后利用代价函数来选择合适的路径。实验结果表明，提出的切分算法对手写体汉字字符有较好的切分效果。

一种自适应权值的PCA算法

针对传统PCA方法对离群点鲁棒性差的问题,提出了一种具有更高鲁棒性且自适应权值的PCA方法。在PCA方法的基础上建立了一个加权的重建误差和最小模型,通过引入信息熵来调节重建误差的权值;通过交替优化算法迭代求解模型。在Yale人脸库和UCI数据集上的实验表明该方法具有很好的鲁棒性和识别率。

基于核函数的PCA-L1算法

主成分分析方法由于使用了L2范数,因此对异常值较敏感。针对该问题,提出一种基于核函数的L1范数主成分分析方法。运用核函数将原始数据映射到核空间中得到核矩阵,再利用L1范数使距离函数达到最小。实验结果表明,该算法具有旋转不变性,对异常值和非线性问题具有稳定性,且正确识别率较高。

基于L_p范数的2DPCA的人脸识别方法

主成分分析(PCA)是降维的一种经典方法。二维主成分分析(2DPCA)在特征抽取之前不需要将图像矩阵转化为向量形式,所以能快速地提取特征。但是基于L2范数的PCA和2DPCA在遇到异常值时的表现不稳定而且得到的向量通常不是稀疏的。提出了一种基于L1范数的且受Lp范数约束的2DPCA方法(2DPCA-Lp)。当参数p接近1时,它可以得到稀疏的解。该方法既具有2DPCA的快速方便性,又是泛化的并且对异常值较不敏感。同时也证明该方法可以取得一个局部最大化的解。通过在ORL和UMIST人脸库上的实验表明了该方法的有效性。

基于实践的《数字信号处理》课程教学改革与建设研究

《数字信号处理》课程的特点是理论性强、公式繁琐,学生掌握起来较困难,产生厌学情绪。针对此特点,总结近几年该课程讲授经验教训,研究优化课程内容。从理论教学和实验教学两个方面进行探讨。理论教学方面,尽量避免复杂公式的推导,改善教学方法、优化教学内容,加强师生互动,提高学生的学习兴趣;实验教学方面,加强课堂MATLAB仿真实验的演示,精选课内和课外实验,重点培养学生主动学习、独立思考、动手实际解决问题的能力。经过尝试,学生学习效果较好。

基于实验的《数字信号处理》课程教学改革探讨

《数字信号处理》课程是理工科高校重要的专业基础课,这门课特点是概念抽象、具有较强理论性和实践性。学生经过学习普遍反映较难理解,且无法将课堂上所学的理论知识转化为实际应用。结合我校工程应用型人才培养的要求,提出理论教学、实验教学、教学方法以及评价体系等各方面的教学改革,以能力和实践培养为核心,注重提高学生的主动性和学习兴趣,重点培养实际动手能力和创新能力。经过检验,取得较好的教学效果。

鲁棒的加权核主成分分析算法

为减弱离群点对数据处理的影响,提出了一种鲁棒的加权核主成分分析算法。利用核函数将样本投影到核空间,在核空间构建一个样本加权重建误差最小模型,最大限度地提取数据中的非线性信息并降低离群点样本的干扰。在Yale人脸库和UCI数据集上的实验表明,该方法具有很好的识别率,尤其对离群点样本具有较好的鲁棒性。

基于一阶和二阶信息图像表示的人脸识别

针对人脸训练集中的样本存在不同程度的变换(比如平移、旋转、缩放等),导致传统的基于稀疏表示的分类算法(SRC)、基于协同表示的分类算法(CRC_RLS)在分类时精度降低,提出了一种基于一阶和二阶信息的图像分类表示算法(SRC_FSD)。这种方法通过测试图像的像素值是由对应训练图像的邻近像素值图像的重建而成的,利用泰勒公式,考虑了一阶和二阶信息,目的是消除变换对图像造成的影响,从而提高测试样本的分类精度。最后在extended Yale B和AR人脸数据集上进行了不同维度下样本的对比实验,实验结果表明该方法具有很好的鲁棒性,有效地提高了人脸识别率。

基于Lp范数的样本对加权的人脸识别

针对双向的二维主成分分析算法容易受到样本均值影响的问题,提出一种优化模型并用迭代算法对其进行求解。该模型不仅能有效避免样本均值的影响,而且采用高斯函数对样本对进行加权,通过控制模型的参数p求取稀疏的最优投影向量,在一定程度上减弱部分遮挡对人脸识别的影响。在NYU_UMIST、Yale和ORL人脸数据库上的实验结果表明,与同类算法相比,该算法性能提高1%-4%。

一种具有Lp范数约束的特征提取算法

针对Lp范数约束的最大化L1范数主成分分析受样本均值影响的特点,提出一种新的优化模型。该模型能避免样本均值对优化模型的影响。一种迭代算法被用来求解该模型并且取得局部最优解。在NYU_UMIST人脸数据库和UCI数据集上的实验表明该方法的识别性能比以前方法的性能改善1%～3%。

基于样本加权的格拉斯曼平均算法

格拉斯曼平均子空间对应着高斯数据的主成分,解决了PCA的扩展性问题,但算法假定样本的贡献取决于样本的长度,这可能导致离群点对算法的干扰较强。为此,利用无监督学习数据的局部特性或监督学习中样本的类别信息建立样本的权重,从而提出一种基于样本加权的格拉斯曼平均的算法,在UCI数据集和ORL人脸数据库上的实验结果表明,新算法有好的鲁棒性并且其识别率比已有方法提高1%~2%。