基于三阶张量的大规模数据谱聚类集成算法

为了降低大规模数据谱聚类计算负担,进一步提高聚类的准确性和鲁棒性,提出了一种基于三阶张量的大规模数据谱聚类集成算法。首先,提出一种混合代表最近邻近似方法构造数据间的稀疏亲和子矩阵;然后将稀疏亲和子矩阵表示为二部图,通过图分割的方法得到初步聚类结果;最后,提出三阶张量集成方法,将多个聚类结果进行融合,得到最终的聚类结果。在大规模的真实数据集和合成数据集上验证,相较经典的谱聚类算法、聚类集成算法以及近年来对其改进的算法,该算法表现出更优异的性能。

结合GLCM与三阶张量建模的在线目标跟踪

为提高目标跟踪算法对多种目标表观变化场景的自适应能力和跟踪精度,论文提出一种结合灰度共生(GLCM)与三阶张量建模的目标优化跟踪算法。该算法首先提取目标区域的灰度信息,通过GLCM的高区分度特征对目标进行二元超分描述,并结合三阶张量理论融合目标区域的多视图信息,建立起目标的三阶张量表观模型。然后利用线性空间理论对表观模型进行双线性展开,通过在线模型特征值描述与双线性空间的增量特征更新,明显降低模型更新时的运算量。跟踪环节,建立二级联合跟踪机制,结合当前时刻信息通过在线权重估计构建动态观测模型,以真实目标视图为基准建立静态观测模型对跟踪估计动态调整,以避免误差累积出现跟踪漂移,最终实现对目标的稳定跟踪。通过与典型算法进行多场景试验对比,表明该算法能够有效应对多种复杂场景下的运动目标跟踪,平均跟踪误差均小于9像素。

三维点云模型特征张量描述符的构造及自相似性分析

三维模型局部自相似性是物体形状分析中的一个基本问题,其中,局部形状描述符的构建对自相似性分析的最终结果至关重要.针对此问题,提出了一种基于张量融合特征描述符的自相似性分析方法.首先利用相关面和反向点对点云模型进行形状直径函数(shapediameterfunction,SDF)的近似计算;然后利用谱聚类对模型进行过分割成模型子块,由K近邻(K-nearest neighbor, KNN)邻域点的SDF、形状指数(shape index, SI)和高斯曲率(Gauss curvature,GS)矩阵构造三维特征张量;最后利用张量范数构造映射得到形状描述符,并定义相似性度量分析模型子块之间的自相似性.对几种最新的方法(包括部分匹配和显著性检测)进行了实验,无论是直观视觉效果,还是相似性测度和相对误差上的评价指标,结果均表明,该方法可有效地对形状进行描述,提高了点云模型相似子块的识别精度.

基于张量建模和进化K均值聚类的社区检测方法

很多传统社区检测方法大多局限于单关系网络,适用性和准确性均较弱。针对此问题,提出了一种针对多关系网络的社区检测方法。首先,为进行多关系网络建模,使用了三阶邻接张量,其中张量的每个切片表示与参与者之间一种类型的关系相对应的邻接矩阵。从数据表示的角度,将多关系网络解读为三阶张量利于将因子分解方法作为学习方法使用。然后,应用RESCAL分解作为关系学习的工具,从而揭示参与者的唯一隐性表征。最后,在上一步得到的结果上应用进化K均值聚类算法,以确定多维度上的社区结构。在一个合成数据集和两个公开数据集上进行实验。实验结果表明,与基于上下文信息的社区检测(CICD)方法、Memetic方法和局部谱聚类(LSC)方法相比,所提方法的纯度最少提高了5个百分点,重叠归一化互信息(ONMI)最少提高了2个百分点,F得分最少提高了3个百分点,并且验证了该方法具有较快的收敛速度。

一种新的双基地MIMO雷达快速多目标定位算法

针对双基地MIMO雷达目标定位问题,该文提出一种基于三阶张量分解的快速多目标定位算法。该算法首先将匹配滤波输出转化为三阶张量,并对其进行降维预处理,然后利用交替最小二乘(ALS)算法估计收发阵列流型矩阵和多普勒矩阵,最后通过谱估计算法恢复目标收发角和多普勒频率。同时利用线性搜索加快ALS算法的收敛速度。与现有算法相比,该算法避免了2维谱峰搜索和协方差矩阵估计,得到的目标三参数自动配对,不仅提高了估计性能,而且有效降低了运算量和存储量。仿真结果证明了所提算法的有效性和优越性。

运动平台的磁性目标实时定位方法

针对目前基于运动平台的磁性目标定位方法计算过程复杂、实时性差的问题,通过对单点磁梯度张量定位算法的空间微分推导,提出了基于磁场三阶张量的目标定位算法,并通过研究运动平台磁梯度张量与磁场三阶张量的微分数学关系,提出了基于运动平台的磁性目标实时定位方法。该方法可利用运动平台的磁梯度张量观测值实时定位静止磁性目标,不需要求解非线性方程组,计算过程简单,实时性强。最后通过仿真实验证明了该定位算法的有效性,并验证了磁力仪精度和系统基线是影响定位结果的主要因素。

基于灰度共生的多线索目标联合优化跟踪

为了提高跟踪算法对多种目标表观变化场景的自适应能力与跟踪精度,提出一种基于灰度共生的多线索目标联合优化跟踪算法。该算法首先提取目标灰度信息,通过灰度共生的高区分度特征对目标进行二元超分描述,结合三阶张量理论融合目标区域的多视图信息,建立起目标的三维在线表观模型,然后利用线性空间理论对表观模型进行双线性展开,通过双线性空间的增量学习更新,降低模型更新时的运算量。通过二级联合跟踪机制对跟踪估计进行动态调整,以避免误差累积出现跟踪漂移。与典型算法进行多场景试验对比,表明该算法能有效地应对多种复杂场景下的运动目标跟踪。