正则Dirichlet子空间与Mosco收敛性

讨论了一维不可约强局部Dirichlet,型的正则子空间的Mosco收敛性.如果正则子空间的特征集是收敛的,那么相应的正则子空间在Mosco意义下也是收敛的.最后,用一些具体的例子说明了Mosco收敛不能保持Dirichlet型整体特性的稳定.

基于子空间表示和加权低秩张量正则化的高光谱图像混合噪声去除方法

针对高光谱图像中存在混合噪声的问题,提出一种基于子空间表示和加权低秩张量正则化的方法去除高光谱图像中的混合噪声.子空间表示利用光谱频带之间的相关性,选取合适的正交矩阵,将高光谱图像投影到低维子空间中,使提出的算法具有较低的复杂度,简化去噪过程的同时去除图像中的部分噪声.去噪过程基于从简化图像中提取的低秩张量进行,引入加权低秩张量正则化项表征简化图像子空间的先验信息,基于Tucker分解中核范数的物理意义构建合理的加权机制,保留高光谱图像的内在结构相关性.并且设计了一种基于迭代最小化的方法,用于求解提出的非凸去噪模型.在模拟和真实数据集上的实验结果表明,该子空间表示和加权低秩张量正则化方法在定量和定性分析上都取得了较好的去噪效果.

含t-积结构的张量广义Krylov子空间方法求解线性离散不适定问题

本文讨论了基于三阶张量的t-积形式,将广义Krylov子空间方法在解决大规模线性离散不适定问题中的应用。针对于离散不适定问题,首先确定正则化参数,并将一系列投影应用到广义的Krylov子空间上。数据张量是一般的三阶张量或由横向定向矩阵定义的张量。在数值例子和彩色图像修复中的应用说明了该方法的有效性。

基于子空间类标传播和正则判别分析的单标记图像人脸识别

针对单标记图像人脸识别问题,该文提出一种基于子空间类标传播和正则判别分析的半监督维数约简方法。首先,基于子空间假设设计了一种类标传播方法,将类标信息传播到无类标样本上。然后,在传播得到的带类标数据集上使用正则判别分析对数据进行维数约简。最后,在低维空间使用最近邻方法对测试人脸完成识别。在3个公共人脸数据库CMU PIE,Extended Yale B和AR上的实验,验证了该方法的可行性和有效性。

雷达目标一维距离像识别中的修正正则子空间法

涌现在复杂性理论中占有重要的地位。本文在讨论涌现的基本概念的基础上 ,介绍了一种用于研究复杂系统涌现行为的模型方法—CGP模型 ,给出了一个CGP模型的具体例子———采集机器人的仿真模型。通过对这个模型进行仿真实验 ,观察到机器人简单的状态转换函数和看似杂乱无章的行为产生了具有明显规律性的结果 ,对这种涌现现象的产生进行了分析 ,指出了它的现实意义。

非线性正则子空间法雷达目标一维距离像识别

雷达目标识别中,目标一维距离像的分布常表现出明显的非线性和复杂性时,经典的线性子空间方法的识别性能会有所下降。为此,本文提出非线性正则子空间法,通过对一维距离像进行非线性变换,使在原有空间线性不可分的一维距离像模式在高维空间有望具有线性可分性,从而提高目标的识别性能。对实测飞机数据的实验结果表明了该方法的有效性。

关于子基的正则空间和相对正则性

给出了关于子基的正则空间和相对正则性概念,研究了各种正则性之间的关系,证明了各种正则空间的充要条件,丰富了一般拓扑学中的正则空间和相对正则性理论.

