一种变步长的零吸引归一化自适应滤波算法

为了使最小均方算法对高斯噪声环境和稀疏系统具有更好的收敛速度和稳态误差,提出了一种变步长的零吸引归一化最小均方算法。该算法将改进的Versoria函数的稀疏感知范数与归一化最小均方算法相结合后,引入了一种新的类高斯函数的变步长策略,解决了固定步长条件下算法收敛速度较慢、跟踪性能较差的问题。从理论层面分析了所提算法的收敛性,并基于MATLAB平台讨论了改进的类高斯步长函数中各参数对算法性能的影响。最后将所提算法与其他同类算法应用于不同信噪比条件下的高斯噪声环境以及稀疏环境中进行未知系统辨识实验,仿真结果表明,所提算法具有更快的收敛速度、更好的跟踪能力以及较小的稳态误差。

基于自适应加权非凸正则化和全变分的稀疏SAR成像

针对传统压缩感知(Compressive Sensing, CS)重构算法成像精度低及抗噪性能差等问题,提出了一种基于自适应加权极小极大凹罚函数和全变分的稀疏合成孔径雷达(Synthetic Aperture Imaging Radar, SAR)成像重建方法。首先,将加权思想同非凸函数簇中的极小极大凹罚函数结合,以进一步促进解的稀疏性;然后,与全变分判罚函数线性组合构成复合正则化器,以进一步提高抗噪性能;最后,采用交替方向乘子法求解该成像模型,并在求解过程中使用方位-距离解耦算子替换测量矩阵及其厄米特转置以减少存储空间。仿真与实测数据处理结果表明,所提方法相比于其他算法有更好的聚焦性能和重建精度。

势函数自适应加权模糊C-均值聚类方法

提出了一种新的基于势函数自适应加权的模糊 C-均值 ( PAWFCM)聚类算法。该方法以样本的空间势几何结构为基础 ,自适应计算出样本的加权矩阵 ,然后利用加权模糊 C-均值算法对样本集合进行分类。由于自适应地考虑到了不同样本点对分类的影响程度 ,对较复杂的样本集合 ,能明显提高分类的正确性和鲁棒性。

基于相关性函数的多传感器自适应加权融合算法

针对多传感器实际测量中个别传感器出现的数据偏离现象,提出基于相关性函数的自适应加权融合算法。利用相关性函数对数据进行预处理,计算各传感器间的相互支持程度,对于偏离较为明显的数据,用相关性大的数据进行替换;再通过多传感器自适应加权融合算法对数据进行融合。利用该算法对相关数据进行处理,经计算分析得到融合结果为0.999 7,并与传统自适应加权融合算法以及极大似然法的计算结果进行对比。分析结果表明:算法的融合结果更接近实际,融合精度较高。

ZY1-02DAHSI影像归一化阴影植被指数NSVI的波段选择及其构建

高光谱影像具有连续的地物光谱信息,在阴影检测方面具有巨大的潜力,而波段冗余度高需进行波段优选。归一化阴影植被指数(NSVI)能够扩大光谱差异,在高光谱影像中应用NSVI将更有效地识别阴影。资源一号02D卫星是我国首颗自主研发并成功运行的高光谱业务卫星,数据信噪比大、覆盖能力强,对该高光谱影像进行准确的阴影检测具有重要意义。以ZY1-02DAHSI影像为试验数据,提取并分析明亮区植被、阴影区植被及水体的光谱反射率;结合竞争自适应重加权采样(CARS)和连续投影算法(SPA)筛选能够有效区分典型地物的主要波段,综合考虑算法的特性进一步选出特征波段构建NSVI;通过步长法确定最佳阈值对影像进行分类,从像元值分布情况、分类精度和光谱增强效果等对比出构建NSVI的最佳波段,并结合不同的阴影指数、波段和影像进行综合评价,验证该方法的意义及普适性。结果表明:波段32和波段73是构建NSVI的最佳波段,分别对应红光波段和近红外波段;不同波段构建的NSVI分类精度均高于90%,由最佳波段构建的NSVI分类精度为94.33%,Kappa系数为0.8328,分类效果最优;NSVI能够增强典型地物间的光谱差异并缓解归一化植被指数的“易饱和”现象,在该影像中因水体累积产生的小波峰有助于提取水体;在ZY1-02DAHSI影像中NSVI的分类效果优于归一化阴影指数和阴影指数,于另一景影像的分类精度也达到93.55%,Kappa系数为0.8167。由算法筛选出的波段具有一定的代表性,最佳波段构建的NSVI在ZY1-02DAHSI影像中具有较好的阴影检测能力,对高光谱影像阴影检测及构建植被指数具有一定的借鉴和参考意义。

