基于子空间流形的仿射光照不变形状识别

目标在成像过程中发生的几何变形在更多情形时用仿射变换来刻画,光照变化也是影响目标识别的重要因素.在一种典型的简化的光照变化约束下,将光照的灰度线性变化融入目标的几何变形,基于子空间流形理论,提出了仿射光照不变形状空间概念,分析了仿射光照不变形状空间的非线性几何结构,给出了仿射光照不变形状识别算法,模拟图像和真实图像序列实验验证了算法的有效性,该几何框架为研究几何和光照变化下的目标识别提供了新的途径.

一种基于流形的机械臂动作构型知识压缩表达方法

针对在机械臂分拣任务中,存在物体形状各异、大小不一、训练神经网络成本过高的问题,提出一种基于流形空间的机械臂快速分拣方法。通过自主设计的一款简易实验装置模拟代替机械臂进行实验。对高维数据进行压缩,结合三维快速凸包求解算法,对体积大小不同的同类物体的流形空间进行分割,以凸包形式将稳定性较高的点集包裹起来。实验结果表明,体积大小不同的同类物体的高稳定流形子空间是一致的。该方法可以通过对一种物体的流形子结构进行尺度放缩,得到不同大小的同类物体的高稳定分拣区域,用于生成高效、可靠的机械臂分拣任务中的6D位姿构型,以提高分拣作业的工作效率。

参照化流形空间融合学习的敏感特征提取与异常检测方法

针对遥测振动信号冲击强、响应周期短、共振频带宽和小样本等特点导致异类模式识别率低的问题,提出基于参照化流形空间融合学习的敏感特征提取与异常检测方法。采用多尺度分析方法将信号正交无遗漏地分解到各尺度带中,提取多尺度特征构造高维特征集;以相同的正常信号样本结合相同类型的异常样本建立专属参照化模型单元,采用线性流形学习获取各参照化模型单元多尺度流形特征差异,增强异常特征的敏感性。融合各参照化模型单元的投影矩阵对原始特征集进行升维再学习,获取低维多尺度敏感流形特征;输入到分类器实现对未知样本状态辨识。实测信号处理结果验证了算法的有效性。

Sasakian空间形式中的全脐子流形

本文得到黎曼流形中的全脐子流形为共形平坦子流形的一个充要条件，并把[1]中的结论推广到Sasakian空间形式中去．

七自由度自动铺丝机器人的自运动流形分析

定义了位姿解耦的冗余自由度机器人位置关节空间流形和姿态关节空间流形,将位置关节空间流形和姿态关节空间流形进行配对得到冗余自由度机器人的自运动流形。利用定义的位置关节空间流形和姿态关节空间流形对七自由度自动铺丝机器人进行分析,分别得出七自由度自动铺丝机器人的位置关节空间流形和姿态关节空间流形,配对以后得出七自由度自动铺丝机器人的自运动流形,并进行了仿真验证,结果表明这种分析方法得到的自动铺丝机器人的自运动流形是正确的,而且对于其他类型位姿解耦的冗余自由度机器人自运动流形分析也是适用的。

基于Grassmann流形的谱聚类分析算法

在标准谱聚类分析算法中,基于欧氏空间的度量不能完全反映数据集合复杂的空间分布特性,导致聚类结果不够准确。而使用流形空间能够更准确的描述数据之间的几何结构关系。在基于规范化拉普拉斯矩阵的谱聚类算法基础上,研究Grassmann流形的光滑曲面的空间表达方式,应用适合度量数据点之间距离的特性,提出基于Grassmann距离度量的改进的谱聚类分析算法,在流形空间上分析待聚类数据点之间的相似性。实验结果表明,该算法不仅能够对分布在相同或不同子空间上的数据进行有效聚类,而且能够对具有复杂几何结构的数据集合进行分析,在流形空间上进行有效聚类。

子空间分布自适应的传感器在线漂移补偿算法

传感器漂移补偿方法针对电子鼻系统中气体传感器的输出响应随使用时间延伸发生改变,进而导致气体识别准确率下降这一问题提出,大多针对离线场景,在实际应用中存在定期进行系统人工校正所造成的成本高耗时长等困难。因此,本文提出了一种子空间分布自适应的传感器在线漂移补偿算法。算法通过构造测地线核将原始样本与漂移样本嵌入到流形子空间,然后引入条件分布自适应和流形正则化以减小样本特征的分布差异,并利用结构风险最小化原则构建分类器。分类模型的在线更新通过将每轮分类后获得预测标签的漂移样本引入到下一轮的模型训练过程中以实现。在公开数据集上进行漂移补偿实验,结果表明,提出的算法提高了漂移样本的分类准确率,有效地实现了传感器的在线漂移补偿。

