基于快速低秩编码与局部约束的图像分类算法

针对快速低秩编码算法存在特征重建误差较大,以及特征间局部约束条件丢失的问题,提出一种强化局部约束的快速低秩编码算法。首先,使用聚类算法对图像中特征进行聚类,得到局部相似特征集合及其对应的聚类中心;其次,在视觉词典中采取K最近邻(KNN)策略查找聚类中心对应的K个视觉单词,并将其组成对应的视觉词典;最后,使用快速低秩编码算法获得局部相似特征集合对应的特征编码。改进算法在Scene-15和Caltech-101图像库上的分类准确率比快速低秩编码算法提高4%到8%,编码效率比稀疏编码算法提高5~6倍。实验结果表明,改进算法使得局部相似特征具有相似编码,从而更加准确地表达图像内容,能有效提高分类准确率及编码效率。

基于稀疏表示和低秩逼近的自适应异常事件检测算法

针对传统异常事件检测算法没有考虑视频数据低秩特性的问题,提出了基于低秩稀疏编码模型的字典学习算法。对提取的多尺度三维时空梯度特征进行K-均值聚类。利用低秩稀疏编码模型进行每一个特征聚类的字典学习。通过迭代聚类和字典学习获取所有的正常行为模式。采用公共数据集UCSD Ped1和Avenue检测该算法的性能。与社会力(SF)、混合概率主成分分析(MPPCA)、社会力-混合概率主成分分析(SF-MPPCA)、混合动态纹理(MDT),Adam、子空间(Suspace)、稀疏组合学习框架(SCLF)7种方法对比,该文算法具有较高的正确率和较强的实时性。

基于多层次特征表示的场景图像分类算法

针对场景图像种类增多、场景复杂度增加和场景内容增大的趋势,本文提出了一种基于多层次特征表示的场景图像分类算法。首先采用Object Bank目标属性的高层特征表示方法,经分类器预测出该图像所属的场景主题;然后在同一场景主题内,采用基于底层特征的局部约束低秩编码方法提取图像特征;在低秩编码方法中加入局部约束正则化并采用F-范数替代核范数的优化方法,减少计算复杂度,实现对场景图像较为细致的理解。这种由高层特征和底层特征相结合的多层次特征表示方法,从对象特征的粗理解到底层细节特征的详细解析,充分利用了不同特征间层层递进和互补的关系,实验结果证明了本文算法的有效性。

基于在线强化学习的风电系统自适应负荷频率控制

大规模风电接入给系统带来新的不确定性,影响系统频率响应特性,从数据驱动的角度出发,提出了一种基于自适应动态模型的在线强化学习方法,用于系统的负荷频率控制。建立低秩自编码器特征提取网络,从所量测的低维数据中发现隐藏特征;基于特征网络,建立非线性动态系统稀疏辨识学习模型,感知系统动态模型的潜在物理状态,提升模型在线学习效率;通过结合模型预测控制,进行实时决策控制。所提出方法能够有效解决传统模型预测控制对系统全局模型准确性的依赖问题,加强控制器对系统动态模型的自适应性,且能有效跟踪风电输出功率的随机波动。最后,以接入四型风机的负荷频率控制模型为例,验证所提方法的有效性。