基于双支路核化群稀疏学习的微表情识别

在微表情识别系统中,常规的特征融合方法会引入冗余或干扰特征,因而会影响识别准确率和效率。针对上述问题,提出一种基于双支路核化群稀疏学习(Two-Branch Kernelized Groups Sparse Learning, TB-KGSL)的特征选择方法,并将其应用于微表情识别系统。首先,提取多个人脸区域的3个正交平面上局部二值模式(Local Binary Patterns from Three Orthogonal Planes, LBP-TOP)和多个方向上的单方向梯度直方图(Histogram of Single Direction Gradient, HSDG)两组不同类型的特征;然后,使用TB-KGSL模型从上述两组特征中分别选择有效区域的LBP-TOP特征和有效方向上的HSDG特征;最后,将选择的LBP-TOP和HSDG特征进行拼接融合,得到紧凑且可鉴别的特征,并使用基于支持向量机(Support Vector Machine, SVM)的分类器进行微表情分类。实验结果验证了TB-KGSL的可行性和有效性,并在CASME II和SMIC数据集上分别达到68.63%和75.95%的识别准确率,比基线方法分别高出5.77个百分点和15.20个百分点。

基于低阶加权与卷积稀疏学习的齿轮箱故障诊断

为了提升在噪声与复杂传递路径调制下齿轮箱故障诊断的精度,提出了一种基于低阶加权与卷积稀疏学习的齿轮箱两阶段源特征恢复方法。首先利用源特征的周期性自相似性结构,设计了一种低阶加权模型,当两种波形耦合在同一频带内时,可以有效地区分调制波和干扰波。然后采用卷积滤波器直接描述传输路径的调制过程,保证了脉冲源包络的可靠恢复。同时,通过非负有界稀疏先验保证了反褶积能力。最后数值仿真与风力发电机组实验结果证明了低阶模型主能够分离聚焦特征波形,卷积稀疏学习能够突出脉冲源特征,从而有效提升齿轮箱的故障诊断精度。

基于采样稀疏学习的非线性动力系统辨识

现有系统辨识方法常将非线性动力系统辨识问题转化为稀疏回归问题。针对现有方法应对噪声与小样本能力不足的问题,提出了一种基于采样稀疏学习的非线性动力系统辨识方法。首先,在复杂辨识问题被描述为稀疏回归问题的基础上,引入指示变量对稀疏结构进行编码;然后,基于嵌有Metropolis-Hastings算法的Gibbs采样器对稀疏结构进行学习;最后,通过简单的线性回归获得动力学方程的各项系数。实验结果表明,相较于LASSO算法,采样稀疏学习算法在较高的噪声水平下仍然保持较好的性能。此外,该算法无须进行阈值设定或正则化参数调整,具有更高的灵活性与鲁棒性。

基于贝叶斯稀疏学习的多跳频信号频率跟踪方法

以往的跳频信号参数盲估计方法大多难以适应多个信号同时存在的情况,且需要积累一定数量的样本以后才能从中提取所需要的信息。为了稳定实时地跟踪跳频信号的频率,该文提出一种利用贝叶斯稀疏学习的单/多通道跳频信号频率估计和跳变时刻检测方法来实现多跳频信号频率的实时跟踪。首先建立了多跳频信号的稀疏表示模型,然后介绍了多观测贝叶斯稀疏学习算法及跳变时刻实时检测方法,最后仿真结果验证方法的有效性。

基于深度稀疏学习的土壤近红外光谱分析预测模型

提出一种基于深度稀疏学习的土壤近红外光谱分析预测模型。首先,使用稀疏特征学习方法对土壤近红外光谱数据进行约简,实现土壤近红外光谱内容的稀疏表示;然后采用径向基函数神经网络以稀疏表示特征系数为输入,以所测土壤成分为输出,分别建立土壤有机质、速效磷、速效钾的非线性预测模型。结果表明用该模型预测土壤有机质的含量是可行的,但对土壤速效磷和速效钾含量的预测还需对模型做进一步的优化。

