基于结构平衡网络的图像识别新方法

针对机器视觉中的图像识别问题,提出一种新的基于结构平衡网络的图像识别方法。从一种新的结构平衡网络(特殊的复杂网络)视角重新审视平面灰度图像,将图像灰度矩阵视为结构平衡网络的连接关系(权值)矩阵(像素点可不作为节点),通过Hadamard乘积变换得到像结构平衡矩阵,再利用像结构平衡矩阵的拓扑结构,产生新的图像识别特征参量对图像进行描述。该方法具有高速率、高识别率、尺度不变性及旋转不变性等特点。最后的实验仿真验证了该方法的有效性。

基于结构平衡的社交网络舆情正向引导学习方法探讨

社交网络已经成为人们获取信息和进行社会交往的重要平台。一个话题经过众多网民评论与传播,可能演变成社会关注的热点舆情。在社交网络文本大数据背景下,从话题产生源头把握其演化趋势和发展规律,对负向或弱正向话题采用适当的策略加以引导,使其朝着正向发展,对社会稳定具有重要意义。当前国内外相关研究尚处于起步阶段,理论方法和研究手段还不成熟。在综述的基础上,文章系统地提出网络舆情引导策略的理论与方法,包括社交网络舆情生命周期与结构平衡协同演化模型;基于网络结构平衡的结构洞分析、关键节点人物识别、同质化分析的舆情引导模型特征参数分析;社交网络舆情正向引导式学习模型、算法及系统。

基于机器学习的计算机视觉系统网络图像识别方法研究

本文以计算机视觉系统网络图像识别方法为研究对象,对现有基于机器学习的识别方法从设计原理、算法设计和处理流程等方面进行阐释。通过分析发现,复杂视觉网络图像识别过程中存在高辨识率和高速性难以实现的问题。为此,在原本算法原理基础上,研究人员引入结构平衡网络,区别于像素作为节点的方式,将图像的灰度矩阵作为连接权值矩阵,借助Hadamard乘积变换区分连接权值,提取特征参量,遍历灰度图像,加权处理特征参数,最终实现识别方法改进目标。将改进后的方法应用于工件识别中,结合数据证明所设计的方法在计算机视觉系统网络图像识别中的有效性。

一种基于双网络模型的图像识别新方法

针对基于复杂网络图像识别方法建模复杂度过高问题,提出一种基于双网络模型的灰度图像识别新方法。首先将像素点作为复杂网络节点,基于灰度乘积构建图像的结构平衡网络模型以及基于欧氏距离构建复杂网络模型,然后分别计算两种网络模型的拓扑特征参量,形成最终的图像特征识别参量。相比现有基于复杂网络的图像识别方法,该方法在理论上能够降低图像建模复杂度,提高图像识别速度。使用YALE人脸数据库进行仿真对比实验,结果表明,该方法的图像识别速度为传统复杂网络方法的35%,正确率提高了4%。