一种基于自适应加权的鲁棒联邦学习算法

联邦学习(Federated Learning,FL)允许多个数据所有者联合训练机器学习模型,而无需他们共享私有训练数据。然而,研究表明,FL容易同时遭受拜占庭攻击和隐私泄露威胁,现有的研究都没有很好地解决这一问题。在联邦学习场景中,保护FL免受拜占庭攻击,同时考虑性能、效率、隐私、攻击者数量、简单可行等问题,是一个极具挑战性的问题。为解决这一问题,基于l 2范数和两次归一化方法提出了一种隐私保护鲁棒联邦学习算法DP-FedAWA。提出的算法不需要训练过程之外的任何假设,并且可以自适应地处理少量和大量的攻击者。无防御设置下选用DP-FedAvg作为比较基线,防御设置下选用Krum和Median作为比较基线。MedMNIST2D数据集上的广泛实验证实了,DP-FedAWA算法是安全的,对恶意客户端具有很好的鲁棒性,在Accuracy,Precision,Recall和F1-Score等性能指标上全面优于现有的Krum和Median算法。

归一化一般加权函数LSL—FIR系统辨识递推算法

本文提出了在无穷维Hilbert空间用一般加权函数的归一化LSL—FIR(Least Squares Lattice—Finite Impulse Response)系统辨识算法。首次提出了混合时间修正概念并导出了混合时间修正公式,它与阶修正公式联立,形成完备递推集。本文算法统一了至今为止的全部LSL—FIR算法。

基于多任务自适应知识蒸馏的语音增强

【目的】提出一种多任务自适应知识蒸馏的语音增强算法,旨在解决复杂模型在时间和硬件等计算成本方面带来的问题,同时提高语音增强算法的性能。【方法】首先,采用知识蒸馏的思想来解决现有的语音增强模型过于庞大、参数多造成计算成本上升问题;其次,充分考虑不同时频单元之间的差异,引入加权因子来优化传统损失函数提升学生网络性能;为了避免教师网络预测的不确定性影响学生网络的性能,构建多任务自适应学习的知识蒸馏网络,可以更好地利用不同任务之间的关联性优化模型。【结果】实验仿真结果表明,所提出的算法在减少参数量、缩短计算时间的同时,还能有效提高语音增强模型的性能。

异常值个数未知下辅助数据自适应筛选方法

在雷达目标多通道自适应检测场景下,诸多非均匀背景因素易导致异常值干扰,使得辅助数据独立同分布条件难以满足,已有辅助数据筛选方法往往假定异常值个数已知,在个数未知的情况下面临较大性能损失。为此,该文研究了异常值个数未知情况下辅助数据自适应筛选方法。首先,在杂噪协方差矩阵已知条件下,建立了异常数据集合的最大似然估计,基于广义内积对辅助数据进行初步排序,将异常数据集合的最大似然估计过程简化为异常值个数估计。其次,利用快速最大似然方法进行未知协方差矩阵估计,提出了未知异常值个数下辅助数据自适应筛选方法。进一步地,为降低异常值对初步排序性能的不利干扰,基于归一化采样协方差矩阵设计了归一化广义内积形式,并结合迭代估计方式,对前述辅助数据自适应筛选流程进行改进。仿真结果表明,与广义内积相比,采用归一化广义内积可获得更高的筛选精度,采用较小迭代次数即可获得稳定的归一化信干比改善;与已有辅助数据筛选方法相比,该文所提方法在异常值个数未知条件下具有更好的筛选性能。

