压缩感知稀疏识别用于多视角图像目标分类

针对多视角条件下的图像目标分类问题,提出一种基于压缩感知特征的稀疏识别方法.该方法以原始图像的感知数据为特征描述,将测试样本与训练样本集的压缩感知特征纳入稀疏识别的框架,并通过求解一个l_1范数优化问题来获取分类结果.实验表明,该方法不仅有效利用了压缩感知特征的信息冗余性来保证稀疏识别的性能,而且无需进行预处理就能较好地实现多视角图像的目标分类.

基于数据驱动的流场控制方程的稀疏识别

利用有限数据建立系统的非线性动力学模型是具有挑战性的重要课题.数据驱动的稀疏识别方法是近年来发展的从数据识别动力系统控制方程的有效方法.本文基于数据驱动稀疏识别方法对不同流场的控制方程进行了识别.采用非线性动力学偏微分方程函数识别(partial differential equations functional identification of nonlinear dynamics, PDE-FIND)方法和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)方法对二维圆柱绕流、顶盖驱动方腔流、Rayleigh-Bénard (RB)对流和三维槽道湍流的控制方程进行了识别.在稀疏识别过程中,采用直接数值模拟得到的流场数据来计算过完备候选库中的每一项,候选库中变量最高保留到二次,变量导数最高保留到二阶,非线性项最高保留到四阶.结果发现PDE-FIND方法和LASSO方法对于不含有非线性项的控制方程,如涡量输运方程、热输运方程和连续性方程,都能准确识别.对于含有强非线性项的控制方程,如Navier-Stokes方程的识别, PDE-FIND方法正确地识别出了控制方程及流场的Rayleigh数和Reynolds数,而LASSO方法识别结果不正确,这是因为候选库中的项之间存在分组效应, LASSO方法通常只取分组中的一项.本文还发现选择流动结构丰富的区域的数据进行控制方程的稀疏识别可以提高识别的准确性.

可见光-近红外HSV图像融合的场景类字典稀疏识别方法

针对典型自然场景智能观测的需求,为提高稀疏分类器在小样本数据库上的识别精度,提出一种可见光和近红外(NIR) HSV图像融合的场景类字典稀疏识别方法。首先,利用一直应用在计算机视觉显示领域中的图像HSV伪彩色处理技术将近红外图像与可见光图像融合;然后,对融合图像进行通用搜索树(Gi ST)特征和分层梯度方向直方图(PHOG)特征的提取与融合;最后,结合提出的类字典稀疏识别方法得到场景分类结果。所提方法在RGBNIR数据库上的实验识别精度达到了74. 75%。实验结果表明,融合近红外信息的场景图像的识别精度高于未融合时的识别精度,所提方法能够有效增加稀疏识别框架下场景目标的信息表征质量。

先验采样约束结合扩展遮挡字典的细化稀疏人脸识别技术研究

为解决可能存在遮挡环境下的模式识别问题,提出先验采样约束结合扩展遮挡字典的细化稀疏人脸识别算法。针对训练样本无法包含测试样本遮挡变化的情况,首先需要构造遮挡字典(墨镜、围巾等),进而利用先验局部采样子模块稀疏表示分类方法判断测试样本可能存在的遮挡模式;然后对未被遮挡的局部子模块利用Borda计数投票,依据每类残差大小分配给不同的票数,计算样本类别信息;其次根据遮挡模式结果,利用全局稀疏表示通过构造样本遮挡扩展字典对测试样本进行全局分类投票;最后将两次分类投票结果进行融合,最终实现是否存在遮挡环境下的精细模式判别。实验结果表明,本文算法不仅能够给出准确的模式类别,还能给出遮挡类别信息,可得到精细化识别结果。

结合稀疏识别的自适应Wallis滤波在高分辨率影像控制点匹配中的应用

目的随着国内遥感卫星的迅速发展,卫星图像的图幅越来越大,分辨率越来越高。在轨遥感图像的几何精度评价,要求从待评遥感图像和多源参考图像之间精确地提取出分布均匀的控制点信息。使用Wallis滤波对高分辨率影像进行增强时,会产生过增强和饱和现象,影响了控制点提取效果。为了克服上述缺陷,提出了一种基于稀疏识别的自适应Wallis图像增强算法。方法首先计算图像子区域的辐射质量参数并构建分类特征;然后通过稀疏识别算法确定子区域的地物类型;最后根据子区域所属地物类型,选择不同的Wallis滤波参数,实现整幅图像的自适应增强,并在增强的遥感图像上提取控制点信息,实现遥感图像的几何精度自动化评价。结果针对资源三号卫星影像的实验结果表明,针对不同的子区域地物类型进行自适应Wallis增强,有效防止了基于全局统一参数的Wallis滤波带来的过增强和饱和现象,有效增强了高分辨率图像的纹理。结论提出了一种新的高分辨率遥感影像增强策略,增强了高分辨率图像的纹理,提高了控制点的获取数目和准确率。

