结合双随机相位加密和四元数格拉斯曼平均网络的彩色人脸隐私保护识别

为保护彩色人脸图像的隐私并提高识别准确率,提出一种结合双随机相位加密和四元数格拉斯曼平均网络的彩色人脸隐私保护识别算法.首先将彩色人脸图像的颜色分量编码为纯四元数矩阵,使用双随机相位加密和四元数Gyrator变换进行加密.为了隐藏原始彩色人脸图像的内容,通过随机二值幅度掩模选取部分密文进行解密,得到不可见的人脸图像,然后使用四元数格拉斯曼平均网络提取人脸的特征向量和线性支持向量机进行识别.当人脸特征模板泄露时,可以重新生成随机二值幅度矩阵并构建新的特征模板替换原始的特征模板,满足可撤销性,从而保证原始人脸图像的安全性.在Aberdeen, Georgia Tech, Visible Light和YouTube Makeup 4个数据集上与当前3种人脸隐私保护识别算法进行比较,实验结果表明该算法能够有效地提高识别率,而且对数据集的变化具有较好的鲁棒性.

No-CapsE:一种基于节点共现的四元数胶囊网络知识图谱补全模型

知识图谱补全是通过预测知识图谱中缺失的事实进行填补,以解决知识图谱中的数据稀疏问题。CapsE、QuatE等用于知识图谱嵌入的模型在链接预测方面已经取得了较好的表现,但是,CapsE模型因其在复数空间进行链接预测与数据挖掘,会受限于其数据维度,使得数据挖掘不够深入,QuatE采用四元数构造超复数平面进行逻辑旋转,但其方法简单,无法有效地构建复杂关系。为此,提出一种改进的胶囊网络补全方法No-CapsE,在超复数平面构建胶囊网络。将数据用四元数进行表示并输入到四元数卷积网络中,输出的特征向量作为胶囊网络的输入,通过点积操作进行评分并依据评分判定三元组的正确性。此外,为了提高模型的训练速度,提出节点共现的思想,将实体和关系都视作节点。在公开数据集FB15K-237与WN18RR上进行链接预测实验,同时为了进一步探究所提模型的性能与效果,进行消融实验。实验结果均表明,相较于对比模型,No-CapsE的知识图谱补全效果更好,可以应用于大规模链接预测任务。

基于四元数可逆网络的医学图像信息隐藏

随着5G和远程医疗飞速发展,云端健康监测数据及病例几何式增多。这一系列行为使大量医疗信息暴露在公共视野,这不仅对医患双方的隐私及健康安全构成严重威胁,甚至会带来国家安全、社会影响力等多方面的连锁反应。如何保护患者隐私,提高医学图像在云端的安全性成为新的难题。以肺部医学图像为研究对象,提出了一种基于四元数可逆网络的医学图像信息隐藏算法,保护云端肺部医学图像数据安全。首先,提出了一种基于四元数嵌入的可逆神经网络以实现秘密信息的嵌入及提取,通过反向学习机制有效地增加了图像的嵌入容量,且能够实现将全尺寸的秘密信息隐藏到相同尺寸的原始图像中,为了提高秘密信息的不可见性,利用四元数小波变换在图像的小波域隐藏秘密信息,提高了隐藏的安全性。此外,该模型具有较强的抗隐写分析能力,ROC曲线下面积的值为0.50。

基于四元数长短期记忆网络的多维时间序列预测

多维时间序列数据存在于实际生活中,包括楼盘价格、道路上交通流量、不同区域的CO_(2)浓度等等。循环神经网络(RNN)是有效处理时间序列数据的一种模型,其变体长短期记忆网络(LSTM)有效解决了RNN反向传播路径过长、易产生梯度爆炸或消失的问题。以四元数代替实数进行网络参数传播,通过四元数内部结构的依赖性,捕获多维时间序列特征之间的内部关系,使得多维时间序列特征中固有的结构信息得到很好的保存。

基于脉冲控制的四元数网络有限时间同步及应用

研究四元数网络有限时间同步问题.所考虑的网络节点状态、动力学以及耦合矩阵均为四元数结构.通过设计脉冲控制协议,保证耦合网络节点能够在有限时间实现同步,并给出相应的同步驻留时间.最后,给出数值仿真验证控制协议的有效性,并将所得同步结果应用于彩色图像的信息隐藏之中.

