一种基于Lasso回归与SVD融合的深度学习模型压缩方法

针对深度学习模型所需的海量参数及强大的计算资源而导致其不能很便捷地应用于嵌入式设备或移动端的问题,在Lasso(Least Absolute Shrinkage and Selection Operator)回归通道挑选法的基础上,提出了Lasso+奇异值分解(Singular Value Decomposition,SVD)的融合压缩法。使用VGG-16为初始模型,分别在不同的小型数据集上进行迁移学习,使用迁移学习后的模型在不同的加速率下进行测试。实验结果表明,相对于传统的模型压缩算法,Lasso+SVD的融合压缩法实现了在加速和参数压缩两方面的优势,进而以目标检测为应用方向,在保证准确率的同时不仅降低了模型存储需求,而且也较大提升了模型的实时性。

一种基于块稀疏贝叶斯学习的压缩图像融合算法

针对自然信号、图像中的丰富时序结构会影响基于多观测向量的压缩图像融合算法性能,基于块稀疏贝叶斯学习,构造了一种新的压缩图像融合算法.该算法采用概率性方法,利用正定矩阵模型化数据间的时序结构对图像中的时序结构进行建模,并将其统一在多观测向量模型中,进而通过贝叶斯规则和对超参量的估计,获取原始图像数据的最大后验估计.为验证该算法的有效性,对其进行了图像融合实验.仿真实验结果表明,与单观测向量模型下的压缩图像融合算法相比,所提出算法能有效降低所需的采样数量,且对多类图像都表现出更优的融合效果.

结合稀疏表示与图像压缩融合的目标检测

针对单光谱图像用于目标检测时信息量不足的缺点,提出了一种可见光图像与红外图像基于压缩域融合检测的方法。该方法首先使用合适的模型构造目标原子,得到超完备字典,再对待测图像在字典上分解所得稀疏系数进行融合,最后通过稀疏度指标对融合系数进行判定,得到目标所在位置。实验结果表明,与单帧图像检测方法相比,该方法使得待检测图像信息更加丰富,提高目标的检测率。

基于压缩稀疏融合的动作识别方法

在无线体域网动作识别中,稀疏分类识别阶段待测向量稀疏表示系数的计算复杂度是影响其实时性的一个关键因素。提出一种基于压缩稀疏融合的动作识别方法,首先,对各对象动作矩阵进行训练;然后,通过稀疏融合得到融合稀疏向量;最后,将其重构后与待测动作向量做残差处理,比较残差,得到识别结果。该方法在识别阶段勿需对待测向量求解稀疏表示系数,使识别阶段算法的复杂度降低一半,实时性得到提高。实验结果表明,在降低复杂度的同时,本方法能对8种不同的人体动作进行有效识别。使用基追踪(BP)算法时,识别率与传统方法持平;使用正交匹配追踪(OMP)算法时,识别率比传统方法效果好。

基于边缘计算的电力系统稳态数据压缩方法

为有效压缩电力系统数据,缩减储存空间与数据传输量,面向电力系统工作过程中生成的大规模稳态数据,以边缘计算为技术支撑,提出一种数据压缩方法实现有效解决。通过建立联合稀疏模型、建立稀疏冗余字典、明确测量矩阵、建立联合重构算法等阶段,结合压缩感知与分布式信源编码,完成边缘计算下电力系统稳态数据融合。利用小波变换算法,按分辨率将得到的数据融合结果分解至各个尺度水平上,得到高频系数与低频系数,经阈值处理高频系数后,采用无损编码技术输出压缩结果。试验阶段中,针对某电网公司的试运行电力系统静态数据展开压缩试验,依据数据压缩空间占比、赋范均方误差以及数据压缩比率3个指标的定量评估结果,检验出所提方法具有较为明显的压缩优势,压缩信号与实际采样信号波形拟合程度较高。

建筑再生能源冗余能耗数据监测方法仿真

当前的能源冗余能耗数据监测方法存在资源消耗高、准确率低、响应时间慢的问题。为此研究新的建筑再生能源冗余能耗数据监测方法。采用Zig-Bee无线网络技术,采集建筑再生能源冗余能耗数据,通过改进的肖维涅算法,剔除误差数据。并利用分布图法填补剔除数据。经传感器数据融合方法融合、压缩数据中正常部分,提高数据传输速度;结合滑动窗口局部事件监测算法,实现融合、压缩后的建筑再生能源冗余能耗数据监测。实验结果表明,上述方法可监测到不同再生能源种类、不同时间的再生能源冗余能耗值,使用改进肖维涅算法处理数据,可使得到的数据监测结果与实际结果更加接近,且不受冗余能耗数据传输节点和中间值差值的干扰。

基于模式增长的嵌入式频繁子树挖掘算法研究

针对传统挖掘算法会输出大规模频繁子树且其中包含较多冗余信息,使事物表达不够清晰完整,降低后续操作效率的问题,提出基于模式增长的嵌入式频繁子树挖掘算法。定义标签树,并分析挖掘任务,根据模式增长的基本性质,扫描森林数据库,建立与频繁子树模式对应的投影库,确定模式增长过程,设立增长框架。提出融合压缩思想,采用深度优化方式遍历所有子树的节点,构建融合压缩树,实现数据清理。基于数据清理结果组建拓扑序列,制定树与森林的拓扑编码,输入数据库与最小支持度数值,结合覆盖定理对频繁子树队列进行裁剪,完成挖掘。仿真结果表明,上述方法挖掘的数据信息更加丰富完整,挖掘效率更高。

基于Elliptic-curve及Hilbert-curve的簇间数据压缩融合加密算法

现存无线传感器网络(WSN)路由算法融合加密过程通讯开销较大及数据完整性检测不够理想,对此,就簇间通信提出一种基于Elliptic-curve及Hilbert-curve的数据融合加密算法——ECHCPA.通过采用椭圆曲线进行公钥加密, Hilbert-Curve压缩融合,减少同类数据的传输量,最大程度地降低加密压缩算法复杂度,进而降低通讯开销.压缩融合后,通过比较父节点与随机选取检测节点二者的压缩融合数据,实现数据完整性查验.仿真结果表明:与iHDA和SMART相比, ECHCPA通讯开销明显降低,且有较好的数据完整性和数据精度.

信源编码理论在雷达目标识别中的应用

运用信源编码理论 ,分析了雷达信息的特征及信息系统信源压缩编码的数学根据 。

基于梯度的压缩感知图像融合（英文）

目的:面向多传感器图像融合,实现基于梯度的压缩感知图像融合,使其具有传输量小,计算复杂度低的特点。创新点:提出一种基于梯度的融合规则(图1),对压缩感知系数进行融合,并对融合后的压缩感知系数进行反变换得到原图像,提高压缩感知融合质量。方法:首先,对多传感器捕获的图像进行压缩感知分解以提高传感器传输速率。然后在融合阶段,基于压缩感知系数梯度进行融合得到融合后的压缩感知系数,并对融合后的系数进行压缩感知反变换得到融合后图像。通过两种融合场景的应用实验(图2-7,表1-6),证明所提算法相比于其他传统压缩感知图像融合方法,在人眼视觉及客观融合标准中均更优。结论:针对多种融合场景,提出一种高效的基于梯度的压缩感知的图像融合方法,提高图像融合精度。