基于稀疏学习的kNN分类

在kNN算法分类问题中,k的取值一般是固定的,另外,训练样本中可能存在的噪声能影响分类结果。针对以上存在的两个问题,本文提出一种新的基于稀疏学习的kNN分类方法。本文用训练样本重构测试样本,其中,l_1-范数导致的稀疏性用来对每个测试样本用不同数目的训练样本进行分类,这解决了kNN算法固定k值问题;l_(21)-范数产生的整行稀疏用来去除噪声样本。在UCI数据集上进行实验,本文使用的新算法比原来的kNN分类算法能取得更好的分类效果。

基于稀疏学习的鲁棒自表达属性选择算法

受属性选择处理高维数据表现的高效性和低秩自表达方法在子空间聚类上成功运用的启发,提出一种基于稀疏学习的自表达属性选择算法。算法首先将每个属性用其他属性线性表示得到自表达系数矩阵;然后结合稀疏学习的理论(即整合L2,1-范数为稀疏正则化项惩罚目标函数)实现属性选择。在以分类准确率和方差作为评价指标下,相比其他算法,实验结果表明该算法可更高效地选择出重要属性,且显示出非常好的鲁棒性。

基于Lasso稀疏学习的径向基函数神经网络模型

传统径向基函数(RBF)神经网络模型使用完整的隐含层节点进行模型构建时,会因缺乏隐含层节点抽取机制而使得受训模型的泛化性能下降,导致模型更加复杂。为此,提出一种改进的RBF神经网络模型。通过Lasso稀疏约束对隐含层节点和输出层连接权值进行稀疏表示,去除冗余和不相关隐含层节点的同时保留重要的隐含层节点,并使用交叉验证和网格搜索确定收缩参数以优化模型分类性能。实验结果表明,与现有RBF神经网络模型相比,该模型具有更低的计算复杂度和更高的分类精度。

基于稀疏学习的行人重识别算法

行人重识别问题是计算机视觉的重要研究内容之一,旨在将多个非重叠相机中的目标行人准确加以识别。当将某摄像机中的行人图像视为目标行人在该摄像机视图上的一种表示时,行人重识别可被认为是一种多视图学习问题。在此基础上提出的基于典型相关分析的行人重识别算法仅是一种线性降维算法,很难从复杂的重识别系统(如目标行人图像受低分辨率、光照及行人姿态变化等因素影响)中提取有效的高层语义信息,用于行人重识别。为此,本文提出了一种基于稀疏学习的行人重识别算法(Sparsity learning based person re-identification,SLR)。SLR首先通过稀疏学习获取目标行人在每一相机视图上的高层语义表示,然后将高层特征映射到一个公共的隐空间,使不同视图间的特征距离可比较。SLR算法的优点在于通过学习鲁棒的行人图像特征表示,能够获得更具判别性的公共隐空间,以提高算法的行人重识别性能。在VIPeR、CUHK数据集上的实验结果表明了本文算法的有效性。

基于稀疏学习的自适应近邻分类算法

为解决k-NN算法中固定k的选定问题,引入稀疏学习和重构技术用于最近邻分类,通过数据驱动(data-driven)获得k值,不需人为设定。由于样本之间存在相关性,用训练样本重构所有测试样本,生成重构系数矩阵,用l1-范数稀疏重构系数矩阵,使每个测试样本用它邻域内最近的k(不定值)个训练样本来重构,解决k-NN算法对每个待分类样本都用同一个k值进行分类造成的分类不准确问题。UCI数据集上的实验结果表明,在分类时,改良k-NN算法比经典k-NN算法效果要好。

基于稀疏学习的低秩属性选择算法

针对回归模型在进行属性选择未考虑类标签之间关系从而导致回归效果不理想,提出了一种新的具有鲁棒性的低秩属性选择算法。具体为,在线性回归的模型框架下,通过低秩约束来考虑类标签间的相关性和通过稀疏学习理论中的l_(2,p)-范数来考虑属性间的关联结构,以此去除不相关的冗余属性的影响;算法通过嵌入子空间学习方法(线性判别分析(LDA))来调整属性选择结果。经实验验证,提出的属性选择算法在六个公开数据集上的效果均优于四种对比算法。

