A SUFFICIENT CONDITION FOR AFFINE FRAMES WITH MATRIX DILATION

A sufficient condition for affine frame with an arbitrary matrix dilation is presented. It is based on the univariate case by Shi, and generalizes the univariate results of Shi, Casazza and Christensen from one dimension with an arbitrary real number a （a 〉 1） dilation to higher dimension with an arbitrary expansive matrix dilation.

Robust D-stability LMI conditions of matrix polytopes via affine parameter-dependent Lyapunov functions

The problem of the robust D-stability analysis for linear systems with parametric uncertainties is addressed. For matrix polytopes, new conditions via the affine parameter-dependent Lyapunov function of uncertain systems are developed with the benefit of the scalar multi-convex function. To be convenient for applications, such conditions are simplified into new linear matrix inequality （LMI） conditions, which can be solved by the powerful LMI toolbox. Numerical examples are provided to indicate that this new approach is less conservative than previous results for Hurwitz stability, Schur stability and D-stability of uncertain systems under certain circumstances.

一种求解低秩矩阵补全的修正加速近端梯度算法

设计适应大规模数据的快速算法是求解低秩矩阵补全的重点。文章改变了加速近端梯度算法的步长,对近似函数的近端最优点和上一迭代点增加了一个仿射组合。通过控制仿射系数,能够使得到的新迭代点有靠近原函数的趋势,进而能在保持算法精度的同时提高算法效率。最后通过相应的数值实验证明了算法的有效性和稳定性。

统一框架的增强深度子空间聚类方法

深度子空间聚类是一种处理高维数据聚类任务的有效方法。然而,现有的深度子空间聚类方法通常将自表示学习和指标学习作为两个独立的过程,导致在处理具有挑战性的数据时,固定的自表示矩阵会导致次优的聚类结果;另外,自表示矩阵的质量对聚类结果的准确性至关重要。针对上述问题,提出一种统一框架的增强深度子空间聚类方法。首先,通过将特征学习、自表示学习和指标学习集成在一起同时优化所有参数,根据数据的特征动态地学习自表示矩阵,确保准确地捕捉数据特征;其次,为了提高自表示学习的效果,提出类原型伪标签学习,为特征学习和指标学习提供自监督信息,进而促进自表示学习;最后,为了增强嵌入表示的判别能力,引入正交性约束帮助实现自表示属性。实验结果表明,与AASSC(Adaptive Attribute and Structure Subspace Clustering network)相比,所提方法在MNIST、UMIST、COIL20数据集上的聚类准确率分别提升了1.84、0.49、0.34个百分点。可见,所提方法提高了自表示矩阵学习的准确性,聚类效果更好。

基于自适应邻域局部保留ELM-AE的机械故障诊断

针对机器学习故障诊断中存在的先验知识依赖以及数据利用不充分问题,提出一种自适应邻域的局部保留极限学习机自动编码器方法。成对样本在原始数据空间和嵌入的表示空间中引入欧几里得距离惩罚因子,实现数据样本的相似性分类;提出一个统一的目标函数,可以同时学习数据表示和关联矩阵,并提出一个软判别约束防止过度拟合。实验结果表明,融合学习关联矩阵和数据表示方法具有学习速度快、泛化能力强和诊断精度高等优点。

一种Data Matrix条码的快速识别方法

为满足工业流水线对条码识别实时性的要求,提出了一种Data Matrix条码快速识别方法。采用形状参数、圆形性作为矩形特征,初步确定Data Matrix条码位置;采用距离为角度的函数对Data Matrix条码边界进行标记,将Data Matrix的2D条码边界转换为1D波形函数进行分析,进行一次求导获取条码边界的位置及角度;利用边界角度作为仿射变换的角度,将条码旋转到规格化位置,采用网格法进行数据提取并进行条码解码。对像素大小为640×480的400幅含Data Matrix条码图片在PC机上进行测试,单个条码识别平均时间为12.06 ms,识别率为99.22%,快速识别方法准确、迅速,达到工业现场实时性和可靠性要求。

LMI-based robust control of uncertain discrete-time piecewise affine systems

The main contribution of this paper is to present stability synthesis results for discrete-time piecewise affine （PWA） systems with polytopic time-varying uncertainties and for discrete-time PWA systems with norm-bounded uncertainties respectively.The basic idea of the proposed approaches is to construct piecewise-quadratic （PWQ） Lyapunov functions to guarantee the stability of the closed-loop systems.The partition information of the PWA systems is taken into account and each polytopic operating region is outer approximated by an ellipsoid,then sufficient conditions for the robust stabilization are derived and expressed as a set of linear matrix inequalities （LMIs）.Two examples are given to illustrate the proposed theoretical results.

