Laplacian正则项半监督不平行超平面分类机

本文通过引入拉普拉斯(Laplacian)正则项,针对半监督分类问题我们建立了基于拉普拉斯正则项的半监督不平行超平面分类机。和经典的双支持向量机相比,该算法不仅继承了不平行超平面决策的优点,并且将其推广到了半监督分类问题中。最后在人工数据上进行数值实验,与拉普拉斯双支持向量机和拉普拉斯支持向量机做比较,数值结果表明我们提出算法的可行性和有效性,特别是对于交叉型数据集,基于拉普拉斯正则项的半监督不平行超平面分类机具有明显较高的分类精确度。

融合关联矩阵自学习和显式秩约束的数据表示分簇算法

复杂异构分布的高维数据在大数据时代随处可见,高效地挖掘其子空间结构并进行准确的分簇是机器视觉和模式识别领域的研究热点.低秩表示算法(Low-Rank Representation,LRR)因其优越的低维子空间挖掘能力而备受关注,其性能很大程度上取决于关联矩阵的构建,常见的方法都是通过原始输入数据或表示系数直接一次成形.然而,这些方法都采用独立的步骤进行表示系数计算以及关联矩阵学习,无法保证总体算法的最优性.针对该问题,该文提出一种新的LRR型数据表示分簇法(Data Representation Clustering,DRC)应用于实际子空间分割问题.首先,为实现模型的快速求解,DRC保留了基本数据表示框架中的光滑正则项并剔除了非负性、稀疏性等复杂约束;其次,将相似度矩阵的自适应学习策略添加至统一的数据表示框架,联合原始输入数据和表示系数确保目标关联矩阵在无噪环境下具备明确的对角分布结构.最后,对关联矩阵对应的Laplacian矩阵添加一种新的秩约束,在含噪环境下引导相似度连接结构与簇目标数的一致性.采用交替更新法对模型进行求解,保证目标函数单变量优化的全局最优性以及整体收敛性.人工合成数据和8个公开数据集的实验结果表明,DRC算法在分簇精度、归一化互信息、参数敏感性等指标上都具有优秀的性能.

超像素分割和波段分割的高光谱图像去噪

针对现有的高光谱图像去噪算法采用逐波段或者全波段方式去噪,未能充分利用高光谱图像波段相似性的问题,提出了超像素分割和波段分割的高光谱图像去噪算法。文中将构建双层图模型,包括上层图和下层图模型。首先,对高光谱图像应用超像素分割技术,得到一系列的超像素。对超像素内的像素建模为节点,像素之间用边连接,构建一系列下层图,从而充分利用高光谱图像的空间信息和保留边界信息。根据超像素分割结果,沿着波段维分割,形成超像素体,以充分利用高光谱图像的波段相似性。将超像素体建模为节点,超像素体之间用边连接,构建上层图。基于构建的图结构和图分割方式,将高光谱图像去噪问题归结为一系列的优化问题,在优化问题中利用克罗内克乘积图重新定义了图拉普拉斯正则项。最后,实验结果表明,与现有算法相比,文中所提算法具有更高的平均峰值信噪比、平均结构相似性和光谱差异性。