基于稀疏学习的人脸表情识别

基于稀疏学习理论对人脸表情分析中灰度、局部二值模式、Gabor等不同面部特征的稀疏表达问题进行了研究。首先,对稀疏表达、K-SVD以及D-KSVD等稀疏学习算法进行了分析;接着,在JAFFE人脸表情数据库上对不同算法进行了表情识别实验。实验结果表明,稀疏学习方法优于传统表情识别方法,能够很好地应用于人脸表情分析。

基于稀疏学习的微电网负载建模

微电网由负载、储能系统和分布式电源互联集成到能源系统中,微电网系统可以作为一个整体系统与电网并行运行或以孤岛模式运行.负载建模是微电网运行和管理中的一个基本问题.本文着重解决以下两个关键问题:1)协调负载模型结构的合理性和简洁性;2)负载模型参数的校准.与常规负载建模方法不同,本文提出了一类数据驱动建模方法以同时实现负载模型结构选择和参数校准.具体地,该方法从量测数据中稀疏学习静态负载模型和动态负载模型,其关键方法分别来自于稀疏贝叶斯学习方法和交替方向方法,即从一组备选非线性字典函数中稀疏学习最主要的非线性项以平衡数据拟合度并实现模型学习.所提出的方法将机器学习与稀疏表示相结合,旨在对负载模型从物理角度提供机理解释并向配电网系统操作员提供有关负载的动态信息.在孤岛微电网测试系统中验证并评估了所提出的算法.研究测例表明所提出算法从量测数据中实现负载稀疏学习的合理性和对于噪声的鲁棒性.

基于稀疏学习的人脸语义子空间提取

人脸语义检索在识别技术中有着重要的作用,如表情检索、性别判断、年龄估计等,上述识别技术通过捉捕人脸语义信息来实现。研究将人脸语义信息融入到人脸检索中,提出一种基于稀疏学习的人脸语义子空间提取方法。语义子空间学习被分为字典构建和稀疏学习2个部分。在字典构建的过程中,给出语义差的方法来对互斥语义进行计算,使提取的某类语义不受其他类语义干扰语义子空间,并对不同语义环境和不同语义差组合进行测试。在稀疏学习部分,使用Lasso算法对其进行改进。实验结果表明,与传统Fisher方法相比,该方法撇除其他语义干扰的子空间稳定性更强,且有一定的降维效果。

基于自适应标签和稀疏学习相关滤波的红外目标跟踪算法研究

针对背景杂乱、遮挡、热交叉以及目标形变等复杂跟踪场景下目标跟踪算法出现性能严重退化问题,提出一种基于自适应标签和稀疏学习相关滤波的实时红外单目标跟踪算法。首先,根据目标响应情况自适应地构造样本标签,通过自适应标签训练提升相关滤波器的分类能力,抑制干扰区域对跟踪模型的污染。其次,加入稀疏学习策略,通过目标响应L1范数抑制复杂跟踪场景下目标响应多峰分布,提高跟踪算法的鲁棒性;与基线算法相比,该算法精度和AUC分别提升了19.3%和39.8%。在数据集GTOT、RGBT234和VOT-2016TIR上的实验结果表明,该算法对上述复杂跟踪场景具有良好的应对能力,运行速度超过35 fps,综合性能优于对比跟踪算法。

基于稀疏学习自适应的马铃薯联合收获机优化设计

针对马铃薯收获机由于传动速度偏高造成的收获机阻塞和马铃薯损伤问题,对马铃薯收获机进行了优化设计,提出了一种基于稀疏自适应学习的设计方法,解决了马铃薯联合收获机输送和分级装袋流动不畅和有滞留堆积问题,提高了收获机的生产效率。为了验证马铃薯收获机优化设计后的可靠性,在不同类型的地块上对马铃薯的性能进行了测试,测试地块类型分别为平播旱地和全覆膜双垄播旱地两种。通过试验测试发现:对传动系统进行改进后,联合收获机对全覆膜双垄播旱地和平播旱地的适应性均较好,各项测试指标均比优化之前好,从而验证了传动系统优化的可靠性,对马铃薯联合收获机的改进提供了理论参考。

