融合局部性和非负性的Laplacian稀疏编码的图像分类

稀疏编码在编码过程中忽略特征之间的局部关系,使编码不稳定,并且优化问题中的减法运算可能会导致特征之间相互抵消.针对上述2个问题,文中提出融合局部性和非负性的Laplacian稀疏编码的图像分类方法.引入局部特征附近的基约束编码,利用非负矩阵分解将非负性加到Laplacian稀疏编码中,利用空间金字塔划分和最大值融合表示最终的图像,并采用多类线性SVM分类图像.本文方法保留特征之间的局部信息,避免特征之间相互抵消,保留更多的特征,从而改善编码的不稳定性.在4个公共数据集上的实验表明,相比其它现有算法,本文方法分类准确率更高.

基于多层非负局部Laplacian稀疏编码的图像分类

针对单层稀疏编码结构对图像特征学习能力的局限性问题,提出了一个基于图像块稀疏表示的深层架构,即多层融合局部性和非负性的Laplacian稀疏编码算法(MLLSC)。对每个图像平均区域划分并进行尺度不变特征变换(SIFT)特征提取,在稀疏编码阶段,在Laplacian稀疏编码的优化函数中添加局部性和非负性,在第一层和第二层分别进行字典学习和稀疏编码,分别得到图像块级、图像级的稀疏表示,为了去除冗余特征,在进行第二层稀疏编码之前进行主成分分析(PCA)降维,最后采用多类线性支持向量机进行分类。在四个标准数据集上进行验证,实验结果表明,MLLSC方法具有高效的特征学习能力,能够捕获图像更深层次的特征信息,相对于单层结构算法准确率提高了3%~13%,相对于多层稀疏编码算法准确率提高了1%~2.3%;并对不同参数进行了对比分析,充分展现了其在图像分类中的有效性。

基于平均区域划分的Laplacian稀疏编码的图像分类

针对稀疏编码方法中编码过程不稳定和金字塔匹配的划分方法无法使得融合后的特征很稀疏这两个问题,提出基于平均区域划分的Laplacian稀疏编码LSCARD(Laplacian sparse coding based on average region division)的图像分类方法。首先,对原始图像进行局部不变特征转化(SIFT)特征提取;然后,在稀疏编码方法中加入Laplacian正则化对局部特征进行编码,使相似的特征具有相似的码字;再利用平均区域划分以及最大值融合将编码后的特征向量进行融合;最后,采用多类SVM分类器对图像进行分类。在几个标准图像数据集上的实验结果表明,LSCARD算法具有更高的分类精度。

基于稀疏编码的复杂机械振动信号盲分离方法

复杂机械振动信号激励源较多,故源信号之间互为相关源,且较难满足统计独立特性,导致传统盲源分离方法分离效果不佳。对此,提出一种基于信号稀疏编码的机械振动信号盲分离方法。盲源分离的关键在于对混合矩阵的精确估计,然而机械振源中相关成分的存在严重影响混合矩阵的估计。对此,首先对观测信号进行短时傅里叶变换,增加信号稀疏性;然后利用稀疏编码筛选出具备直线聚类特性的时频观测点,利用K均值(K-means)聚类法找到聚类中心;最后利用所提筛选规则找到估计的混合矩阵,重构出源信号。通过对往复压缩机故障数据的分析,验证了所提方法有效性。

稀疏网络编码中秩分布分析模型研究

针对现有稀疏网络编码研究中线性相关概率性能指标精准度较低的问题,提出基于马尔可夫链的性能分析模型。对线性相关概率、秩的概率分布等性能指标及其复杂度进行分析,并通过该性能分析模型分析编码包传输后期的译码成功概率;基于吸收马尔可夫链计算编码包传输过程中的瞬态、吸收态以及各状态间的状态转移概率,并对状态转移概率中蒙特卡罗模拟误差较大的问题进行改进,由状态转移概率构建吸收马尔可夫链基本矩阵,得出信宿端收到非再生包的线性相关概率,进而推导出秩的概率分布和译码成功概率性能指标。仿真结果表明,在相同条件下所提模型性能指标精确度均优于对比模型,且能精确地评估信宿端解码矩阵秩的概率分布、译码成功概率等稀疏网络编码的译码行为。

基于稀疏自编码的多维数据去重聚类算法分析

随着科技信息的不断发展,数据量与数据类型与日俱增,针对数据集维度高、重复数据多导致有效信息提取复杂的问题,提出基于改进稀疏自编码器的多维数据聚类算法。算法分为数据处理与聚类分析两大部分,数据处理时首先利用S-SAE中逐层贪婪的原理将高维数据集降维至每组6维的数据集;接着采用映射值匹配机制对降维后的数据集进行重复数据清洗处理,被清洗的值用0替代;然后将处理好的数据投入到K-Means++聚类算法中进行聚类分析;最终构建出TS-SAE-K-Means++多维数据聚类模型,并通过最优化分析得出其最优化参数设置情况。通过对不同基线组合算法的仿真对比分析表明,TS-SAE-K-Means++在聚类轮廓系数S与模型特征值F1评价体系中均优于其它算法组合。这表明提出的算法在解决高维数据内有效信息提取的问题上具有一定的优越性。

