“最大信息保留”原则在书画修复中的应用与思考—以安徽博物院馆藏潘玉良书画保护为例

安徽博物院收藏有4000余件潘玉良艺术作品,其中大部分书画作品在入藏前都经过装裱,其装裱用材和装裱样式体现了20世纪初期的西方书画装裱特点,具有重要的参考价值。如何“最大化”保留书画作品的原裱信息,是书画作品保护修复领域非常值得思考的问题之一。文章以《坐小凳女人体》为研究对象,根据科学仪器对文物的材质、微观形貌等方面的检测,全面获取装裱用纸的种类以及保存状况信息,深入挖掘原裱的艺术风格,以期科学合理地保护该幅作品。

一种基于信息保留网络的图像去噪算法

由于成像设备等各种因素影响,图像在成像或传感过程中会受到噪声干扰。图像去噪旨在减少或消除噪声对图像的影响,这一过程往往会导致高频信息的丢失。为了在去除图像噪声的同时保护图像的边缘信息与纹理细节,文章提出了一种计算复杂度相对较低的含有信息保留模块的卷积神经网络,直接对含噪声图像进行降噪。信息保留模块通过残差学习提取局部长路径和局部短路径的混合特征信息。该文采用峰值信噪比(PSNR/dB)和结构相似性(SSIM)两项评价指标对实验结果进行量化,这两项指标值越大,说明去噪效果越好。实验结果表明,在峰值信噪比和结构相似性2项评价指标的均值可达到30.36 dB和0.828 0,相比其他对比算法,2项评价指标分别平均提升了2.15 dB和0.072 9。该算法对不同种类、不同水平的噪声都具有良好的去噪效果,且速度优于所对比的一般算法,对基于卷积神经网络的去噪工作的进一步发展有一定的作用。

结合信息保留的多头注意力图池化模型

目的:利用深度学习新技术图神经网络,构建结合信息保留的多头注意力图池化模型以解决图分类问题。方法:首先,设计信息保留模块,保留被丢弃节点中的有效信息。其次,采用多头注意力机制,多次计算中心节点与邻居节点的相关度,更加全面地学习节点重要性得分。之后,将池化图中的孤立点与邻居节点相连,以保证图结构的连通性。最后,利用读出操作将每一层输出传至分类器,完成图分类。结果:所提出的方法在7个基准数据集上进行图分类实验,在5个数据集上的分类性能优于其他方法。结论:结合信息保留的多头注意力图池化模型在图分类任务中具有优越性。

基于信息保留的自适应多特征融合目标跟踪

针对传统粒子滤波算法粒子重采样产生的粒子贫化现象及单一特征目标跟踪算法鲁棒性较差的问题,提出一种基于信息保留的自适应多特征融合目标跟踪算法.该算法的信息保留策略在粒子重采样阶段通过优化粒子权重值分布来适当提高小权重粒子的权重并改进了粒子重采样方法,有效抑制了粒子贫化现象,保留更多粒子信息.根据环境变化对特征有效性的影响及不同特征对目标的贡献度,自适应调节多特征模型中各特征分量的权重.实验结果表明,本文算法能有效应对目标形变、目标部分遮挡、背景相似物体干扰等复杂情况,具有良好的跟踪精度和鲁棒性.

基于局部保留投影的稀疏中智聚类算法

聚类算法是机器学习领域重要的研究课题之一,传统的中智聚类算法(例如FC-PFS算法)未考虑局部空间结构,且距离的计算受到冗余特征影响,不能有效处理高维数据集。为此,提出一种新的基于局部保留投影的稀疏中智聚类算法(LPSNCM)及其优化方法。一方面LPSNCM算法通过局部保留投影方法生成具有局部结构信息的正交投影空间,另一方面通过特征提取方法可以减少特征数量以获得更有效的特征,从而增强了FC-PFS算法处理高维数据的能力。LPSNCM算法也可以被看作是谱聚类两个独立阶段的统一模型。在一些基准数据集上的实验结果表明,与FC-PFS和某些最新方法相比,证明了LPSNCM的有效性。

一种结构建模的新方法——信息保留法

本文所提出的信息保留法 ,是从一个要素开始建立系统的结构模型 ,从而求出邻接矩阵可行的方法。具体阐述了信息保留法的原理和算法步骤 ,并将其应用于居民消费系统 ,说明该方法的实效性。