机械结构冲击载荷稀疏识别方法研究

冲击载荷识别在结构健康监测、动力学优化设计、铣削力测量等领域扮演重要角色。然而,现有的基于L2范数的冲击载荷识别正则化方法在识别精度、稳定性、计算效率、参数选取等方面均存在瓶颈和局限。近年来兴起的稀疏正则化理论为冲击载荷识别提供了一种新的探索途径。充分利用冲击载荷在时域内稀疏的先验信息,提出冲击载荷稀疏识别新方法,通过最小化L1罚函数项取代传统的最小化L2罚函数项,建立基于L1范数的稀疏识别正则化模型,突破基于L2范数的冲击载荷识别方法精度低的瓶颈。基于L1范数的稀疏识别方法与基于L2范数的Tikhonov正则化方法在机械结构单源和多源冲击载荷识别中进行了对比。薄板结构冲击载荷识别试验表明:基于L1范数的正则化解在时域内非常稀疏,冲击载荷非加载区噪声被极大地抑制;稀疏识别方法在重构冲击载荷时间历程、稳定性和计算效率方面均优于传统的Tikhonov方法。

时变偏微分方程的贝叶斯稀疏识别方法

在数据驱动的建模中,通过测量或模拟得到时空数据,我们发现基于拉普拉斯先验的贝叶斯稀疏识别方法能有效地恢复时变偏微分方程的稀疏系数。本文将贝叶斯稀疏识别方法运用于各种时变偏微分方程模型(KdV方程、Burgers方程、Kuramoto-Sivashinsky方程、反应-扩散方程、非线性薛定谔方程和纳维-斯托克斯方程)的方程系数恢复,将贝叶斯稀疏恢复结果与PDE-FIND稀疏恢复算法进行比较,证实贝叶斯稀疏识别方法对偏微分方程具有非常强的稀疏恢复能力。同时,研究中发现贝叶斯稀疏方法对噪声更敏感,可以识别更多的附加项。此外,贝叶斯方法可以直接得到稀疏恢复解的误差方差,由此可以直接判定稀疏恢复的效果和可靠性。

一种新的拓展稀疏人脸识别算法

如果每类训练样本较充分,基于稀疏表示分类可以取得比较好的识别效果;当训练样本比较少时,它的分类效果可能就不理想。拓展的稀疏分类算法可以较好地解决这一问题,它在表示测试样本时,引入了训练样本的类内变量矩阵,利用它和训练样本集来表示测试样本,从而提高了人脸识别率。然而,该算法并没有考虑训练样本在表示测试样本中所起的作用,即所有训练样本的权重都等于1。采用高斯核距离对训练样本加权,提出用加权的训练样本和类内散度矩阵来共同表示测试样本,即基于加权的拓展识别算法。实验证明所提算法能够取得更好的人脸识别效果。

覆冰四分裂导线舞动模型的稀疏识别

输电线路的舞动严重威胁着电力系统运行的安全性与稳定性,准确地建立覆冰导线舞动模型变得尤为重要.为此,采用一种基于数据驱动的稀疏识别算法,该算法可从数据中有效识别出动力系统的控制方程并降低计算量.本文基于数据驱动稀疏识别算法对覆冰四分裂导线舞动方程进行识别.首先基于Hamilton原理推导出覆冰四分裂导线的振动偏微分方程,接着通过Galerkin方法将该偏微分方程转化为常微分方程,然后建立气动荷载模型,将气动力引入到舞动方程中,进而得到最终的覆冰四分裂导线舞动常微分方程,最后,通过数值计算得到该方程数据并采用非线性动力学稀疏识别(SINDy)算法对其进行稀疏识别.结果表明:SINDy算法在无噪声数据中可准确地识别出覆冰四分裂导线舞动方程;在数据导数噪声幅值为0.2以下时,正确识别出舞动方程的项数且系数均值误差在0.22%以内;在数据导数噪声幅值为0.3以上时,开始识别出额外项,导致识别出三次非线性高阶项q3的系数最大相对误差显著增大,在0.5的噪声幅值时达到58.78%,但最终识别出舞动幅值的最大偏差仅为2.1%.通过调整稀疏促进参数及时间步长来修正舞动模型可提高模型识别精度,证实了SINDy算法对数据导数噪声有较强的适应性.本文研究成果可为输电线路舞动模型的建立提供一定参考.

