系统故障演化过程中不同类对象分布的确定方法

为解决系统故障中不同类对象的分布确定问题,提出一种对象分布确定方法。首先,论述系统故障演化过程的特点和对象分布;其次,给出方法流程图和实现过程;最后,实例研究50个对象6个因素构成的基础数据矩阵,得到最大训练集互相关度为0.8,测试集互相关度为1,以及最优对象标签分布(对象分布)。研究结果表明:演化过程的数据基础是对象集合;方法以无监督核谱回归(UKSR)为基础,配合K-means和互信息方法,构造随机均匀分布的对象标签集合,提出最优对象标签集合的判据;通过循环确定对象标签与对象数据相关性最大时的最优对象标签集合;集合中标签值即为最优的对象分布情况;方法克服无监督学习和非线性映射等问题,且能在无监督且非线性条件下,对系统故障演化过程中测量得到的对象进行分类,分析所有对象的类标签随演化时间的分布情况,缺点是只能用于研究二维平面表示的系统故障演化过程。

非线性联合学习的三维人脸表情合成方法

针对人脸表情数据的非线性分布特性,提出一种基于非线性联合学习的三维人脸表情合成方法.首先提出非线性联合学习理论,通过无监督回归将具有相同属性的三维人脸映射到相同的低维表达;其次,基于三维人脸的低维表达对低维表达进行重建操作,为给定的三维人脸合成表情,或基于样例表情进行表情的重定向.另外,非线性联合学习方法还能有效地处理带噪声及不完整的人脸数据,获得完整的表情人脸.实验结果表明,文中方法的表情重定向合成结果及合成效率优于已有方法.

细节特征保持的三维面部表情迁移方法

在三维面部表情迁移中,针对保持目标模型丰富的细节信息以使生成的新表情真实自然,以及减少表情迁移的学习训练时间这2个热点问题,提出一种细节特征保持的三维面部表情迁移方法.首先提取三维面部模型的细节特征,获得滤掉细节后的基本表情;然后利用改进的有参无监督回归方法将源模型的基本表情传递给目标模型;最后利用提出的细节特征向量调整策略对具有源基本表情的目标模型进行细节恢复.在Windows 10系统的Matlab中,以重建精度和训练时间为评价指标,对COMA等三维面部数据集进行视觉对比和定量分析实验.结果表明,与非线性联合学习方法相比,该方法在将源模型的表情无损迁移到目标模型的同时,很好地保持了目标模型自身的个性细节特征,使生成的表情真实自然;有效地提高了面部表情迁移的训练速度.