双支路注意力特征融合的卷积稀疏编码目标检测

针对现有目标检测模型在实际运用中会受到各种噪声的影响而导致性能退化的问题,提出一种双支路注意力特征融合(double branch attention feature fusion,DBAFF)的方法。基于CenterNet的结构设计,引入卷积稀疏编码(convolutional sparse coding,CSC)去噪模块。通过双支路互补学习,自适应选择不同模态的有效信息,使融合特征达到最优化,有效解决该类模型的退化问题。实验结果表明,该方法在噪声数据集VOC-Nosiy上mAP50、mAP75、mAP性能分别达到了57.9%、29.8%、24.5%,检测速度FPS达到111帧,综合性能优于原网络和仅添加卷积稀疏编码的去噪网络。

基于堆叠稀疏去噪自编码器的混合入侵检测方法

针对高维数据场景下传统入侵检测方法特征提取困难、检测准确率低等问题,提出一种集成多种深度学习模型的混合入侵检测方法.该方法由特征降维算法和混合检测模型2部分组成.首先,利用堆叠稀疏去噪自编码器对原始数据进行特征降维,从而剔除可能存在的噪声干扰和冗余信息.然后,采用一维卷积神经网络和双向门控循环单元学习数据中的空间维度特征和时序维度特征,将融合后的空时特征通过注意力分配不同的权重系数,从而使有用的信息得到更好表达,再经由全连接层训练后进行分类.为检验方案的可行性,在UNSW-NB15数据集上进行验证.结果表明,该模型与其他同类型入侵检测算法相比,拥有更优秀的检测性能,其准确率达到99.57%,误报率仅为0.68%.

基于堆叠稀疏判别自编码的滚动轴承智能故障诊断方法

针对复杂工况下旋转部件故障诊断精度不理想、稳定性差的问题,提出一种堆叠稀疏判别自编码智能故障诊断方法。首先,构造堆叠稀疏自编码网络结构,利用KL散度限制多层网络的稀疏性以增强深度自编码网络的学习性能;其次,采用半监督机制对上述网络进行改进,利用标签信息对分类层进行调整,增强自编码网络的分类能力;然后,提出样本结构特征约束,通过增加类几何特征惩罚项和类数据特征惩罚项对网络隐藏层进行约束,自适应判别聚合距离和分类距离,提升整体网络的特征提取能力;最后,在美国凯斯西储大学轴承数据集上验证所提方法的可靠性。试验结果表明,与现有方法相比,堆叠稀疏判别自编码智能故障诊断方法在多组数据集上均能够获得更高的诊断精度,具有良好的稳定性。

拉曼光谱结合改进稀疏编码器特征优选的成品油混合浓度预测方法

成品油混合浓度的预测对成品油顺序输送过程中的安全监控、混油段分割具有重要的意义。本研究配制92#汽油-3#航煤以及3#航煤-0#车柴两组包含不同浓度的混合样品,并对其进行拉曼光谱采集;依次采用归一化、多元散射校正、BaselineWavelet基线校正3种光谱预处理方法进行优化;之后采用改进的栈式稀疏自编码器(Stacked Sparse Autoencoder,SSAE)模型对预处理之后的拉曼光谱进行稀疏特征提取,并结合全连接层进行回归预测;最后根据均方根误差(Root Mean Square Error,RMSE)和决定系数(R^(2))两项评价指标,与偏最小二乘回归(Partial Least Square Regression,PLSR)、最小二乘支持向量回归(Least Square Support Vector Machine,LSSVR)以及SSAE 3种模型进行对比。结果表明:改进的SSAE-FC模型表现出更优的预测精度和稳定性,92#汽油-3#航煤混油测试集的R^(2)和RMSEC指标分别为0.9952和0.8932,3#航煤-0#车柴混油测试集的R^(2)和RMSEC指标分别为0.9837和1.1967,且学习得到的稀疏特征的可解释性强。

基于堆叠稀疏自编码和谱聚类分析的带式输送机托辊故障诊断

针对煤矿带式输送机托辊故障数据庞大、可变性强等特点,以工业现场采集的音频数据为基础,对数据进程预处理,选用4个隐藏层,采用每层节点数分别为128、32、16、8的自编码模型进行特征值提取,计算出各特征值的相关性,提取偏度、均值、峭度、峰值、波数和过零率6个特征,采用K-means算法和谱聚类算法进行故障诊断对比分析,建立故障诊断分级标准。实验结果表明,堆叠稀疏自编码提取特征优于时域特征,能够有效过滤干扰信息;基于堆叠稀疏自编码提取的特征值的谱聚类算法对于故障分为4类时效果最佳,故障诊断准确率高达96%。