基于域特定批量归一化的对抗域适应图像分类

无监督域适应(UDA)旨在将知识从带有大量标签的源域迁移到没有标签的目标域。目前的研究主要集中在统一两个域的特征分布上。然而,目标域通常具有更为复杂的背景信息,源域和目标域的全局特征分布并不相同,在源域和目标域之间直接共享整个网络强制全局分布对齐会导致性能的下降。针对此问题,提出了一种新的基于域特定批量归一化的对抗域适应模型。首先,采用对抗性学习损失模块,综合考虑域对齐和类别对齐,从对抗学习获得的混淆矩阵中自动构建一个新的损失函数来矫正自训练中的伪标签;其次,在卷积神经网络(CNN)的编码器架构中引入域特定批量归一化模块(DSBN),通过分离批量归一化层来分别适应源域和目标域。将域特定信息与域不变信息分离,更好地学习域不变特征表示,来获得更好的泛化性能。最后,本文的方法在Office-Home数据集和Office-31数据集的准确率分别达到67.4%和89.4%,验证了模型的有效性。

确定函数型数据主成分个数的自适应加权截断法

针对协变量为函数型、响应变量为标量的一元函数型回归模型,提出一种自适应加权截断法来解决主成分基展开时的项数选取问题。首先,分别依据方差解释百分比(PVE)和关联变异解释百分比(PAVE)对函数型主成分个数进行截断,然后对各自截断出的主成分个数进行加权求和,通过优化算法获得使估计误差达到最小的最优权重,进而得到最终的主成分展开截断项数。该方法不仅考虑了由于特征值迅速衰减导致的主要变异,还将协变量和响应变量之间的关联纳入选择标准,并且权重的自适应选取使估计方差和偏差达到相对平衡。蒙特卡罗模拟结果显示,新方法在不同的样本量、阈值和随机误差干扰下均优于单独采用PVE或PAVE准则的截断方法。对实际的医学研究数据(弥散张量成像数据)的分析也表明本文方法能有效提高预测精度。

自适应模糊加权均值滤波器

为了在滤除退化图像中高斯和冲激混合噪声的同时更好地保护图像的细节 ,运用模糊数学的思想提出了一种基于模糊隶属度的加权均值滤波器。该算法利用模糊隶属度函数的概念和裁剪均值滤波器的思想 ,对均值滤波器的权值加以优化 ,使其不仅在降低高斯噪声的能力和保护图像细节方面较传统的均值滤波有所提高 。

一种改进的多无线传感器数据分批估计自适应加权融合算法

为解决温室大棚中多无线传感器监测数据融合精度低的问题,提出了一种改进型的分批估计自适应加权融合算法。算法首先对单个无线温度传感节点一段时间内所采集的数据根据容许函数阈值剔除误差较大的数据,然后对该温度传感器的数据进行分批估计得出该节点某一段时间内的最优估计值,以此得到该区域所有无线温度传感节点最优估计值后,依据权值最优分配原则对每组传感器数据进行组内自适应加权融合,从而计算得到该段时间内温室大棚的温度精确值。通过实验验证得出:相对于平均值法与传统的分批估计算法,本算法数据融合易于实现,融合值相对误差值更低,稳健性更好。

加权空间函数优化FCM的SAR图像分割

传统模糊c-均值聚类算法没有考虑图像像素空间信息特征,在应用于合成孔径雷达图像分割时,由于合成孔径雷达图像中斑点噪声的影响,通常不能得到正确的分割结果.基于此问题提出加权空间隶属度和加权空间函数并应用于c-均值聚类算法,加权空间隶属度是多尺度条件下空间各相邻像素的位置和强度信息的加权隶属度值,加权空间函数中各加权空间隶属度的影响系数由自适应遗传算法优化,最终的隶属度值由加权空间函数修正.由于在这种聚类过程中融入了优化的空间信息,因此弱化了斑点噪声的影响,提高了分割精度.这种算法应用于实际合成孔径雷达图像分割实验,结果表明此算法对初始分类结果不敏感,具有较强的抗噪性能,改善了SAR图像的分割结果.