一种自适应正则化子空间追踪算法

针对压缩感知中未知稀疏度信号的重建问题,提出一种新的压缩感知的信号重建算法,即自适应正则化子空间追踪(Adaptive Regularized Subspace Pursuit,ARSP)算法,该算法将自适应思想、正则化思想与子空间追踪(Subspace Pursuit,SP)算法相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,利用正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真结果表明,该算法能够精确重构原始信号,重建效果优于SP算法、正则化正交匹配追踪(ROMP)算法、稀疏度自适应匹配追踪(SAMP)算法、压缩采样匹配追踪(CoSaMP)算法等。

正则化递增支撑集子空间追踪算法的目标定位

为提高压缩感知子空间追踪(SP)算法用于多目标定位的重建精度,并考虑到子空间追踪算法用于多目标定位环境的特殊性,提出一种正则化递增支撑集子空间追踪算法用于定位。该算法保留了SP算法中迭代回溯的思想,将正则化方法融入到子空间追踪算法中,加入正则化约束条件进行缩减筛选,在原子剔除阶段递增保留候选原子,降低原子错选概率,算法以更高概率得到真正支撑集。实验结果对比表明,相比于SP算法和其他压缩感知重构类算法用于多目标定位,该算法在目标数K>25时,平均定位误差在0. 45 m上下波动,在信噪比为5 dB时,平均定位误差也能控制在0. 457 m范围内,具有更好的鲁棒性和抗噪性。

多值线性算子的正则Fredholm对的子空间序列

将单值线性算子的正则Fredholm对的研究思想推广到多值线性算子的范畴中,引入了Banach空间X、Y上的多值线性算子S、T构成的正则Fredholm对的概念及其相应的子空间序列(RS,n)n∈N、(RT,n)n∈N、(RS,n)n∈N+和(RT,n)n∈N+,证明(RS,n)n∈N、(RT,n)n∈N分别是Y、X的递减序列;当S(0)与T(0)都是有限维且n≥2时,子空间RS,n与RT,n分别是Y和X的有限维子空间,并给出了分解式RS,n=Mn+Y2n,RT,n=Nn+X2n。

基于Hessian正则化和非负约束的低秩表示子空间聚类算法

针对低秩表示(LRR)子空间聚类算法没有考虑数据局部结构,在学习中可能会造成局部相似信息丢失的问题,提出了一种基于Hessian正则化和非负约束的低秩表示子空间聚类算法(LRR-HN),用来探索数据的全局结构和局部结构。首先,利用Hessian正则化良好的推测能力来保持数据的局部流形结构,使数据局部拓扑结构的表达能力更强;其次,考虑到获得的系数矩阵往往有正有负,而负值往往没有实际意义的特点,引入非负约束来保证模型解的有效性,使其在数据局部结构描述上更有意义;最后,通过最小化核范数寻求数据全局结构的低秩表示,从而更好地聚类高维数据。此外,利用自适应惩罚的线性交替方向法设计了一种求解LRR-HN的有效算法,并在一些真实数据集上,采用正确率(AC)和归一化互信息(NMI)对所提出的算法进行了评估。在ORL数据集上聚类数目为20时的实验中,LRR-HN与LRR算法相比,AC和NMI分别提高了11%和9.74%;与自适应低秩表示(ALRR)算法相比,AC和NMI分别提高了5%和1.05%。实验结果表明,LRR-HN与现有的一些算法相比,AC和NMI均有较大的提升,有较好的聚类性能。

离散不适定问题的扩展迭代正则化方法

Arnoldi-Tikhonov方法是求解大规模离散不适定问题的一种常用子空间迭代正则化方法,其由Arnoldi算法构建低维Krylov子空间,再对低维问题用Tikhonov正则化从而获得正则化解。但由于低维子空间信息缺失,正则化解的有时效果欠佳。为了改进正则化效果,本文通过增加一个含有特定先验信息的低维子空间来扩展Krylov子空间,提出了求解大规模离散不适定问题的一种扩展子空间迭代正则化方法。该方法通过扩展Arnoldi算法构建扩展子空间,并融合Tikhonov正则化,从而获得更优正则化解。针对经典算例,将所提算法与Arnoldi-Tikhonov算法进行了数值实验和性态比较,数值结果验证了所提算法的有效性。

流形正则引导的自适应加权多视角子空间聚类

现有多视角子空间聚类方法大多学习多视角数据的一致共享信息,并将每个视角的贡献视为同等重要以集成多个视角的差异信息.然而此思想忽略不同视角间可能存在的噪声或冗余,导致最终聚类性能不佳.为此,文中提出流形正则引导的自适应加权多视角子空间聚类算法.算法采用核范数学习每个视角的一致性全局低秩表示信息并利用组效应刻画不同视角的差异信息.根据流形正则的思想,自适应学习每个视角的权重,自动为每个视角的差异信息分配贡献度.再根据自适应权重集成差异信息并融合一致信息,获得最终的共识表示.最后利用该共识表示实现聚类.在6个公开数据集上的实验表明文中算法能有效提升多视角聚类性能.