Nonsynchronized state estimation of uncertain discrete-time piecewise affine systems

This paper investigates the problem of robust H-infinity state estimation for a class of uncertain discretetime piecewise affine systems where state space instead of measurable output space partitions are assumed so that the filter implementation may not be synchronized with plant state trajectory transitions. Based on a piecewise quadratic Lyapunov function combined with S-procedure and some matrix inequality convexifying techniques, two different approaches are developed to the robust filtering design for the underlying piecewise affine systems. It is shown that the filter gains can be obtained by solving a set of linear matrix inequalities （LMIs）. Finally, a simulation example is provided to illustrate the effectiveness of the proposed approaches.

Zonotope parameter identification for piecewise affine systems

The problem of how to identify the piecewise affine system is studied in this paper, where this considered piecewise affine system is a special nonlinear system. The reason why it is not easy to identify this piecewise affine system is that each separated region and each unknown parameter vector are all needed to be determined simultaneously. Then, firstly, in order to achieve the identification goal, a multi-class classification process is proposed to determine each separated region. As the proposed multi-class classification process is the same with the classical data clustering strategy, the multi-class classification process can combine the first order algorithm of convex optimization, while achieving the goal of the classification process. Secondly, a zonotope parameter identification algorithm is used to construct a set, which contains the unknown parameter vector. In this zonotope parameter identification algorithm, the strict probabilistic description about the external noise is relaxed, and each unknown parameter vector is also identified. Furthermore, this constructed set is consistent with the measured output and the given bound corresponding to the noise. Thirdly, a sufficient condition about guaranteeing our derived zonotope not growing unbounded with iterations is formulated as an explicit linear matrix inequality. Finally, the effectiveness of this zonotope parameter identification algorithm is proven through a simulation example.

基于约束图正则的块稀疏对称非负矩阵分解

现有的基于对称非负矩阵因式分解(Symmetric Nonnegative matrix Factorization, SymNMF)算法大都仅依赖初始数据构造亲和矩阵,并且一定程度上忽视了样本有限的成对约束信息,无法有效区分不同类别的相似样本以及学习样本的几何特征。针对以上问题,提出了基于约束图正则的块稀疏对称非负矩阵分解(Block Sparse Symmetric Nonnegative Matrix Factorization Based on Constrained Graph Regularization, CGBS-SymNMF)。首先,通过先验信息构造约束图矩阵,用于指导类别指示矩阵区分高相似度的不同类别样本;然后,引入PCP-SDP(Pairwise Constraint Propagation by Semi-definite Programming)方法,利用成对约束学习一个新的样本图映射矩阵;最后,利用“勿连”约束构造不相似矩阵,用于引导一个块稀疏正则项,以增强模型抗噪能力。实验结果表明,所提算法具有更高的聚类精确度和稳定性。

一种高光谱图像加权稀疏子空间聚类算法

稀疏子空间在基于单稀疏表示系数构建相似矩阵的过程中,并没有充分利用高光谱图像丰富的光谱和空间信息。提出了一种基于弗雷歇距离的加权稀疏子空间聚类算法(FSSC)。该方法充分考虑了高光谱图像丰富的光谱信息以及光谱连续性,利用弗雷歇距离度量像素点光谱曲线间的相似度,并基于稀疏表示矩阵和相似度矩阵建立光谱加权稀疏子空间聚类模型,从而求解更真实的亲和力矩阵,以获得更高的地物分割精度。在两个经典的高光谱图像数据集上的实验结果表明了FSSC算法的有效性。

基于KJ-AHP-QFD的高铁车站智能人体安检门设计

解决现有高铁车站安检门安检效率与有效性低下、操作繁琐、用户体验差的问题,提升产品的易用性与合理性。采用问卷调研与用户访谈法获取目标用户的初步使用需求,并利用KJ亲和图法归类整理建立起高铁车站进站处安检门的用户需求清单;通过AHP层次分析法构建层次模型并计算出各需求指标的权重值;结合产品技术特性构建质量屋,得出产品技术特性权重,指导高铁车站智能人体安检门的具体设计;最后使用PUGH决策矩阵进行设计方案的验证与评价。研究结果表明,将目标用户需求与技术特性的映射关系转换为设计指导要素,完成了科学、合理、易用且满足用户需求的高铁车站安检门设计方案。基于KJ-AHP-QFD集成模型的设计研究方法,提升了设计要素提取的准确度,解决了现有安检门存在的问题,为同类安防产品的设计与开发提供了理论指导。