时滞四元数忆阻神经网络的投影同步控制

利用改进的1-范数和直接解析法,研究具有时变时滞四元数忆阻神经网络模型的投影同步控制问题。通过设计一种新型控制器,构造合适的李雅普诺夫函数和运用一些不等式技巧,建立新的投影同步条件,实现四元数忆阻神经网络的投影同步。最后,通过数值仿真验证该方法的可行性。

基于四元数表示的GraphSLAM位姿初始化算法

位姿估计问题本质上是一个非凸且NP-难问题,难以求解的原因在于位姿中包含特殊正交群,且往往拥有一个较差的初始值。针对此问题,提出了一种基于图的即时定位与建图技术位姿初始化算法。首先,使用两阶段算法将位姿估计问题构建的最大似然估计方程重新拆分为两个独立的子问题,即基于四元数表示的旋转平均问题和无约束的平移向量平均的线性方程问题。然后,通过迹松弛方式将非凸问题转化为线性方程问题。最后,结合平移向量计算出初始化的位姿。仿真实验表明,在高噪声的数据集中,所提方法比基于生成树的目标函数值降低了至少1个数量级,能够鲁棒地为位姿估计问题提供一个良好的初始值。

基于四元数图神经网络的知识图谱嵌入

针对当前大多数知识图谱嵌入方法对实体和关系的表示能力低、难以处理复杂关系的问题,提出一种基于四元数图神经网络的知识图谱嵌入方法,用于解决知识图谱的链路预测问题。该方法为了包含更丰富的关系信息,将四元数引入到知识图谱嵌入中对实体和关系建模,并考虑两者之间的共现关系。模型利用勒维图变换将知识图谱中的实体和关系转换为图网络中的节点,采用两者的共现关系构建图中的边;将四元数图神经网络(quaternion graph neural networks,QGNN)作为编码器模块,学习图节点的四元数嵌入;利用四元数空间内的哈密顿乘积构造评分函数对生成三元组进行排序。实验结果表明,所提模型能够很好地捕捉到实体与关系之间潜在的相互依赖关系,在知识图谱嵌入方面优于现有的嵌入模型。

基于四元数门控图神经网络的脚本事件预测

脚本事件预测需要考虑两类信息来源:事件间的关联与事件内的交互。针对于事件间的关联,采用门控图神经网络对其进行建模。而对于事件内的交互,采用四元数对事件进行表征,接着通过四元数的哈密顿乘积来捕捉事件4个组成部分之间的交互。提出结合四元数和门控图神经网络来学习事件表示,它既考虑了外部事件图的交互作用,又考虑了事件内部的依赖关系。得到事件表示后,利用注意机制学习上下文事件表示和每个候选上下文表示的相对权值。然后通过权重计算上下文事件表示的和,再计算其与候选事件表示的欧氏距离。最后选择距离最小的候选事件作为正确的候选事件。在纽约时报语库上进行了实验,结果表明,通过多项选择叙事完形填空评价,本文的模型优于现有的基线模型。

一类四元数值Cohen-Grossberg神经网络的固定时间同步

研究一类具有时变时滞的四元数Cohen-Grossberg神经网络(QVCGNNs)的固定时间同步问题。首先,在使用直接法把四元数神经网络当作一个整体的前提下,利用四元数符号函数的性质设计了新颖有效的四元数值控制器使得驱动响应系统实现固定时间同步;然后,通过构造适当的Lyapunov-Krasovskii泛函,运用不等式技巧得到了保证四元数Cohen-Grossberg神经网络驱动响应系统固定时间同步的判据;最后,提供了一个数值仿真算例用以验证所提出方法的可靠性。

具比例时滞四元数值中立型Cohen-Grossberg神经网络稳定性分析

主要研究具比例时滞四元数值中立型Cohen-Grossberg神经网络的稳定性.通过利用M-矩阵理论、同胚映射原理、Lyapunov函数、线性矩阵不等式等技术,得到了系统平衡点的存在唯一性和全局指数稳定性的充分条件;最后通过数值仿真验证所得结果的有效性和正确性.

具有时变时滞的分数阶四元数神经网络的投影同步

研究了具有时变时滞的分数阶四元数神经网络的投影同步问题.该文不将分数阶四元数神经网络系统转化成两个复值系统或四个实值系统,而是将四元数系统当做一个整体进行处理.在合适的控制器下,通过构造合适的Lyapunov函数,并利用一些不等式技巧,得到了具有时变时滞分数阶四元数时滞神经网络投影同步的充分性判据.最后,通过数值仿真实例验证了所得结论的有效性和可行性.