正则化低秩子空间谱聚类算法

为解决缺损数据谱聚类中的不适定问题,提出一种正则化低秩子空间谱聚类算法。首先根据数据集建立核范数正则化低秩矩阵分解模型,然后用迭代法求解模型得出系数矩阵,由此构造相似矩阵,最后利用谱聚类算法得出聚类结果。实验表明,该算法在一定程度上可以解决缺损数据的谱聚类问题,抑制噪声,获得质量较高的聚类结果。

结合子空间Laplacian正则项的迁移联合匹配方法

基于核主成分分析的迁移联合匹配方法在处理高维数据的降维问题时,存在难以获得更具判别力的特征这一缺陷,由此,提出了一种结合子空间Laplacian正则项的迁移联合匹配方法。该法将原始数据映射到高维子空间,在高维子空间中提取Laplacian正则项和MMD分布适配项,以进一步获取更具判别力的特征,在此基础上重新调整实例权重以保证源域与目标域的一致性。最后在通用迁移数据集上对所提方法的有效性和鲁棒性进行测试,结果表明所提方法能提升跨域图像的平均分类性能并具有很好的鲁棒性。

核化图正则子空间分割方法

传统的线性子空间分割方法很难刻画数据的非线性结构。借鉴核理论提出核化图正则子空间分割方法,在非线性空间中对数据进行重构,有利于刻画数据的非线性特点。利用Sylvester方程可求得全局最优解。2个图像数据集和2个基因表达数据集的实验结果表明,核化图正则子空间分割方法优于其他线性子空间分割方法。

子空间法雷达目标一维像识别研究

基于高分辨一维像,研究特征子空间法和正则子空间法在雷达目标识别中的应用。针对一维像敏感于目标姿态变化的特点,提出一种子空间串识别法,将所有姿态范围划分为一定数量的模区,在每模区建立各类目标的子空间.对未知目标,所处模区由雷达测定后,其一维像映射到该模区各类目标的特征子空间进行识别分类一单模区搜索准则.模拟和实测数据实验表明所提出方法是有效的.

基于子空间投影技术的椭圆拟合算法

通过两次子空间投影,把拟合误差矢量正交分解为3个分量,并使它们的范数同时最小化,导致一个有约束总体最小化过程,该过程在同时约束其中的2个正交分量(即误差均值和误差矢量在中心化一阶子空间的投影分量)为0的条件下使另1个分量(即误差矢量在中心化一阶子空间的正交投影分量)的范数最小化.通过结合子空间投影与奇异值分解,采用渐进计算技术来完成椭圆参数矢量的3个分量的最优估计.理论分析和实验表明,该算法具有快速、精确、抗噪能力强、拟合成功率高等优点.

关于弱正则空间的闭扩充

在此文中我们分别给出了刻画第一可数弱正则一闭拓扑空间和第一可数弱正则一极小拓扑空间的等价性定理。同时我们还证明了每一个局部弱紧的第一可数弱正则空间都存在一个第一可数弱正则一闭扩充,此定理在表达形式上类似于R.M.Stephenson等人对P=第一可数完全正则,或第一可数Urysohn以及第一可数零维时的结果。

拓扑空间关于子基的分离性

在粗糙集理论研究中,覆盖方法的应用越来越受到重视,其中拓扑空间的子集关于子基的内部和闭包两个概念尤为重要.本文在由它们导入的关于子基的开集,闭集的基础上,给出了拓扑空间关于子基的分离性概念,并研究它们的性质,得到分离性公理定义的一般拓扑空间的进一步分类.