数字孪生赋能下的互动生成式规划与治理

21世纪以来,数字孪生进入城市规划与治理领域,加快了城市的感知和问题反馈的过程,形成了时间、空间和人之间新的互动机制。数字孪生城市的挑战来自城市的复杂性,提出以人为主的沉浸参与式角度来重新定义空间,强调空间的多维度延伸,以空间流形的模型为基础,建立起数字孪生城市的空间表达方式及其升维与降维的计算逻辑。基于此,探讨数字孪生赋能下的“互动生成式”规划模式:通过数字孪生的参数化设计,以人为主体,不断调整和实时反馈城市的各项规划参数,构建不断演进的数字孪生的规划治理系统及政策。

流形映射结合响应面法的双频天线优化

随着5G通信技术的快速发展,对于跨频段组网有了更高的要求,多频段天线的高效优化成为重点。传统的空间映射方法对天线进行优化时,要准确地建立一个与之相对应的等效电路模型是非常困难的,因此寻找一种简单快速的方法来建立可靠的粗模型至关重要。通过响应面近似算法来构造粗模型,解决了传统优化方法建立等效电路的困难,进一步节省了计算时间。最后,通过使用流形空间映射算法优化单层跨频段双频天线的设计实例,证明了该方法的可行性。

基于Sinkhorn距离特征缩放的多约束非负矩阵分解算法

为了减少原始特征对非负矩阵分解(NMF)算法的共适应性干扰,并提高NMF的子空间学习能力与聚类性能,该文提出一种基于Sinkhorn距离特征缩放的多约束半监督非负矩阵分解算法。首先该算法通过Sinkhorn距离对原始输入矩阵进行特征缩放,提高空间内同类数据特征之间的关联性,然后结合样本标签信息的双图流形结构与范数稀疏约束作为双正则项,使分解后的基矩阵具有稀疏特性和较强的空间表达能力,最后,通过KKT条件对所提算法目标函数的进行优化推导,得到有效的乘法更新规则。通过在多个图像数据集以及平移噪声数据上的聚类实验结果对比分析,该文所提算法具有较强的子空间学习能力,且对平移噪声有更强的鲁棒性。

基于中心域的LPP算法研究

针对LPP算法中最近相邻图不能很好地表示流形的局部结构问题,提出一种基于中心域的保局投影算法。该算法采用LBP获取图像的高阶全局统计信息,并将其投影到LPP的流形空间。流形空间的获取是以各图像间的中心域的欧式距离为标准构建最近相邻图,使其可以简单地、较好地表示流形局部结构,并得到数量较少的特征维数。在ORL人脸库上的实验结果表明,该方法可有效地降低特征维数,并取得较好的识别率。

基于稀疏编码和岭回归的文本图像复原算法

为解决现有稀疏编码方法在文本图像复原中存在的编码码元表述空间有限和计算时间长的问题,提出了一种基于岭回归的稀疏编码文本图像复原方法。首先,该方法在训练阶段使用样本图像块训练出用于稀疏表达的字典,并根据样本图像块和编码码元之间的欧氏距离对样本图像块进行聚类;其次,在局部流形空间构建低质量文本图像块和清晰文本图像块之间的岭回归,实现对编码码元表述空间的局部多线性扩展和快速计算;最后,在测试阶段搜索和低质量文本图像最相近的编码码元,计算出近似的清晰文本图像块,从而避免计算耗时的低质量文本图像块的稀疏编码。实验结果表明,所提算法在恢复的图像质量上相比现有的基于稀疏编码的算法在峰值信噪比上高0.3~1.1 dB,耗时降低了1~2个数量级,为提高文本图像复原质量和提升算法运算速度提供了一种解决方案。

