核迁移稀疏编码算法在跨域图像分类中的应用

针对非线性分布的数据样本在原始特征空间可分性较差的问题,文中提出一种基于核迁移稀疏编码的跨域图像分类方法,并应用于图像分类.首先将图像特征和字典映射到一个高维的再生核希尔伯特空间,使得线性不可分问题变为线性可分问题.然后在高维特征空间中对每个样本数据进行表示.文中算法不仅有效地处理非线性结构数据,而且考虑了源域和目标域的分布差异以及几何结构信息,获得更为鲁棒的稀疏表达,提高跨域图像分类精度.

基于kinect三维骨骼节点的动作识别方法

近年来,基于人体动作识别的应用场景越来越广泛。为了更好的识别效果,提出了一种基于人体三维骨骼节点的动作识别方法。用Kinect等设备获取人体骨骼关节点三维数据信息,以人体臀部为原点重新建立人体坐标系;提取人体关键骨骼的数据信息,定义人体动作特征向量;根据动作表达式用行为树构造动作序列,实现识别。通过对5种定义的动作与其他算法做比较实验,表明提出的方法识别率较高,推广性较强。

一种改进的萤火虫算法

为了克服原始萤火虫算法(Glowworm swarm optimization,GSO)对于高维、多峰函数寻优精度不高和后期收敛速度较慢的问题.为此,有针对性地提出了一种改进的动态步长萤火虫优化算法,在整个迭代期间,萤火虫的算法步长呈非线性递减.在寻优初期保持着一个相对较大的步长进行搜索,增强其全局寻优能力,在算法后期保持一个较小的移动步长,增强其局部搜索能力.此外将原始萤火虫算法在Nit集合为0时不移动,改成试探性向外随机移动策略.采用该算法的改进思想,能在一定的程度上避免算法因为过早的成熟而陷入局部最优,并且改进的算法比原始萤火虫算法有着更好的收敛精度.通过与原始GSO和改进算法ASGSO做对比,Matlab实验仿真表明,此改进算法在一定程度上提高了收敛速度和寻优精度.

基于knee points的改进多目标人工蜂群算法

传统的人工蜂群算法(Artificial Bee Colony algorithm,ABC)及其在多目标上的扩展(Multi Objective Artificial Bee Colony algorithm,MOABC)存在着在高维、多峰函数情况下收敛速度变慢、后期容易陷入局部最优以及寻优精度丢失等问题。基于knee points提高收敛性和分布性的特点,设计了一种快速识别knee point的算法并将其应用到多目标人工蜂群算法中,提出了一种基于knee points的改进多目标人工蜂群算法(Kn MOABC)。算法在迭代过程中考虑pareto支配关系的同时,优先选择knee point作为下一代个体,极大地增强了算法的收敛速度,同时,在knee point识别算法中加入自适应的策略以保持良好的分布性。实验结果表明,Kn MOABC的性能优于三个最新的多目标人工蜂群对比算法。