基于流形正则化框架和MMD的域自适应BLS模型

宽度学习系统(Broad learning system,BLS)作为一种基于随机向量函数型网络(Random vector functionallink network,RVFLN)的高效增量学习系统,具有快速自适应模型结构选择能力和高精度的特点.但针对目标分类任务中有标签数据匮乏问题,传统的BLS难以借助相关领域知识来提升目标域的分类效果,为此提出一种基于流形正则化框架和最大均值差异(Maximum mean discrepancy,MMD)的域适应BLS(Domain adaptive BLS,DABLS)模型,实现目标域无标签条件下的跨域图像分类.DABLS模型首先构造BLS的特征节点和增强节点,从源域和目标域数据中有效提取特征;再利用流形正则化框架构造拉普拉斯矩阵,以探索目标域数据中的流形特性,挖掘目标域数据的潜在信息.然后基于迁移学习方法构建源域数据与目标域数据之间的MMD惩罚项,以匹配源域和目标域之间的投影均值;将特征节点、增强节点、MMD惩罚项和拉普拉斯矩阵相结合,构造目标函数,并采用岭回归分析法对其求解,获得输出系数,从而提高模型的跨域分类性能.最后在不同图像数据集上进行大量的验证与对比实验,结果表明DABLS在不同图像数据集上均能获得较好的跨域分类性能,具有较强的泛化能力和较好的稳定性.

水下管汇入水冲击数值模拟研究

基于ABAQUS软件,采用耦合欧拉-拉格朗日算法(CEL)对水下管汇入水工况中框架响应进行数值模拟。根据管汇框架入水受力特点,选取其局部结构(工字梁)建立入水数值模型,其中工字梁采用壳单元模拟,海水区域采用欧拉网格离散,为模拟管汇质量的影响,采用等效密度方式修正工字梁质量。模拟了工字梁入水过程,计算了关键部位速度和应力时间历程,给出了不同时间点的应力场,讨论了初始速度对最大Mises应力的影响,为管汇框架入水强度分析奠定了基础。

新的流形学习方法统一框架及改进的拉普拉斯特征映射方法

流形学习是多个领域的重要研究课题.通过考察各种流形学习方法,提出了一种新的流形学习方法的统一框架,并在此框架下对拉普拉斯特征映射方法(Laplacian eigenmap,LE)进行了分析.进一步,基于此框架,提出了一种改进拉普拉斯特征映射方法(improved Laplacian eigenmap,ILE).它建立在LE方法和最大差异延展算法(maximum variance unfolding,MVU)的基础上,在保持流形谱图拉普拉斯特征的同时,以最大化任意两点之间的差异为目标.ILE有效地解决了拉普拉斯特征映射方法对邻域选择敏感以及MVU方法大计算量、局部限制过强等问题,且能够保持数据聚类性质,挖掘数据内蕴特征.通过实验说明了ILE的有效性.

三维人脸深度图的流形学习-LOGMAP识别方法

人脸识别是生物特征识别技术最友好的身份识别方式,而三维人脸识别由于可解决二维人脸识别中存在的光照、姿态等局限,成为人脸识别的研究热点,但其特征维数过高是该领域的瓶颈,而维数约减是解决这一问题的关键。流形学习是一类非线性维数约减算法,LOGMAP是一种基于黎曼法坐标的流形学习算法,该算法可以在保持度量信息不变的情况下,把高维空间的数据映射到低维空间。构建了基于流形学习的三维人脸识别框架,并结合LOGMAP进行三维人脸深度图的识别。实验结果表明,该方法在三维深度图上可以得到良好的识别效果。

基于SJ-GDA和DT-KNN的人工智能多类运动设计与研究

在脑机接口系统研究中,基于黎曼流形的协方差矩阵在运动想象特征提取中应用广泛,但维度灾难一直是不可避免的问题。提出一种融合人工智能联合互信息和广义判别分析的特征降维方法称之为SJ-GDA,其对高维向量进行智能降维。SJ-GDA方法首先采用Semi-JMI对特征向量进行特征排序,进而利用GDA对排序后的部分向量智能降维,融合两类向量构造最终特征。将最终特征输入文中提出的DT-KNN决策树框架进行人工智能多类运动人想象识别,结果表明提出的算法在左手、右手、脚和口四类运动想象任务识别中Kappa系数从0. 57提高到了0. 607。

面向自闭症辅助诊断的无监督模糊特征学习新方法

自闭症患者的行为和认知缺陷与潜在的脑功能异常有关。对于静息态功能磁振图像(functional magneticresonance imaging,fMRI)高维特征,传统的线性特征提取方法不能充分提取其中的有效信息用于分类。为此,本文面向fMRI数据提出一种新型的无监督模糊特征映射方法,并将其与多视角支持向量机相结合,构建分类模型应用于自闭症的计算机辅助诊断。该方法首先采用多输出TSK模糊系统的规则前件学习方法,将原始特征数据映射到线性可分的高维空间;然后引入流形正则化学习框架,提出新型的无监督模糊特征学习方法,从而得到原输出特征向量的非线性低维嵌入表示;最后使用多视角SVM算法进行分类。实验结果表明:本文方法能够有效提取静息态fMRI数据中的重要特征,在保证模型具有优越且稳定的分类性能的前提下,还可以提高模型的可解释性。

单双点平滑结合的流形正则化半监督分类学习框架

提出一种单双点平滑结合的流形正则化半监督分类学习框架(SDS_MR)。流形正则化(Manifold regularization,MR)约束流形图上的相似实例应该获得相似的分类输出,但是MR是建立在流形图上的双点平滑上的,即平滑约束是在所有实例对上实现的,也就是视每个实例对为单位。在MR的基础上做了改进,通过结合实例对平滑和单个实例的平滑来实现半监督学习。通过这种方式,单双点的平滑都被取利用,都具重要性且做出贡献,这种重要性可以是双点约束信息,也可以是单点局部密度。在UCI标准测试数据集上的实验结果显示,SDS_MR与MR相比具有一定的竞争力。