一种基于Fréchet距离的谱聚类算法

为提升谱聚类的聚类精度和适用性,提出了一种基于Fréchet距离的谱聚类算法(A Spectral Clustering Algorithm Based on Fréchet Distance,FSC),通过Fréchet距离构建相似度矩阵,并将重构的相似矩阵应用于谱聚类中。利用Fréchet距离度量数据特征维度的相似性对样本的多个特征进行分析,进而扩展典型谱聚类算法的适用性。FSC不仅适用于低维流形结构清晰的数据,也适用于高维或稀疏数据,如高光谱图像数据。在3个经典的高光谱图像上的实验结果表明,FSC算法有效提高了高光谱图像聚类的精度。

模型假设权重的三维运动分割

提出一种使用模型假设权重来有效地构建仿射矩阵的方法。首先,对输入视频序列中的每个图像对进行随机采样,生成模型假设;其次,用生成的模型假设构建一个初始仿射矩阵;然后,计算这些模型假设的权重,并通过信息理论来选择有意义的模型假设,以及用它们的权重计算初始仿射矩阵的权重;接着,由初始仿射矩阵和上述权重得到该图像对的仿射矩阵;最后,累加所有图像对的仿射矩阵得到该视频序列的仿射矩阵,在仿射矩阵上用聚类方法把属于不同运动物体的特征点聚成不同的类。实验结果表明,所提出方法能够获得较高的分割准确率。

判别性增强的稀疏子空间聚类

稀疏关系表示(SRR)是一种性能良好的子空间聚类算法,其利用一个数据样本和所有样本间的邻域关系作为新特征来学习自表示系数,由自表示系数矩阵构建相似度矩阵并通过谱聚类得到聚类结果。同时考虑相似度矩阵的稀疏性和聚集性,在SRR算法基础上提出一个判别性增强的稀疏子空间聚类模型。对邻域关系矩阵的自表示矩阵采用平方F范数代替SSR中的核范数,降低模型求解难度,并在邻域关系矩阵的自表示矩阵中引入新的正则项,保证自表示矩阵的类间判别性和邻域关系矩阵的类内聚集性,进一步优化聚类性能。实验结果表明:与SSC、LRR、LSR、BDR-B、SRR等模型相比,该模型具有较好的聚类性能;在MNIST、USPS、ORL数据集上,聚类错误率较SRR模型分别下降9.6、14.1、3.8个百分点;在Extended Yale B数据集上,针对2、3、5、8、10类聚类问题的聚类错误率较SRR模型分别下降0.39、0.72、1.32、2.73、3.28个百分点。

低秩表示实现鲁棒的CT和MR图像分割

由于图像中的噪声和复杂性,传统的图像分割方法并不总是能够捕捉到所有细节,即可能会忽略相邻像素的属性或者将图像的不同部分合并在一起.为了充分利用可用信息,利用低秩表示(LRR)和鲁棒主成分分析(RPCA)模型的优点,提出了一种新的图像分割方法,通过模糊c均值(FCM)方法对低秩亲和矩阵进行聚类来获得分割结果.在整个方法中,低秩分量是图像的主要信息,是通过求解RPCA模型获得的,而亲和矩阵表示全局结构,则是通过求解LRR模型获得的.在实验部分,使用计算机断层扫描(CT)图像分割来评估本文方法,结果显示在准确性和鲁棒性方面都有了显著改进.与现有一些算法相比,本文算法对异常值更加鲁棒,并尽可能地保留了图像的细节信息.

基于本征间隙与正交特征向量的自动谱聚类

针对经典谱聚类算法无法自动确定数据类个数的问题,本文提出了一种基于本征间隙与正交特征向量的自动谱聚类算法.该方法利用样本数据构建亲和度矩阵,然后进行谱分解得到相应的特征值和特征向量,对特征值从大至小依次排序,用本征间隙来刻画相邻特征值之间的差,通过第一个极大本征间隙出现的位置来自动确定类个数,最后以特征向量之间的夹角作为相似度和已获得的类个数相结合来实现数据分类.本文算法的正确性在人造数据库上得到了验证,并在UCI数据库上与k-means、FCM、Jordan算法进行了分类准确性比较实验,结果表明本文方法比其他三种方法的分类准确率更高.

柱亲和介质用于内毒素去除的研究

以琼脂糖凝胶为基质,采用不同方法活化后,键合多粘菌素B配基,制备了3种用于内毒素去除的亲和介质.亲和介质的配基键合量及对内毒素的去除率随间隔臂长度的增加而增加.考察了盐浓度、pH、温度及流速对亲和介质3去除内毒素的影响.结果表明,亲和介质3在NaCl 浓度为0.05～0.5 mol/L,pH为6～10,温度为25～55℃,流速为0.20～0.80 mL/min范围内对内毒素去除效果最佳,去除率大于90%.