非负局部Laplacian稀疏编码和上下文信息的图像分类

目的稀疏编码是图像特征表示的有效方法,但不足之处是编码不稳定,即相似的特征可能会被编码成不同的码字。且在现有的图像分类方法中,图像特征表示和图像分类是相互独立的过程,提取的图像特征并没有有效保留图像特征之间的语义联系。针对这两个问题,提出非负局部Laplacian稀疏编码和上下文信息的图像分类算法。方法图像特征表示包含两个阶段,第一阶段利用非负局部的Laplacian稀疏编码方法对局部特征进行编码,并通过最大值融合得到原始的图像表示,从而有效改善编码的不稳定性;第二阶段在所有图像特征表示中随机选择部分图像生成基于上下文信息的联合空间,并通过分类器将图像映射到这些空间中,将映射后的特征表示作为最终的图像表示,使得图像特征之间的上下文信息更多地被保留。结果在4个公共的图像数据集Corel-10、Scene-15、Caltech-101以及Caltech-256上进行仿真实验,并和目前与稀疏编码相关的算法进行实验对比,分类准确率提高了约3%~18%。结论本文提出的非负局部Laplacian稀疏编码和上下文信息的图像分类算法,改善了编码的不稳定性并保留了特征之间的相互依赖性。实验结果表明,该算法与现有算法相比的分类效果更好。另外,该方法也适用于图像分割、标注以及检索等计算机视觉领域的应用。

基于稀疏自编码器的细胞类型反卷积模型SMCTD设计与实现

单细胞RNA测序已成为研究生物学重要特征的强大高分辨率工具。然而,其测序条件苛刻,价格成本高昂。目前细胞类型反卷积能够很好地解决这些限制问题,SMCTD(Sparse Model Cell Type Deconvolution)使用稀疏自编码器优化TAPE(Tissue-AdaPtive autoEncoder),使其在直肠癌和PBMC模拟数据上预测细胞类型比列具有更高的灵敏度、准确性和整体性能,同时在预测细胞类型特异性基因表达上表现更优。

基于卷积稀疏编码的电容层析成像图像重建

针对电容层析成像(ECT)病态性逆问题,提出了一种将卷积稀疏编码模型作为惩罚项嵌入到ECT最小二乘问题的方法,通过预先训练好的滤波器并结合交替方向乘子算法(ADMM)对此模型进行求解,从而完成ECT图像重建。对提出的方法进行了仿真及实验测试,并与LBP、Tikhonov正则化及Landweber迭代算法进行比较。结果表明,提出的方法其重建图像平均相对误差和相关系数分别为0.4389及0.8968,均优于其他3种方法,中心物体及多物体分布的重建质量得到显著提升。

基于堆栈稀疏自编码器的小麦赤霉病高光谱遥感检测

小麦赤霉病具有发病快、周期短的特点,利用深度学习特征提取方法建立病害严重度检测模型,可为小麦赤霉病的防治提供科学指导。研究于2018—2020年间采集3个品种小麦在扬花期、灌浆期和成熟期的麦穗高光谱数据,通过形态学处理去除麦芒,提取出麦穗光谱曲线,使用多源散射校正对光谱进行去噪处理,再采用堆栈稀疏自编码器(Stacked Sparse Auto-encoder,SSAE)提取小麦赤霉病的光谱特征,利用该特征分别结合Softmax分类器和偏最小二乘回归方法构建小麦赤霉病严重度判别和预测模型。通过预训练,具有12~6个神经元的双层SSAE模型表现较好,模型均方误差更低,而且各个病害等级的特征差异明显;以训练的SSAE模型提取的深度学习特征为基础分别建立赤霉病严重度等级判别模型和严重度预测模型,在严重度等级判别的分类结果中,模型的总体精度和Kappa系数分别为88.2%和0.84,其中“淮麦35”品种的总体精度最高;在严重度预测模型中,模型对所有品种测试集的预测决定系数和均方根误差分别为0.927和0.062,对各品种的预测决定系数均在0.95左右;相比常见的几种小麦赤霉病光谱指数,基于SSAE深度学习特征的赤霉病预测模型精度更高。高光谱遥感数据量大、光谱波段多,堆栈稀疏自编码器通过在自编码器模型中加入稀疏表示的限定条件,并增加隐含层数及隐含神经元数来构建更为复杂的模型,所提取的光谱特征更能全方面地体现小麦赤霉病的光谱特征,利用该特征构建的小麦赤霉病检测模型具有更高的精度,可为精准监测小麦赤霉病提供科学依据。