点云场景认知模式——泛化点云

随着传感器技术和观测平台的迅速发展,点云大数据作为新型遥感的主要数据形式,已经逐渐成为场景感知的重要信息载体,并在地质灾害态势感知、自然资源定量调查和道路交通安全服务等国家重大战略需求中发挥了越来越显著的作用。与此同时,点云观测装备和国家重大战略需求的双重驱动促使空间场景从感知迈向了认知,也对认知处理的算法和算力提出了新的要求。为此,本文以点云场景认知的基本框架为线索,分析了多源点云耦合观测的研究现状,总结了点云场景认知处理的关键进展及其在国家重大战略需求中的典型应用,并凝练了点云场景认知当前面临的主要问题。在此基础上,本文聚焦点云场景认知的前沿挑战,避开传统欧氏空间而转到高维张量流形空间进行点云数据处理,提出了“泛化点云”的科学概念和技术框架,为突破点云场景认知处理的算法和算力提供研究思路。

SLAM后端优化算法的研究

随着虚拟现实和自动驾驶的飞速发展,同时定位与地图创建(SLAM)是近几年研究的热点,也是各领域实现智能化的关键。本文针对SLAM后端优化的两种主要方法-基于滤波理论优化和基于非线性优化(图优化)展开综述。首先,介绍了基于线性优化的卡尔曼滤波器(KF)、粒子滤波器(PF),并详细分析了不同滤波器模型的具体实现、性能、优缺点;其次,阐述了基于图优化算法的整体框架、关键技术,着重介绍了在欧式空间以及流形空间优化算法;最后对SLAM后端优化算法的未来发展进行了展望。

RMFS-CNN:遥感图像分类深度学习新框架

现有卷积神经网络(convolutional neural network,CNN)利用卷积层和激活函数的叠加,构建复杂非线性函数拟合输入数据到输出标签的转换关系,这种端到端的学习方式严重影响了CNN特征图与先验知识的融合,导致其对训练样本数量和质量敏感,同时增加了CNN特征图可解释性难度。本文从深度学习建模方式角度出发,以遥感图像特征表达及其可解释性为切入点,搭建传统遥感图像先验知识与CNN的桥梁,分析阐述了黎曼流形特征空间(Riemannian manifold feature space,RMFS)对CNN可解释性、特征演化规律等方面的促进作用;提出融合CNN与RMFS构建RMFS-CNN遥感图像分类新框架,以RMFS为特征过渡平台,一方面利用其线性特征分布规律降低CNN对传统图像特征的学习难度,另一方面定义能够突显图像先验知识的表达范式,提高CNN对可解释性特征的学习能力,以达到利用RMFS对先验知识(特征)表达的优异性能提高CNN遥感图像分类特征利用效率的目的;以RMFS特征表达范式为基础定义控制CNN特征学习偏好的损失函数,进而发展具有良好特征解释性的CNN分类模型及可控的模型训练方法;最后指出构建RMFS-CNN分类框架的可行性及该框架对遥感图像分类和深度学习理论发展方面的理论贡献与应用价值。

联合局部约束的邻域嵌入人脸超分辨率重建

目的现有的基于邻域嵌入的人脸超分辨率重建算法只利用了低分辨率图像流形空间的几何结构,而忽略了原始高分辨率图像的流形几何结构,不能很好的反映高低分辨率图像流形几何结构的关系。此外,其对同一幅图像中的不同图像块选取固定数目的最近邻域图像块,从而导致重建质量的下降。为了充分利用原始高分辨率图像空间的几何结构信息,提出基于联合局部约束和自适应邻域选择的邻域嵌入人脸超分辨率重建算法。方法该方法结合待重构图像与低分辨率图像样本库的相似性约束与初始高分辨图像与高分辨率图像样本库的相似性约束,形成约束低分辨率图像块的重构权重,并利用该重构权重估计出高分辨率的人脸图像,同时引入自适应邻域选择的方法。结果在CAS-PEAL-R1人脸库上的实验结果表明,相较于传统的基于邻域嵌入的人脸超分辨率重建方法,本文算法在PSNR和SSIM上分别提升了0.39 d B和0.02。相较于LSR重建方法,在PSNR和SSIM上分别提升了0.63 d B和0.01;相较于LcR重建方法,在PSNR和SSIM上分别提升了0.36 d B和0.003 2;相较于TRNR重建方法,在PSNR和SSIM上分别提升了0.33 d B和0.001 1。结论本文所提的重建方法在现有人脸数据库上进行实验,在主观视觉和客观评价指标上均取得了较好的结果,可进一步适用于现实监控视频中人脸图像的高分辨率重建。