四元数双向联想记忆神经网络的固定时间控制

将双向联想记忆(bidirectional associative memory,BAM)神经网络扩展到四元数域,提出了一类新的四元数双向联想记忆神经网络(quaternion-valued bidirectional associative memory neural networks,QVBAMNNs)。通过对四元数的分解并运用微分包含理论,将原始的四元数值系统转化为等价的实值系统,并利用Lyapunov方法研究了主从QVBAMNNs的固定时间同步问题。通过设计一个不连续状态反馈控制器,得到了保证QVBAMNNs达到固定时间同步的新准则。最后,通过数值仿真验证了所得结果的正确性。

具有时变时滞和比例时滞的四元数神经网络的稳定性分析

采用一种新型的方法,研究了一类具有混合时滞的四元数神经网络的指数稳定性问题.利用了Halanay不等式技术而不是Lyapunov函数,并结合矩阵测度的方法,讨论了系统的全局指数稳定性问题,最后利用数值仿真来验证结论的有效性.

基于四元数时空卷积神经网络的人体行为识别

传统卷积神经网络(CNN)只适用于灰度图像或彩色图像分通道的特征提取,忽视了通道间的空间依赖性,破坏了真实环境的颜色特征,从而影响人体行为识别的准确率。为了解决上述问题,提出一种基于四元数时空卷积神经网络(QST-CNN)的人体行为识别方法。首先,采用码本算法预处理样本集所有图像,提取图像中人体运动的关键区域;然后将彩色图像的四元数矩阵形式作为网络的输入,并将CNN的空间卷积层扩展为四元数空间卷积层,将彩色图像的红、绿、蓝通道看作一个整体进行动作空间特征的提取,并在时间卷积层提取相邻帧的动态信息;最后,比较QST-CNN、灰度单通道CNN(Gray-CNN)和RGB 3通道CNN(3Channel-CNN)3种方法的识别率。实验结果表明,所提方法优于其他流行方法,在Weizmann和UCF sports数据集分别取得了85.34%和80.2%的识别率。

四元数神经网络模型：彩色图象的识别

本文首次把四元数（Ｈａｍｉｌｔｏｎ量）引入到神经网络中，提出了四元数１６态离散神经网络模型，应用信噪比理论和计算机模拟考察了该模型的存储稳定性和存储容量该模型的存储容量比与Ｈｏｐｆｉｅｌｄ模型相同．该四元数神经网络模型可应用于１６色的彩色图象识别中．

基于四元数胶囊网络的知识图谱补全模型

知识图谱采用RDF三元组的形式描述现实世界中的关系和头、尾实体,即(头实体,关系,尾实体)或(主语,谓语,宾语)。为补全知识图谱中缺失的事实三元组,将四元数融入胶囊神经网络模型预测缺失的知识,并构建一种新的知识图谱补全模型。采用超复数嵌入取代传统的实值嵌入来编码三元组结构信息,以尽可能全面捕获三元组全局特性,将实体、关系的四元数嵌入作为胶囊网络的输入,四元数结合优化的胶囊网络模型可以有效补全知识图谱中丢失的三元组,提高预测精度。链接预测实验结果表明,与CapsE模型相比,在数据集WN18RR中,该知识图谱补全模型的Hit@10与正确实体的倒数平均排名分别提高3.2个百分点和5.5%,在数据集FB15K-237中,Hit@10与正确实体的倒数平均排名分别提高2.5个百分点和4.4%,能够有效预测知识图谱中缺失的事实三元组。

基于四元数小波变换和自适应神经网络的图像融合处理

夜晚环境下,同一物体的可见光图像、红外图像以及环境噪声等特征信息往往融合在一起,从而导致所提取的图像清晰度变差,边缘模糊等。为改善夜间图像的可视化效果,提出了一种基于四元数小波变换和自适应神经网络的红外与可见光图像融合算法。该算法首先对夜间原图像中的弱光信息进行动态压缩和自适应增强;再利用四元数小波变换对增强后图像的可见光、红外部分进行分解;在低频部分,取系数最大的融合算法;在高频部分,采用神经网络参数自适应融合算法;最后,采用四元数小波逆变换得到融合图像。理论与实验表明,该算法能很好地改善夜视场景下同一目标图像的提取效果。

具有可变延时的四元数神经网络的指数稳定性

研究一类具有可变延时的四元数神经网络的指数稳定性。首先将该系统分解为4个等价的实数域系统,然后在假定激活函数满足强耦合条件的情况下,利用M矩阵理论和矢量Lyapunov函数法分析该系统平衡点的全局指数稳定性,并给出了形式简单且容易验证的稳定性判据。本文所建立的稳定性条件不仅推广了现有结论,并且具有较低的保守性。最后,通过数值仿真算例验证了所得结论的正确性和低保守性。

四元数神经网络模型的计算机模拟研究

用Ｄｉｒａｃ符号表示１６态四元数离散神经网络模型，用计算机模拟讨论了该模型的存贮容量和容错能力，与Ｈｏｐｆｉｅｌｄ模型对比。