基于有约束L_(1/2)范数稀疏正则化的声源识别方法

基于等效源法(equivalent source method,ESM)的近场声全息(near field acoustic holography,NAH)是一种有效的声源识别技术。然而,针对空间稀疏分布的声源识别问题,传统基于L_(2)范数以及基于L_(1)范数的ESM方法分别存在声源幅值被低估与算法稳定性差等问题。因此,提出了基于有约束L_(1/2)范数稀疏正则化的声源识别方法,该方法具有强稀疏性与强抗干扰的优势,可以解决传统方法的声源识别精度低的问题。通过数值模拟试验以及普通室内的实测实验,验证了方法的有效性。

基于L_(1/2)范数的非局部PCA泊松噪声图像恢复改进算法

为增强NLSPCA(非局部稀疏主成分分析)算法对去除图像泊松噪声性能,提高图像块聚类精确度,增大字典下的表示系数稀疏性,改善恢复图像易模糊等问题,提出基于L_(1/2)范数的非局部PCA泊松噪声图像恢复改进算法(L_(1/2)-NLSPCA)。新算法首先对图像分割成重叠块;其次采用设计的自适应Bregman K-means算法对分割的图像块聚类;最后使用PCA构建基于L_(1/2)范数的非局部字典下的稀疏表示系数,对聚类后的图像块分组进行去噪重构。实验结果表明,L_(1/2)-NLSPCA算法与基准算法相比峰值信噪比(PSNR)提高了0.52~2.57 dB,在视觉上纹理细节更清晰。

结合l_(1/2)范数与显著性约束的背景减除

传统背景减除模型在背景静止和前景对象移动较快时提取到的前景效果较好,但当背景变化或前景对象移动缓慢时容易将动态背景误判为前景或检测出的前景有较多空洞。针对传统背景减除模型在动态背景和前景对象移动缓慢条件下存在前景检测精度下降的问题,提出一种基于l_(1/2)范数与显著性约束的背景减除模型。将观测数据分为低秩背景、运动前景和动态干扰3类,利用l_(1/2)范数约束运动前景加强前景稀疏性,有效抑制动态背景对前景提取造成的干扰,提高运动前景在动态背景中的检测精度。引入视频每一帧的显著性约束,通过对每一帧图像进行低秩稀疏分解来检测移动缓慢的目标。实验结果表明,该模型对于复杂场景具有较强的适应能力,可有效去除动态背景对前景的干扰,快速检测出移动缓慢的前景对象,相比于l_(1/1/2)-RPCA背景减除模型的平均查全率、查准率和调和平均值分别提升了9、14和10个百分点。

基于L_(1/2)范数的单比特SAR成像重建算法

单比特技术在合成孔径雷达成像上具有良好的抗噪性,大多数单比特重建算法使用L_(1)或L_(2)范数作为稀疏正则化。文中提出了能获得更好稀疏解的L_(1/2)范数,使用交替方向乘子法对回波信号进行重构,通过仿真实验和实际回波图验证了其性能。相较于固定阈值,变阈值能保留目标反射系数的一部分幅值信息,因此文中进一步使用了自适应阈值来最大程度地接近回波数据。仿真结果显示:与时变阈值算法相比,恢复出的图像与原图像的误差更小,并且在L_(1/2)范数下具有更加明显的效果,在低信噪比时,自适应阈值相较于时变阈值也展现出了更好的性能。

基于L_(1/2)范数的扇束X射线荧光CT重建

X射线荧光CT(XFCT)作为一种分子成像模式,存在着扫描时间长、辐射剂量大的问题,通常通过增大投影间隔、减少投影数量的稀疏投影方式来降低扫描时间与辐射剂量.因此,为在较少投影数量和较少迭代次数下提高重建图像质量,提出一种基于L_(1/2)范数的XFCT重建算法.数值模拟实验结果表明:在较少投影数量和较少迭代次数下,所提基于L_(1/2)范数的XFCT重建算法与传统Maximum Likelihood Expectation Maximization算法相比,其重建图像的均方根误差更小,全局图像质量索引更接近1,达到在较少投影数量和较少迭代次数下提高重建图像质量的目的.

具有双重稀疏机制的在线学习算法

针对大数据背景下数据分类问题,已有的在线学习算法通常引入L_1范数正则化增强预测模型的稀疏性,但单一的正则化约束不能高效的获取稀疏模型.基于此,提出了一种具有双重稀疏机制的在线学习算法(an online learning algorithm with dual sparse mechanisms,DSOL).在DSOL算法中,一方面利用L_(1/2)正则化项约束目标函数以增强预测模型的稀疏性,提高算法的泛化性能.另一方面用改进的梯度截取法对数据特征进行选择,有效稀疏化预测模型.通过L_(1/2)正则化与改进的梯度截取策略的有机融合,有效利用了历史数据信息,提高了算法分类数据的性能.通过与另4种代表性稀疏在线学习算法在9个公开数据集的实验对比表明DSOL算法对数据分类的准确性更高.

基于自适应相似性的无监督多视图特征选择

为解决传统特征选择方法忽略视图内部特征的相关性及不同视图之间的特征关联性问题,提出一种基于自适应相似性的特征选择学习方法。在特征选择时考虑视图内部的特征相关性,对每个视图进行特征选择,通过引入图正则化,充分利用数据的局部几何特性,使同类别特征之间的联系更加紧密,达到增强算法的鲁棒性。引入L_(1/2)稀疏范数降低噪声,提高分类模型的准确率。通过与现有的特征方法进行对比分析,提出方法在ACC和NMI上优于其它方法。