基于监督下降法的大地电磁二维反演及应用研究

传统的大地电磁二维反演方法较为成熟,但仍存在反演结果依赖初始模型和正则化参数选取、容易陷入局部极小值等问题。监督下降法是一种学习平均下降方向来预测数据残差的机器学习算法。本文尝试采用监督下降法解决传统的大地电磁二维反演存在的问题,基于监督下降法理论开发了大地电磁二维反演算法,设计理论模型合成算例验证了算法的正确性,并对西藏高原实测数据进行反演,检验了监督下降法的实用性。理论模型合成数据和实测数据反演结果表明,相较于传统的非线性共轭梯度反演,基于监督下降法的反演具有收敛速度快、反演效果好、抗噪能力强等特点。

基于监督下降法的直流电测深曲线反演

电阻率反演是直流电测深资料最重要的定量解释方法之一,但常规基于梯度信息的反演算法中灵活实现层厚和电阻率的区间约束比较困难。为此,本文将监督下降法引入电测深曲线反演以实现灵活的先验信息引入,进而重构地下模型参数。利用正演合成的数据,论证了训练集中不同初始模型的选择对SDM反演可行性的影响。此外,开展了两组数值实验进一步探讨SDM的泛化能力。结果表明,采用SDM融入先验信息具有可行性。该方法反演过程中不涉及偏导数的计算,不仅可以克服对初始模型的依赖达到快速收敛的目的,并且具有一定的泛化能力。

基于RNN的人脸老化方法研究

人脸特征会随着年龄的增长而产生变化,称这种变化为人脸老化。现代社会,人脸老化在刑侦、跨年龄人脸识别与娱乐活动等领域中具有重要的研究价值。这里探讨的人脸老化方法包括三个步骤,分别是人脸特征点提取、人脸姿态矫正和人脸老化建模。首先,采用监督下降法对人脸进行特征点提取,得到人脸几何特征;其次,利用得到的特征点坐标,通过仿射变换进行人脸姿态矫正;最后,通过门循环单元建立人脸老化模型,对姿态矫正后的人脸进行老化,进而平滑得到老化人脸。最终利用基于卷积神经网络的人脸识别技术对老化结果进行评价,结果表明该方法识别率明显提高,等错率较未老化人脸降低6.78%。

基于单幅正面照和统计模型的三维人脸重建方法研究

为提升单张图片三维重建的效率、提高重建的精准度,提出了一种基于单张图片和统计模型的三维人脸重建技术。首先基于智能行为理解组(intelligent behaviour understanding group,IBUG),采用监督下降算法(SDM)进行训练来建立二维人脸特征点参数模型;再应用该参数模型对给定图片进行特征点提取;然后基于北京工业大学3D数据库(BJUT-3D)进行三维人脸统计模型的构建;最后,以三维人脸统计模型为基础,使用学习因子自适应梯度下降法对能量函数进行迭代优化,得到统计模型参数化向量,使用该向量来调整统计模型,实现与给定图片相匹配的三维人脸模型构建。实验证明,与现有的方法相比,本文方法重建出的三维人脸模型具有更高的精确度和自适应度。

稳定的视频内头部姿态估计方法

传统基于特征点的头部姿态估计方法准确性依赖于3D人脸模型和特征点定位精度等因素,易导致姿态估计值不精确、波动性较大。针对姿态估计值不精确的问题,引入误差补偿方法,利用极端梯度提升拟合传统方法估计值的误差,将其与传统方法的结果叠加作为优化的姿态估计值;针对波动性较大的问题,定义视频内头部姿态估计的稳定性,提出基于余弦相似性的稳定性度量,衡量估计值是否反映真实值的变化趋势;引入自适应移动平均对姿态估计值进行平滑。实验结果表明,该方法能有效提高头部姿态估计的准确性和稳定性。

基于熵加权Gabor特征的鲁棒人脸识别方法

针对传统人脸识别方法对于人脸姿态变化中偏转人脸的识别率较低的问题,提出一种基于监督下降法(SDM)模型和熵加权Gabor特征的鲁棒人脸识别方案。首先,利用SDM模型提取人脸图像局部特征,对人脸进行矫正对齐;然后,将人脸构建成一个变形网格,并计算Gabor特征系数(Gabor jets);再后,引入图像的熵来加权Gabor jets特征,并进行局部归一化(LN);最后,利用Borda计数将输入人脸图像上的Gabor jets与图库进行比较,并通过统计模型对人脸进行分类识别。实验结果表明,该方案能够很好的识别具有姿势、光照和表情变化的人脸图像,特别对人脸偏转具有很强的鲁棒性。

基于由粗到精定位的列车驾驶员瞳孔和眼角点检测

提出一种由粗到精定位的列车驾驶员瞳孔和眼角点检测方法,采用基于监督下降法的面部特征点定位和跟踪技术对驾驶员的眼角点进行粗定位,在面部特征点正确定位的基础上根据相应点的位置获取眼睛图像。采用圆形模板求得眼睛图像中每个像素点的灰度比率,并将其作为权值获取积分投影曲线,对瞳孔点粗定位。将已检测到的瞳孔中心点和眼角点作为初始点,采用基于局部二值特征的定位技术对眼角点和瞳孔位置进行精确定位。利用视频和图像数据库进行实验测试,实验结果表明:提出的方法能够有效定位驾驶员眼角点和瞳孔位置,其瞳孔检测精度优于最新提出的方法。

基于SCFNN的网络控制系统远程控制器设计

提出将自组织模糊神经网络(SCFNN)应用于网络控制系统(NCS)中的远程控制器的设计。SCFNN的学习过程包括结构学习和参数学习两个阶段。结构学习的目的是对输入空间进行合理的模糊划分并动态地生成一组模糊逻辑控制规则,而参数学习是通过有监督梯度下降法来调整隶属度函数的参数以及模糊规则中结论部分的权值。最初的SCFNN只有输入节点和输出节点,而经过在线学习后逐步生成隶属度函数节点和规则节点。对基于Profibus-DP网络的网络控制系统进行测试,并与采用修正Ziegler-Nichols法设计的控制器的控制效果进行比较,结果表明基于SCFNN思想设计的远程控制器在网络控制系统中能够获得满意的控制效果。