基于保留分类信息的多任务特征学习算法

在模式识别中,特征选择是一种非常有效的降维技术.特征评价标准在特征选择过程中被用于度量特征的重要性,但目前已有的标准存在着只考虑类之间的分离性而未考虑其相关性、无法去除特征之间的分类冗余性以及多用于单变量度量而无法获取子集整体最优性等问题.提出一种保留分类信息的特征评价准则(classification information preserving,CIP),并使用多任务学习技术进行实现.CIP是一种特征子集度量方法,通过F范数实现已选特征子集的分类信息与原始数据分类信息的差异最小化,并通过l2,1范数约束选择特征个数.近似交替方向法被用于求解CIP的最优解.理论分析与实验结果表明:CIP选择的最优特征子集不仅最大程度上保留了原始数据类别之间的相关性信息,而且有效地降低了特征之间的分类冗余性.

共享模式与个人信息处置:以ofo、摩拜单车用户协议为例

随着大数据时代与共享经济模式的来临,共享企业通过巧妙利用互联网充分盘活资源,寻求到新的发展思路。2016年底ofo、摩拜等共享单车企业充分挖掘智能单车价值,以提供"出行最后一公里"的骑行服务,迅速打开了共享单车市场。然而市场繁荣的背后,用户个人信息安全却日益受到极大威胁。以现行立法下个人信息权为价值指引,从主流单车用户协议信息处置条款出发,就信息收集、信息商业利用以及信息共享三方面条款解读出潜在的信息安全风险,主张用户个人信息保留权,为共享企业处置用户信息划定合理边界。

基于高光谱成像技术和IRIV算法的玉米种子品种纯度识别

基于高光谱成像技术,提出了一种无损、快速的玉米种子纯度识别方法.首先,采用多元散射校正(MSC)等方法对数据进行预处理;其次,应用竞争性自适应重加权法(CARS)和迭代保留信息变量法(IRIV)提取特征波长;再次,建立支持向量机(SVM)和线性判别分析(LDA)等纯度识别模型;最后,设置随机种子值,使用采集函数“expected-improvement-plus”搜索置信区间中的待评价点,得到使交叉验证损失最小的超参数值,提高模型的准确率.结果表明:MSC-IRIV-LDA识别模型准确率最高,训练集和预测集的准确率分别为0.9604和0.9333,K值为0.9186;对LDA的δ和γ超参数值进行优化后,进一步提高了训练集、预测集准确率和K值;本研究提出的方法能够实现玉米种子纯度无损、快速识别,为精准农业的发展提供技术支持.

基于随机蛙跳波段选择算法的土壤铅含量高光谱估测

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。旨在寻求特征波段筛选的最佳算法,以实现土壤重金属铅含量的准确监测,为土壤污染防治提供参考。以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源,利用蒙特卡洛交叉验证(MCCV)算法确定92个有效土壤样品,通过相关分析选取倒数对数一阶微分变换处理的光谱数据,采用随机蛙跳(RF)算法,并结合竞争性自适应重加权(CARS)算法、迭代保留有效信息变量(IRIV)算法及连续投影算法(SPA),构建RF-CARS、RF-IRIV及RF-SPA三种算法对波段进行筛选。以倒数对数一阶微分变换处理下的特征波段反射率为自变量,土壤重金属铅含量为因变量,采用极端梯度提升(XGBoost)和地理加权回归(GWR)方法构建土壤重金属铅含量估测模型。结果表明:(1)光谱变换处理可有效增强光谱与土壤铅含量的敏感性,其中倒数对数一阶微分变换后的土壤光谱特征更为明显,相关系数可达到0.620(p<0.001)。(2)RF-CARS、RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、9和7个特征波段,全部位于近红外光谱区域,3种算法具有较强的特征提取能力,极大减少光谱数据中的冗余信息。(3)基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型,说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。此外,GWR模型的性能优于XGBoost模型,构建的RF-IRIV-GWR模型具有较好的预测能力,可作为研究区土壤铅含量的最优估测模型,其验证集的决定系数(R^(2))为0.892,均方根误差(RMSE)为0.825 mg·kg^(-1),相对分析误差(RPD)为3.09。基于随机蛙跳(RF)与迭代保留有效信息变量(IRIV)算法,结合地理加权回归(GWR)建模方法在快速准确估测土壤铅含量方面具有一定优势,可进行土壤重金属污染的动态监测。

