求解双目标规划的近似邻近外梯度算法

为解决双目标规划问题的常规解法受预先设定的权重的影响,而影响其结果准确性的问题,提出了双目标规划问题的近似邻近外梯度算法.结果表明:将双目标规划问题等价变形为变分不等式,在求解变分不等式子问题的基础之上,用半空间投影构造迭代步,避开了对权重的设定,证明了算法的全局收敛性.实例分析进一步验证算法的可行性与有效性.

一般单调变分不等式的近似邻近外梯度算法

近似邻近点算法是求解单调变分不等式的一个有效方法,该算法通过解决一系列强单调子问题,产生近似邻近点序列来逼近变分不等式的解,而外梯度算法则通过每次迭代中增加一个投影来克服一般投影算法限制太强的缺点,但它们均未能改变迭代步骤中不规则闭凸区域上投影难计算的问题.于是,本文结合外梯度算法的迭代格式,构造包含原投影区域的半空间,将投影建立在半空间上,简化了投影的求解过程,并对新的邻近点序列作相应限制,使得改进的算法具有较好的收敛性.

极大单调算子的一个投影近似邻近点算法

在Hilbert空间中给出求极大单调算子零点的近似邻近点算法,给出的误差准则比现有的算法弱,并证明该算法生成的序列{xk}弱收敛到算子的零点。应用该算法求解单调变分不等式,得到求解单调变分不等式的近似邻近点算法。

近似邻近点算法收敛性的一个注记

近似邻近点算法在最优化理论与方法研究中具有重要作用.在不同误差准则下,近似邻近点算法具有不同的收敛性.利用极大单调算子等工具给出了一个具体的例子,解释了在一些误差准则下近似邻近点算法的收敛性.

基于SURF和快速近似最近邻搜索的图像匹配算法

针对高维特征向量存在的最近邻匹配正确率低的问题,提出了一种基于SURF和快速近似最近邻搜索的图像匹配算法。首先用Fast-Hessian检测子进行特征点检测,并生成SURF特征描述向量;然后通过快速近似最近邻搜索算法得到初匹配点对,再对得出的单向匹配结果进行双向匹配;最后采用鲁棒性较好的PROSAC算法进一步剔除误匹配点对。实验证明了该算法不仅提高了SURF算法匹配的正确率,还保证了算法的实时性。

距离空间中具广义循环吸引子的最佳近似对的逼近（英文）

本文考虑单一或二个映射的邻近时的逼近.我们应用对单一映射不动点的逼近并讨论邻近对的存在性.定义了距离空间中广义循环吸引子并获得有关近似最佳邻近对的存在性结果.

极大单调算子的一个新的近似邻近点算法

研究集值映射方程0∈T(z)的求解问题,其中T是极大单调算子.对于给定的xk及βk>0,大部分已有的近似邻近点算法取xk+1=xk满足其中{ηk}为非负可加数列.新方法中不取xk+1=xk,而将新的迭代点取为其中Ω是T的定义域,PΩ(·)表示Ω上的投影算子.在supk>0 ηk<1这样宽松的条件下给出了收敛性证明.

基于AKAZE特征的复杂抖动数字视频稳像算法

针对目前大部分视频稳像算法实时性及适用性较差的问题,基于AKAZE特征,提出一种复杂的抖动数字视频稳像算法。通过AKAZE特征提取视频图像的特征点,采用快速近似最邻近库算法匹配视频邻帧间的特征点。利用特征点筛选机制剔除误匹配的特征点,以提高运动估计的准确性,并采用随机抽样一致性算法迭代求解视频图像间的运动参数。为得到去抖动的视频运动参数,使用高斯滤波器将运动参数进行滤波,对视频序列进行运动补偿得到稳像视频。实验结果表明,该算法在特征点数较多的情况下,其运动估计速度接近于加速健壮特征(SURF)算法的3倍,比基于SURF特征点的运动估计算法具有更强的实时性及健壮性,比三维内容保持变换算法、子空间视频稳像算法效果更稳定。

基于特征匹配与运动补偿的视频稳像算法

针对在复杂背景下航拍视频的抖动情况,为了实时输出稳定的视频,提出了一种改进的特征匹配算法与全局运动补偿相结合的视频稳像算法。首先,利用尺度不变的SURF算法提取特征点并计算描述符,再结合快速近似最邻近匹配算法得到匹配点对,并通过双向匹配以及K近邻算法筛选优秀匹配点,从而提高匹配正确率;其次,提出了一种局部区域匹配法,提高了算法处理速度,并避免场景内运动目标对稳像效果的影响。通过建立仿射变换模型,求解相邻帧图像的变换参数,进而对图像进行全局运动补偿。结果表明,该算法速度快、匹配精度高,有良好的视频稳像效果。

航拍视频中运动目标检测算法研究

针对复杂背景下航拍视频中的运动目标检测问题,提出一种基于改进的特征匹配算法与全局运动补偿的防抖方法,以及结合多帧能量累积的运动目标检测算法。首先,采取局部区域匹配法加快该算法的处理速度,避免运动目标对背景补偿的影响;其次,利用尺度不变的SURF算法,结合快速近似最邻近搜索算法得到匹配点对,并通过双向匹配和K-近邻算法筛选优秀匹配点;然后,建立仿射变换模型,求解运动参数,并进行运动补偿;最后,通过多帧能量累积进行目标检测。仿真结果表明,该方法具有良好的运动目标检测效果。

一种改进的子空间选择算法在聚类中的应用

高维空间聚类由于其数据分布稀疏、噪声数据多、"差距趋于零现象"等特征,因而给传统的聚类方法带来很大的阻碍.为了解决这些问题,介绍了一种对于潜在子空间的选择方法.原有方法采用k邻近点的原理,根据不同聚簇分布情况在k邻近点统计应用上的不同特征,制定出衡量子空间优劣的标准,从而获得进一步进行简单聚类的子空间.结合近似邻近点搜索方法对其进行改进,改进后的子空间选择方法能更好地探测到聚簇的存在情况,并有效地拓展了子空间聚类算法的应用范围.实验结合生物统计学上的基因变异数据集进一步证实了方法的有效性和可行性.

一种极小化两个凸函数之和的混合近似邻近点算法

本文提出一种混合近似邻近点算法以求解极小化两个凸函数之和的无约束优化问题。通过将邻近点算法中的优化问题转化为一系列极小化近似函数的子问题来求解,以得到此优化问题的最优解。在子问题中用线性模型来取代原问题目标函数中非线性程度较低的函数,而在下一个子问题中,用二次模型来取代非线性程度较高的函数,进行交替运算。在临近点算法的框架下,求出原问题的解。最后给出3个算例以说明本文所给出的算法是有效的。

一类凸优化的混合下降算法

邻近点算法(PPA)是一类求解凸优化问题的经典算法,但往往需要精确求解隐式子问题,于是近似邻近点算法(APPA)在满足一定的近似规则下非精确求解PPA的子问题,降低了求解难度.本文利用近似规则的历史信息和随机数扩张预测校正步产牛了两个方向,通过随机数组合两个方向获得了一类凸优化的混合下降算法.在近似规则满足的情况下,给出了混合下降算法的收敛性证明.一系列的数值试验表明了混合下降算法的有效性和效率性.