基于双拉普拉斯正则化与因果推断的多标签学习

标签特定特征是多标签学习的研究热点,利用标签特征提取解决单个例子存在多个类标签的问题。现有多标签分类研究通常只是简单考虑标签之间的相关性,忽略原始数据之间的局部流形结构,可能会造成分类精度下降。此外,在标签相关性中,特征和标签的结构关系以及标签之间的内在因果关系也往往被忽视。提出一种基于双拉普拉斯正则化与因果推断的多标签学习算法。利用线性回归模型建立多标签分类的基本框架,结合因果学习探索标签之间的内在因果关系,以达到挖掘标签之间本质联系的目的。在此基础上,为充分利用特征与标签之间的结构关系,加入双拉普拉斯正则化以挖掘局部标签关联信息以及有效保持原始数据的局部流形结构。在公共多标签数据集上验证该算法的有效性,实验结果表明,相比LLSF、ML-KNN、LIFT等算法,该算法的汉明损失、平均精度、1次错误率、排序损失、覆盖率、AUC平均提升8.82%、4.98%、9.43%、16.27%、12.19%、3.35%。

在双极柱坐标下求解拉普拉斯方程的二维边值问题

研究了双极柱坐标系下的拉普拉斯方程.由于三维拉普拉斯方程在该坐标系下不能分离变量,因此着重研究了二维情况,其中重要的一点是推导证明了双极积分,并由该积分将均匀静电场和线电极源的一次场展开为傅里叶级数.在此基础上,又分别研究了均匀静电场下全空间和半空间情况下柱体问题以及线电极源下半空间情况下的柱体问题,给出了双极积分的数值验证以及各种情况下柱体问题的等值线图,结果表明,所用理论和方法以及求解结果都是正确的.

基于ε-Pinball损失函数的拉普拉斯双支持向量机

考虑到拉普拉斯双支持向量机中的平方损失函数对分类超平面两侧的同类样本点给予了相同重视,当出现噪声或离群点时,所得分类超平面可能会出现偏离的现象,为了减小噪声或离群点的影响,提出基于ε-Pinball损失函数的拉普拉斯双支持向量机;给出正、负损失的概念,探讨参数τ对分类超平面的影响,分析参数ν的意义,并进行数值实验。结果表明,通过调节参数τ,可增强模型的灵活性,使得模型具有较好的分类能力及抗噪性。

基于NSCT域各向异性双变量萎缩图像去噪

提出了一种用各向异性双变量拉普拉斯函数模型去模拟NSCT域的系数的图像去噪算法,这种各向异性双边拉普拉斯模型不仅考虑了NSCT系数相邻尺度间的父子关系,同时满足自然图像不同尺度间NSCT系数方差具有各向异性的特征,基于这种统计模型,文中先推导出了一种各向异性双变量收缩函数的近似形式,然后基于贝叶斯去噪法和局部方差估计将这种新的阈值收缩函数应用于NSCT域,实验结果表明文中提出的方法同小波域BiShrink算法、小波域ProbShrink算法、小波域NeighShrink算法相比,能够有效地去除图像的高斯噪声,提高了图像的峰值信噪比;并较完整地保持了图像的纹理和边缘等细节信息,从而明显改善了图像的视觉效果。

基于PDTDFB变换域各向异性双变量模型和非局部均值滤波的图像去噪方法

为了有效去除图像噪声并保留更多图像细节信息,提出一种结合PDTDFB变换域各项异性双变量拉普拉斯模型和非局部均值滤波的自适应图像去噪算法。首先分析了PDTDFB变换系数的分布特点,使用各项异性双变量拉普拉斯模型作为其父子系数相关性的先验分布,在贝叶斯去噪框架下推导出闭式形式的各项异性双变量阈值函数,然后对估计的变换系数进行逆PDTDFB变换得到初步去噪图像,最后使用非局部均值滤波对其进行平滑处理。实验结果显示:本文所提算法去噪效果明显,与一些经典算法相比,本文方法在主客观上皆取得了有竞争力的结果。

多通道图像EMD及应用

针对现有的经验模态分解方法(Empirical Mode Decomposition,EMD)对多通道图像(如彩色图像)进行分解时通常忽略各通道图像之间相关性的问题,提出了一种多通道图像EMD方法。该方法采用双拉普拉斯算子插值得到图像上下包络,并建立一个整体筛分停止准则进行筛分来考虑各通道图像相关性,能够将多通道图像自适应分解为数目不多的内蕴模态函数(Intrinsic Mode Function,IMF)分量和一个余量,其中内蕴模态函数分量体现了原始图像不同尺度的特征信息,余量体现了图像的整体变化趋势。该方法可以应用在图像锐化、夜景图像增强等图像分析和处理领域。实验结果显示该方法能够取得较好的效果。