基于IRIV-SA的乙烯FTIR光谱波数优选

利用傅里叶变换红外光谱(FTIR)技术能够对有机物的成分及含量进行快速无损测量。作为重要的有机化工原料,乙烯在塑料、醇类和纤维等大宗化学品的制造中有着广泛的应用,但同时由于其易挥发性,乙烯对环境和人体有着潜在的危害。为提高FTIR技术检测乙烯浓度模型的精度,综合迭代保留信息变量法(IRIV)和模拟退火算法(SA)的优点,提出了改进的IRIV-SA红外光谱波数优选算法。该方法在IRIV算法稳定选取大量光谱特征波数的基础上,利用SA进一步筛选少量有效特征波数,从而降低模型复杂度,提高有机物光谱检测精度。实验首先利用IRIV-SA对乙烯红外光谱的浓度进行波数选取,最终获取的特征波数由全光谱的271个变量降低至5个变量,再利用特征波数进行建模,结果表明其验证集相关系数、均方根误差为0.9989和0.3943,预测集相关系数、均方根误差为0.9978和0.6652,较全光谱建模精度有大幅提高。为进一步验证该算法的有效性,同时建立IRIV、SA、CARS(自适应重加权采样算法)、SPA(连续投影算法)以及IRIV-CARS、IRIV-SPA波数选取模型对相同数据集进行对比实验,比对结果表明IRIV-SA算法优于上述6种波数选取方法,是一种更有效的特征波数优选方法。

一种满足最大隐私泄漏率要求的匿名方法

k-匿名方法能简单和有效地防止隐私数据泄露。由于敏感数据分布具有不均匀性,k-匿名方法不能有效满足视图发布者的最大隐私泄漏率要求。针对此问题,给出了隐私信息泄漏测量公式和信息保留度公式,并提出一种满足最大隐私泄漏率要求的匿名方法,该方法不仅对准标识符属性进行泛化,还对敏感属性进行了必要泛化。实验表明,该方法能够有效地满足视图发布者的最大隐私泄露率要求。

鱼眼图像多角度校正方法研究

鱼眼镜头凭借超大视角而被广泛应用于水下机器人,然而目前很多方法对于远离中心部分的图像无法做到良好的校正,边缘图像有不同程度的失真和丢失,并且不符合人眼最佳视觉范围在水平方向20°、垂直方向15°的规律。为此,文中提出一种基于人眼特性的改进球面模型的校正方法。该方法能够在校正边缘区域图像的同时较好地满足人眼观察特性。首先,将二维图像平面映射到三维球坐标系中;然后,对坐标系进行旋转变换,通过旋转矩阵将需要校正的边缘部分移动至视野中央;最后,将三维坐标系中的点逆映射至二维平面。实验结果表明,改进后的方法能够对处于鱼眼镜头各角度方向的图像进行良好的校正,且能够较好地保留图像信息,减少去畸变变换中边缘和形态等信息的丢失。

改进的随机蛙跳算法对农机润滑油污染浓度的近红外光谱检测研究

润滑油是农业机械正常作业的必要物资,农业机械发动机工作的动力性、安全性、经济性以及寿命与润滑油状况有着紧密联系。污染浓度作为油液的综合评价指标,常规的实验室检测耗时长、成本高,所以开发高效的润滑油污染浓度检测技术具有重要意义。提出了一种基于近红外光谱技术的农机润滑油污染浓度的检测方法,同时针对随机蛙跳(RF)特征波长选择算法中迭代次数大,结果再现性低等缺点,提出了一种迭代保留信息变量的随机蛙跳(IRIV-RF)特征波长选择算法。该算法一方面利用迭代保留信息变量(IRIV)算法提取出强信息变量和弱信息变量,将其作为RF算法中的初始变量集,消除初始变量集的随机性对结果再现性的影响。另一方面通过对变量按被选概率值由大到小正向排序后,从首个波长开始依次增加一个波长建立偏最小二乘回归(PLSR)模型,选择交叉验证均方根误差(RMSECV)值最小时的变量子集为特征波长,消除RF算法所提取的特征波长数量的不确定性。利用近红外光谱仪采集自行配制的101份不同污染浓度的农机润滑油原始光谱数据,选用三种不同的预处理方法分别对原始光谱进行处理,确定最佳的预处理方法为变量标准化(SNV)。在此基础上通过RF,IRIV和IRIV-RF三种算法分别对全谱进行特征波长选择,并建立PLSR模型。通过对全谱-PLSR,RF-PLSR,IRIV-PLSR以及IRIV-RF-PLSR模型的预测精度进行比较,结果表明,经过IRIV-RF算法提取特征波长后所建立的PLSR模型预测精度最高,预测相关系数(R_(p))为0.9657,预测均方根误差(RMSEP)为9.0584,显著提升了预测精度与运行效率,降低模型复杂程度。IRIV-RF是一种有效的特征波长选择算法,研究证明了近红外光谱联合改进的IRIV-RF算法检测农机润滑油污染浓度的可行性,为鉴定润滑油品质提供了一种新的思路。