基于自适应加权融合的汽车衡故障传感器预估

传统汽车衡任意一路称重传感器发生故障都将导致称重系统失效。提出了一种基于自适应加权融合的汽车衡故障传感器预估方法:根据多路称重传感器输出相关性和相邻传感器输出比值的相关性,建立基于径向基函数神经网络(RBFNN)的故障传感器输出预估网络和传感器输出比值的预估网络,得到两组冗余估计信号,采用自适应加权融合方法完成冗余信号融合,获得故障传感器输出估计值。仿真实验与现场测试表明,采用该方法的故障传感器称重误差小于任何单个预估网络误差和算术平均值融合误差,任一传感器发生故障时的汽车衡整体称重误差≤0.5%,避免了称重系统失效。

结合Gabor特征和自适应加权Fisher准则的人脸识别

在基于Fisher准则的字典学习算法中,初始字典的选取和目标函数的构建,严重影响字典学习的效果。为了减少初始字典的影响,提高算法的表达和判别能力。提出了一种结合Gabor特征和自适应加权Fisher准则的人脸识别算法。该算法首先采用Gabor滤波器提取人脸特征,将提取到的Gabor人脸特征作为人脸训练集;通过添加遗忘函数和根据样本间的距离对训练样本自适应加权,改进Fisher准则字典学习算法;利用测试样本编码系数的误差进行识别。在人脸库上的实验表明,算法不仅能很好地提取图像的特征信息,而且可以有效地提高人脸识别率。

改进的Yoon自适应加权立体匹配算法

分析了Yoon自适应加权立体匹配算法在权值计算与像素相异性度量上所存在的问题,并对其进行了改进。首先分析了Yoon自适应加权立体匹配算法颜色相似性和空间邻近性对权值(视差)的不同影响,据此提出新的空间临近性权值影响模型;然后将Birchfield相异性度量函数从2-邻域扩展到8-邻域,消除行采样对像素相异性度量的影响,使得匹配代价计算更为准确;最后通过对称加权确定视差。实验表明,新方法改善了Yoon算法在深度不连续区,低纹理区,高纹理区以及重复结构区的匹配性能,可获得更为精密的视差图。

结合加权KNN和自适应牛顿法的稳健Boosting方法

Boosting是机器学习领域中重要的集成学习方法,以AdaBoost为代表的Boosting算法通过在组合弱学习器时不断加强对错分类样本的关注以构建性能优异的强学习器,而该训练机制对噪声点的无差别对待易引发学习器对噪声过拟合,从而削弱算法的稳健性.针对该问题,提出结合加权KNN和自适应牛顿法的稳健Boosting方法.该方法首先通过加权KNN估计样本的噪声先验概率,然后使用噪声先验概率修正Logit损失构建一种新的损失函数,最后采用自适应牛顿法进行损失函数的优化求解.提出方法引导分类器在给予错分类样本更高权重的同时,对噪声先验概率大的样本给予相应的惩罚,使噪声样本的权重得到有效的缩减.结果表明,与其他稳健Boosting方法对比,在不同噪声水平下以及真实的医疗数据集的不同评价指标下,该方法表现出更好的稳健性,具有明显的应用价值.

加权多模型自适应控制在脱硝系统中的应用

针对火电厂变负荷运行时SCR脱硝系统出口NOx浓度波动较大的问题,采用加权多模型自适应控制(WMMAC)策略对出口NOx浓度进行控制,建立了能够覆盖不同负荷下被控对象动态特性的模型集。针对每个模型设计相应的PID控制器,给出计算各控制器控制作用权值的指标函数。在脱硝系统出口NOx浓度控制中,通过Matlab仿真,对比变负荷工况下单一PID控制策略和WMMAC控制策略的控制效果,验证了采用WMMAC控制策略能有效提高系统的动态品质。

基于鲁棒自适应归一化卷积的遥感图像融合算法

针对当前遥感图像融合中容易出现光谱信息失真和边缘细节丢失的问题,提出一种基于鲁棒自适应归一化卷积的全色与多光谱图像融合算法.该方法基于归一化卷积思想,利用投影到子空间的局部信号逼近技术对不规则采样数据进行高分辨率图像重建,自适应归一化卷积中使用的窗函数通过对更多相同意义的样本进行分组,有助于改进分析和提高信噪比,减少不连续面的扩散.实验结果表明,相对于其他优秀融合方法,本文方法更具优势,能够更好地重建光谱信息和保留边缘细节.