特征空间中的拓展稀疏人脸识别

基于稀疏表示分类(SRC,sparse representation for classification)是近年来模式识别领域中备受关注的一个研究热点。当每类训练样本较少时,SRC的识别效果往往不理想。为解决此问题,人们提出了拓展的稀疏表示分类算法。它引入了训练样本的类内变量矩阵,来补充每类训练样本信息。但是,该方法很难获取普遍存在于复杂数据如图像中的非线性信息。为此,提出了特征空间中的拓展稀疏人脸识别算法。该算法将样本集非线性映射到新的特征空间中,计算每个训练样本在表示测试样本时所做的贡献。根据贡献大小,给每个训练样本赋予一定的权重。同时,利用类内变量矩阵,共同表示测试样本。实验表明所提出的算法优于其它经典稀疏表示分类算法。

基于Lawson范数的通用lncosh稀疏自适应算法

该文提出一种通用稀疏系统识别Lawson-lncosh自适应滤波算法,该算法采用系数向量的Lawson范数和误差的lncosh函数构建代价函数。Lawson范数约束引入参数p,实现稀疏约束滤波动态调整,所提算法可以提高稀疏系统识别时的收敛速度,减小了稳态误差。误差的lncosh函数具有良好的抗脉冲噪声性能。然后,算法分析了步长参数的取值范围和参数p对算法性能的影响。计算机仿真结果表明,在高斯信号输入和色信号输入情况下,所提算法的性能要明显优于其他现存算法,且具备稀疏约束可控特性。

基于子编码和全编码联合惩罚的稀疏表示字典学习方法

针对目前稀疏表示字典学习的惩罚函数版本不一且各有优势的问题,提出基于子编码和全编码联合惩罚的稀疏表示字典学习方法,该方法在字典学习的目标函数中同时加入子编码惩罚函数和全编码惩罚函数。子编码惩罚函数使得学习后的字典在稀疏表示识别时可以用子字典的重构误差和子字典上编码系数的大小来识别,全编码惩罚函数则能直接利用整个字典上的编码系数来识别,通过联合这两个惩罚函数可以获得非常好的识别效果。为了验证所提方法的有效性,在语音情感库和人脸库上与最新的基于字典学习的稀疏表示识别方法 DKSVD和FDDL进行对比,并与著名的识别方法SVM和SRC进行比较,实验结果显示所提方法具有更好的识别性能。

抗冲激干扰的稀疏惩罚约束遗漏最小均方算法

当被识别系统是稀疏系统时,传统的遗漏最小均方(LLMS)自适应算法收敛性能较差,特别在非高斯噪声环境中,该算法性能进一步恶化甚至算法不平稳收敛。为了解决因信道的稀疏性使算法收敛变慢的问题,对LLMS算法的代价函数分别利用加权1-norm和加权零吸引两种稀疏惩罚项进行改进;为了优化算法的抗冲激干扰的性能,利用符号函数对已改进的算法迭代式作进一步改进。同时,将提出的两个算法运用于非高斯噪声环境下的稀疏系统识别,仿真结果显示提出的算法性能优于现存的同类稀疏算法。

基于Sigmoid框架的非负最小均方算法

脉冲噪声会导致非负算法在迭代过程中存在过大的误差值,进而破坏算法的稳定性使其性能严重下降,对此该文提出一种基于Sigmoid框架的非负最小均方算法(SNNLMS)。该算法将传统的非负代价函数嵌入Sigmoid框架中得到新的代价函数,新的代价函数具有抑制脉冲噪声影响的特性。此外,为了增强SNNLMS算法在稀疏系统识别问题上的鲁棒性,该文还提出基于反比例函数的反比例Sigmoid非负最小均方算法(IP-SNNLMS)。仿真结果表明SNNLMS算法有效地解决了脉冲噪声造成的失调问题;IP-SNNLMS增强了算法鲁棒性,改进了算法在稀疏系统识别问题中收敛速率上的缺陷。

基于字典学习的核稀疏表示人脸识别方法

受Metafaces方法的启发,提出一种基于字典学习方法的核稀疏表示方法并成功应用于人脸识别.首先,采用核技术将稀疏表示方法推广到高维空间得到核稀疏表示方法.其次,借鉴Metaface字典学习方法,进行字典学习得到一组核基向量构成核稀疏表示字典.最后,利用学习得到的核字典基重构样本,并根据样本与重构样本之间的残差最小原则对人脸图像进行分类.在AR、ORL和Yale人脸数据库上的实验表明该方法的良好识别性能.