基于社会学理论和稀疏学习方法的社会学网络的模型研究

社会网络的发展使人们的沟通变得越来越便捷,对社会学网络模型的研究不仅具备理论价值,它还具备极高的应用价值。但是,由于社会学网络中的数据是以稀疏形式存在的,再加上噪音数据与数据缺失等现象的普遍存在,这使传统的数据处理技术存在很大弊端与不足。同时,现阶段社会学网络的研究还尚未形成较为完善的社会学理论支撑。为此,本文便基于社会学理论和稀收学习方法对社会学网络模型进行深入的研究,以此有效处理社会学网络中所存在的稀疏数据之间的内在关系及其交互,为社会学网络模型提供足够的社会学理论支撑,以此帮助相关人员克服社会学网络模型中存在的技术难点。

基于块稀疏学习的光谱基线校正方法

光谱数据在采集过程中易发生基线偏移现象,导致后续的鉴别和分析结果偏离真实值。因此,在光谱数据分析前,需利用基线校正技术获取更为准确的光谱数据。基于稀疏贝叶斯学习(SBL)的基线校正方法无需人工选择参数,基线校正结果在贝叶斯框架下具有最优性。然而,现有的稀疏贝叶斯建模较为简单,无法适用于复杂的稀疏结构。在实际应用中,当纯谱的某些谱峰较宽时,对应的稀疏向量将具有一定的块稀疏特性。利用额外的块稀疏结构,有助于进一步提升SBL方法的性能。为了建模稀疏向量的块稀疏结构特性,在原有的贝叶斯模型框架中引入模式耦合分层模型。得益于稀疏贝叶斯框架固有的学习能力,引入的模式耦合分层模型可自适应地学习稀疏向量的块稀疏结构,从而大幅提升了基于SBL的基线校正方法的性能。为验证本文方法的基线校正性能,首先利用模拟数据集进行仿真实验,并将该方法与SSFBCSP方法和SBL-BC方法在不同噪声方差条件下进行对比。仿真实验结果表明,该方法恢复谱峰较宽纯谱的效果提升明显,特别是当噪声方差较大时,其他方法的性能均有不同程度的下降,但该方法依然具有较好的稳定性。蒙特卡罗仿真实验结果也显示该方法纯谱拟合的标准化均方根误差明显优于其他对比方法。最后,利用色谱数据集与三种矿物的拉曼光谱数据集进行实测数据的基线校正性能验证,结果表明该方法能产生比其他方法更为平滑的纯谱拟合结果,且去噪效果更优。

基于分层块稀疏学习的射频层析成像

针对射频层析成像中多径衰落不确定性引起的成像精度低、稳定性差的问题,提出基于分层块稀疏学习的射频层析成像模型。利用兴趣目标状态的时空稀疏性和相关性,设计信号的块稀疏结构表示与多观测参数学习方法,提升信号重构对多径不确定性的抑制能力,增强鲁棒性。基于分层思想,将成像过程分解为粗粒度检测与细粒度成像两个阶段,降低计算量,提高成像效率。真实实验结果表明,相比于常用的正则化最小二乘法,所提方法能有效提升室内环境下成像的精度和鲁棒性。

一种基于稀疏贝叶斯学习的离网DOA估计算法

本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法,以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能,称之为MOGSBL算法。本算法将信号源方位区间进行离散化,得到方位离散网格。为阵列接收信号建立稀疏贝叶斯模型,将网格节点修正量设为模型超参数。采用期望最大化算法迭代更新网格节点修正量,使更新后的网格节点更接近真实源信号方位。为了检验MOGSBL算法的性能,本文进行了大量的数值实验,并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1-SVD算法进行对比。在不同信噪比和不同快拍数时,MOGSBL算法均能清晰分辨方位很接近的两个信号源,角度分辨率明显高于RSBL算法、OGSBL算法和L1-SVD算法。随着信噪比和快拍数的增加,4种算法的RMSE均逐渐减小。但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1-SVD算法,且RSBL算法、OGSBL算法优于L1-SVD算法。实验还分析了方向测试范围的离散网格节点数对DOA估计的影响,发现细密的离散网格可以提高DOA估计精度,但DOA估计的计算量会增加。且在任意网格节点数时,相比于RSBL算法、OGSBL算法和L1-SVD算法,本文的MOGSBL算法均具有最低的RMSE和最短的计算时间。