两阶段领域自适应学习

针对领域自适应问题中源域和目标域的联合分布差异最小化问题,提出两阶段领域自适应学习方法.在第一阶段考虑样本标签和数据结构的判别信息,通过学习一个共享投影变换,使投影后的共享空间中边缘分布的差异最小.第二阶段利用源域标记数据和目标域非标记数据学习一个带结构风险的自适应分类器,不仅能最小化源域和目标域条件分布差异,还能进一步保持源域和目标域边缘分布的流形一致性.在3个基准数据集上的实验表明,文中方法在平均分类准确率和Kappa系数两项评价指标上均表现较优.

基于IRIV算法优选大豆叶片高光谱特征波长变量估测SPAD值

在植物叶绿素特征波长变量筛选过程中,与叶绿素关系较弱的波长变量极易被忽略,导致这些弱信息变量包含叶绿素的有效信息丢失,因此,确定叶片光谱中弱信息变量对揭示叶绿素高光谱响应规律具有重要意义。该研究以江汉平原大豆鼓粒期的叶片为研究对象,采集80组大豆叶片高光谱和SPAD(soil and plant analyzer development)值,分析SPAD值与大豆叶片反射率相关关系和光谱波长变量自相关关系,基于迭代和保留信息变量法(iteratively retains informative variables,IRIV)筛选大豆叶片的特征波长变量,建立偏最小二乘回归(partial least squares regression,PLSR)和支持向量机(support vector machine,SVM)模型估测SPAD值。结果表明,大豆叶片SPAD值与光谱反射率在可见光波段具有极显著负相关,在近红外波段存在不显著的正相关性(P>0.01);可见光、近红外2波段的波长变量之间相关性较弱,但2波段内变量之间的相关性较强;基于IRIV算法确定了大豆叶绿素的特征波长变量,利用特征波长变量建立的估测模型的估测能力高于仅利用强信息波长变量建立的估测模型,表明弱信息变量对估测叶片SPAD值具有重要意义;IRIV-SVM模型估测能力最优,验证集R2和相对分析误差(RPD)分别为0.73、1.82。该文尝试证明了光谱中弱信息变量的重要性,为揭示叶片高光谱响应机理提供了理论依据。

基于介电特性与IRIV-GWO-SVR算法的番茄叶片含水率检测

为了探究利用介电特性检测作物水分状况的可行性,研究了一种基于介电特性的有效、快速、精确检测番茄叶片含水率的方法。以300片不同含水率的番茄叶片为研究对象,通过LCR测量仪测定叶片在0.05~200 k Hz下的相对介电常数ε′和介质损耗因数ε″,并采用干燥法测量叶片含水率。利用迭代保留信息变量法(iteratively retains informative variables,IRIV)对介电参数进行特征变量选取,并与连续投影算法(successive projections algorithm,SPA)进行比较,利用支持向量回归机(support vector regression,SVR)分别建立叶片全变量、2种特征变量与叶片含水率的关系模型。结果表明,基于迭代保留信息变量法选取特征变量的支持向量回归模型(IRIV-SVR)具有良好的预测能力,但预测精度仍需提高,故引入灰狼优化算法(grey wolf optimizer,GWO)优化模型的参数c(惩罚因子)和g(核函数参数)。最终,经GWO优化后的模型(IRIV-GWO-SVR)的预测集决定系数R2与均方根误差RMSE分别为0.963 8,0.020 7。因此,利用介电特性结合IRIV-GWO-SVR算法预测番茄叶片含水率是可行的,同时为其他叶片含水率检测提供了一种新的方法和思路。

