一种学习稀疏BN最优结构的改进K均值分块学习算法

目前贝叶斯网络(Bayesian networks,BN)的传统结构学习算法在处理高维数据时呈现出计算负担过大、在合理时间内难以得到期望精度结果的问题.为了在高维数据下学习稀疏BN的最优结构,本文提出了一种学习稀疏BN最优结构的改进K均值分块学习算法.该算法采用分而治之的策略,首先采用互信息作为节点间距离度量,利用融合互信息的改进K均值算法对网络分块;其次,使用MMPC(Max-min parent and children)算法得到整个网络的架构,根据架构找到块间所有边的可能连接方向,从而找到所有可能的图结构;之后,对所有图结构依次进行结构学习;最终利用评分找到最优BN.实验证明,相比现有分块结构学习算法,本文提出的算法不仅习得了网络的精确结构,且学习速度有一定提高;相比非分块经典结构学习算法,本文提出的算法在保证精度基础上,学习速度大幅提高,解决了非分块经典结构学习算法无法在合理时间内处理高维数据的难题.

基于卷积自编码器分块学习的视频异常事件检测与定位

视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置。但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位。本文提出了一种基于卷积自编码器分块学习的视频异常事件检测与定位方法,首先将视频帧进行均匀划分,提取视频帧中每一块的光流和方向梯度直方图(Histogram of oriented gradient,HOG)特征,然后为视频中的不同图块分别设计卷积自编码器以学习正常运动模式特征,最后在异常事件检测过程中利用卷积自编码器的重构误差大小进行异常判断。该方法可以有效地针对视频不同区域进行特征学习,提升了异常事件定位的准确度。所提方法在UCSD Ped1、UCSD Ped2、CUHK Avenue三个公开数据集上进行实验,结果表明该方法能够准确定位异常事件,并且帧级别AUC(Area under the curve)平均提升了5.61%。

分块多示例学习算法的目标跟踪

为解决目标跟踪中的光照、位姿变化及遮挡问题,提出分块多示例学习算法。该算法将目标图像分块,对每块图像片应用多示例学习算法。跟踪过程中结合样本所有图像片的综合分类器分数和每块图像片的分类器分数检测并判断跟踪过程中的光照、位姿变化,及遮挡问题。针对不同的跟踪状态,采用分类器学习率自适应调整策略,以避免"过更新"及更新不及时的问题。最后将所提方法在典型视频序列中进行验证,并与其他多示例学习算法进行对比实验。实验结果表明所提方法跟踪性能稳定,实时性强,解决了跟踪过程中的光照、位姿变化及遮挡等问题。

基于分块字典学习理论的地震数据去噪

随着油气勘探观测环境愈发复杂,采集的地震数据常常掺杂各种噪声信号,导致勘探目标引起的有效微弱信号被覆盖,严重影响高精度的地震勘探数据解译,因而有效的压制地震勘探数据噪声显得越发重要。本文采用字典学习策略,将复杂地震数据进行分块,通过分块数据的字典学习获取字典原子,构建高精度的字典学习地震数据稀疏表示,通过两次迭代更新字典原子,进行数据去噪。将本文的字典学习算法应用于含随机噪声的模拟数据和实测地震勘探数据处理,验证该算法的可行性及有效性。结果表明,本文算法有效去除了随机噪声,保留了有效信号同相轴,提高了信噪比,可为复杂含噪地震数据的去噪处理提供新的技术手段。

基于分块字典学习的稀疏表示人脸识别方法

字典学习能加强样本字典的稀疏性,得到的训练样本基类可以提高识别速度和精确度,但是对大量特征维数较高的训练样本使用字典学习进行稀疏表示分类运算量非常大。针对此问题,提出一种基于分块字典学习的稀疏表示人脸识别方法。首先将训练样本字典进行分块,使用Metaface字典学习方法对每块样本进行学习得到训练样本基,然后对字典基进行稀疏表示分类,采用投票方式对每块的最小重构误差进行加权投票确定分类结果。在Extended Yale B、ORL人脸数据库上通过实验对比现有方法,结果表明,该方法在训练样本有光照、表情变化的情况下有较高的识别率和鲁棒性。

基于局部分块和模型更新的视觉跟踪算法

针对目标跟踪过程中的目标表观变化、背景干扰及发生遮挡等问题,该文提出一种基于局部分块和模型更新的视觉跟踪算法。该文采用粗搜索与精搜索相结合的双层搜索方法来提高目标的定位精度。首先,在包含部分背景区域的初始跟踪区域内构建目标模型。然后,利用基于积分直方图的局部穷搜索算法初步确定目标的位置,接着在当前跟踪区域内通过分块学习来精确搜索目标的最终位置。最后,利用创建的模型更新域对目标模型进行更新。该文主要针对分块跟踪中的背景抑制、模型更新等方面进行了研究,实验结果表明该算法对目标表观变化、背景干扰及遮挡情况的处理能力都有所增强。

混合离散和声搜索算法求解旅行商问题

和声搜索是近几年提出的一种新的智能优化算法,它主要用来解决NP-hard问题,并在连续函数优化中得到应用.给出了应用离散和声搜索解决TSP问题的两种学习策略,并讨论了如何混合HS、PSO、SA等优化算法.通过仿真实验TSP的两个经典算例,证明混合HS算法可以给出较好的结果,实验性能也有明显的改善.

Radon域下的K-SVD字典的混采分离

基于地震反演来分离混采数据的方法,笔者提出用K次迭代奇异值分解(K-SVD)来更新Radon域下混叠信号中的字典原子的方法:在同步源采集和地震稀疏反演的背景下,将混合地震信号的分离视为稀疏反演问题,将共检波点域的数据表示在Radon域内,此时有效信号同相轴收敛;对数据阈值滤波后进行分块字典学习,进一步稀疏地表示地震数据;最后,固定字典,更新恢复信号和稀疏系数完成分离。模拟和实际资料处理结果表明:该方法对于混采数据的分离相对中值滤波、小波变换等更有效、分离质量明显提升,可应用于实际混叠数据中。