基于多模态PET/CT图像构建良恶性肺结节稀疏编码分类模型

目的分析基于多模态PET/CT图像肺部良恶性肺结节影像学差异特征,构建稀疏编码分类诊断模型。方法基于肺结节PET/CT图像应用稀疏编码算法与卷积神经网络联合构建良恶性诊断模型并进行模型评价。结果本研究通过分析326名患者3254张肺结节图像,肺部良恶性结节在肺结节直径、最大标准摄取值、分叶征和毛刺征等因素具有统计学差异(P<0.05),稀疏编码模型在训练集中准确率可以达到90.63%,灵敏度、特异度分别为90.71%、88.56%。结论基于多模态PET/CT图像构建良恶性肺结节稀疏编码分类模型能够获得较高的准确率与灵敏度。

高光谱图像稀疏约束与自编码器特征提取相结合的异常检测方法

高光谱图像的异常检测在军事、农业、勘探、防火等领域具有重要的应用价值。传统的高光谱图像异常检测算法未能有效地挖掘图像光谱的深层特征,而深度学习方法具有良好的提取深层特征信息的能力。由于异常检测问题一般无法获取地物先验信息,因此无监督网络相比于监督网络要更为适用。而现有的基于自编码器的异常检测算法没有对局部信息进行有效利用,导致检测效果受限。针对这一问题,本文提出一种基于稀疏表示约束的自编码器深度特征提取方法。首先通过栈式自编码器得到深层次语义信息;然后利用稀疏表示作为约束与编码器进行有效结合,挖掘了潜在隐藏空间中的特征元素的局部表示特性;最后采用分数傅里叶变换,通过空间-频率表示获得原始光谱与其傅里叶变换的中间域中的特征,进一步增强了背景和异常的光谱区分度,且能有效去除噪声的影响。在Hymap、AVIRIS、ROSIS、HYDICE这4种光谱仪采集的5幅高光谱遥感影像上进行了性能验证,得到的曲线下覆盖面积(area under curve,AUC)分别为0.9905、0.9983、0.9990、0.9928和0.9110,相比于对比算法都有了不同程度的效果提升。结果表明本文方法具有更好的检测精度。

基于稀疏编码非局部注意力对偶网络的病理图像超分辨率重建

高分辨率的病理学图像是疾病高精度诊断的客观依据,在精准医学领域具有重要意义。然而,受硬件设备分辨率和扫描时长的限制,实时获取高分辨率病理图像存在困难。经典的图像超分辨率重建算法由于模型的参数较难估计,导致重建后图像细节模糊且不够真实,不适用于病理学图像。为此,文中提出稀疏编码非局部注意力对偶网络,通过上采样和降采样对偶分支中的稀疏编码非局部注意力机制、高斯约束以及参数共享策略来实现病理学图像的超分辨率重建。重建后的病理图像峰值信噪比和结构相似性分别达到了30.84 dB和0.914。研究结果表明,所提方法不但能够实现病理学图像中高频细节的精确重建,轻量化的稀疏编码非局部注意力机制也有效地提高了建模的效率,是病理学图像超分辨率重建的一种有效方法。

稀疏表示自编码网络的齿轮平稳型故障特征提取研究

受到噪声和设备偏心等因素的干扰,定轴齿轮平稳型故障的整体特征参数难以准确提取,而智能诊断方法提取的多为抽象特征,不具备可解释性。联合平稳型故障响应机理与稀疏表示理论,设计了具备可解释性的稀疏表示自编码网络,将自编码网络的编码层和解码层分别等效为稀疏向量的求解与过完备字典的学习;基于平稳型故障信号参数的特征设计了自适应优化算法,有效实现了特征参数的快速全局寻优;结合设计的稀疏表示自编码网络与齿轮平稳型故障信号特征构建了深度神经网络,对故障信号进行高精度的特征重构。仿真分析表明该方法特征提取精度高、抗噪性能好,能够直接提取具有明确物理意义的平稳型故障特征参数,进一步验证了所提方法的有效性。

基于多组学数据和稀疏变分自编码器的生存分析算法

针对生存分析中多组学数据带来的维数灾难和过拟合问题,提出了一种基于多组学数据和稀疏变分自编码器的生存分析算法VAESCox。该算法将变分自编码器的基本结构与稀疏编码和生存分析相结合,在无监督阶段训练变分自编码器学习低维表示,在监督阶段将训练的权重迁移到生存分析模型,并对传递权重进行微调和稀疏编码。实验结果表明,在八种不同癌症类型的数据集上,VAESCox模型在消融和对比实验中均取得了较高的C指数值。与其他四种基准生存分析方法相比,所提算法不仅缓解了多组学数据融合的过拟合问题,也显著提高了生存预测性能,表明不同组学数据的融合有助于预后生存结果的精准预测。