基于近红外光谱的橄榄油品质鉴别方法研究

目前市面上销售的橄榄油主要分为特级初榨橄榄油和普通初榨橄榄油两类,为了鉴别两种不同品质的橄榄油,提出了一种应用siPLS-IRIV-PCA算法的橄榄油品质鉴别的新方法。基于橄榄油的近红外光谱数据,应用联合区间偏最小二乘法(siPLS)对橄榄油的近红外光谱进行了波长区间优选,使用交叉验证均方根误差(RMSECV)评估模型的性能并选择最优波长区间,通过迭代保留信息变量(IRIV)算法从最优波长区间中选择特征波长,根据选择的特征波长构建主成分分析(PCA)模型。对90组特级初榨橄榄油和90组普通橄榄油样本进行了判别鉴定。PCA将1 427个波长变量作为输入变量,前两个主成分贡献率为51.891 8%和26.473 2%;siPLS-PCA将408个波长变量作为输入变量,前两个主成分贡献率为56.039 1%和36.2355%;siPLS-IRIV-PCA将6个波长变量作为输入变量,前两个主成分贡献率为66.347 6%和32.304 3%。结果表明,与PCA和siPLS-PCA鉴别方法相比,siPLS-IRIV-PCA具有最佳的鉴别性能。

基于混合变量选择的绿茶酚氨比近红外光谱检测方法

【目的】为建立绿色、快速绿茶滋味品质指标酚氨比近红外光谱检测方法,并利用化学计量学方法有效提高检测精度。【方法】首先,利用标准正态变量变换(SNV)对茶叶浸出物近红外光谱进行预处理,消除光散射引起的噪音,提高光谱信噪比。其次,采用变量组成集群分析-迭代保留信息变量(VCPA-IRIV)混合特征提取方法、竞争性自适应重加权算法和连续投影算法对茶叶浸出物近红外光谱波长变量进行优选,利用优选的特征变量建立非线性随机森林(RF)预测模型,并与线性偏最小二乘(PLS)进行比较。【结果】VCPA-IRIV有效筛选出18个与茶多酚和氨基酸相关的特征波长,且避免了茶汤中水的强相关光谱特征信息干扰。RF模型性能优于PLS,RF模型训练集相关系数(Rc)和均方根误差RMSEC分别为0.949,0.231;测试集相关系数(Rp)、预测均方根误差(RMSEP)和相对分析误差(RPD)分别为0.943、0.232和3.019。【结论】VCPA-IRIV方法能够有效的提出有效近红外光谱变量,消除冗余光谱信息,可为利用近红外光谱技术在农产品品质与安全快速检测方法提供新的研究思路。

利用介电参数和变量筛选建立玉米籽粒含水率无损检测模型

为了实现玉米含水率的快速无损检测,该文利用精密阻抗分析仪和自制介电参数测量传感器通过激励电压在1 kHz^5.462 MHz频率范围内测量了热风干燥过程中不同含水率与不同温度下玉米籽粒的介电常数ε′和介电损耗ε″。通过对双介电参数频谱的分析,对含水率回归模型建模频段进行了初步选择,以1.072~5.462 MHz之间15个测量频点的双介电参数和温度值T共计31维变量作为支持向量回归机(support vector regression,SVR)模型的输入全变量,分别利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、迭代保留信息变量算法(iteratively retains informative variables,IRIV)和CARS-IRIV联合算法筛选特征变量,建立全变量、CARS、IRIV和CARS-IRIV筛选特征变量与玉米籽粒含水率的SVR模型。引入鲸鱼优化算法(whale optimization algorithm,WOA)优化SVR模型参数c(惩罚因子)和g(核函数参数),结果表明CARS-IRIV筛选特征变量(ε′3.854MHz、ε″3.854MHz、e′5.462MHz、e″5.462MHz、T)建立的SVR模型经WOA优化后(CARS-IRIV-WOA-SVR)具有最优的预测精度,预测集决定系数、预测集均方根误差和剩余预测偏差分别为0.9984,0.40%和24.55,且模型复杂度最低。该研究为基于双介电参数和支持向量回归机实现玉米含水率快速无损检测提供了新的研究思路和基础数据。