具有反馈控制的多自主体系统迭代学习输出一致性

为改进多自主体系统的学习过程并提高系统对外部干扰的鲁棒性,提出一种具有反馈控制的迭代学习一致性控制算法。首先,自主体之间通过共享控制输入信息以改进其学习过程,并且当系统外部存在非迭代重复干扰时,通过设计反馈控制器以提高系统的鲁棒性;然后,使用压缩映射的方法对系统一致性进行分析,并严格推导出算法的收敛条件;最后,通过仿真实验验证了算法的正确性和有效性,改进后的算法与P型算法相比有更高的收敛速度,且在存在外部干扰时有更平滑的收敛曲线。

基于近红外光谱分析的原油脱盐过程故障检测

为了解决原油脱盐过程的故障检测问题,提出一种利用近红外光谱技术从微观分子光谱数据角度进行故障检测的新思路。不同于传统基于宏观过程变量的故障检测手段,该方法从分子振动信号中获取过程信息从而完成对原油脱盐过程运行状态的监控。为了同时监控脱盐原油的质量,采用偏最小二乘(PLS)算法,选择HotellingT2和平方预测误差(SPE)统计量作为判断指标,比较了基于宏观过程变量和微观分子光谱数据的故障检测方法的效果。结果表明,基于微观分子光谱数据的检测方法在时间上比基于传统宏观过程变量的方法快了约46分钟,并且对早期故障的感知更加灵敏,充分体现了近红外光谱技术在原油脱盐过程故障检测问题上的有效性和优势。

基于改进的LBP人脸识别算法

针对基本LBP算子提取的特征不够完整,不能全面地表达出人脸局部特征的问题,提出了基于分块的完备局部二值模式(CLBP)人脸识别算法。首先对原始人脸图像进行分块处理,对每一分块的图像进行局部差异值和中心像素灰度值分析,用Su2CLBP(8,2)、Mu2CLBP(8,2)和CCLBP(8,2)算子分别提取每一分块的直方图统计特征。然后将所有分块的CLBP直方图序列连接起来,得到人脸图像的CLBP特征,将其作为人脸的鉴别特征用于分类识别。最后利用Chi平方统计法计算直方图的不相似度,用最近邻准则进行分类。所提出的算法分别在ORL、FERET、YALE数据库中进行实验,分别取得了高达99.5%、92%、98.67%的识别率,与分块LBP算法相比识别率分别有2.5%、8%、2.67%的提高。实验结果表明,完备LBP提取的特征比较全面且具有较强的鉴别能力,在ORL、FERET、YALE人脸库中均能获得较好的识别率。

基于曲波域与核主成分分析的人脸识别

针对小波变换不能充分描述人脸曲线特征的缺点,本文提出一种基于曲波域与核主成分分析(KPCA)的人脸识别算法。采用多尺度、多方向的曲波(Curvelet)变换提取图像特征,不仅具有更高的逼近精度和更好的稀疏表达能力,而且其变换系数能有效表示沿曲线的奇异性。进一步使用核主成分分析(KPCA)将曲波特征系数投影到更具表达力的核空间中,通过最近邻分类器进行分类。并在JAFFE人脸库中、ORL人脸库以及FERET人脸库中做了多组实验,实验结果表明该方法在图像降维和识别率方面都达到了较好的效果。

基于双层粒子群优化算法的柔性作业车间调度优化

针对柔性作业车间调度问题(FJSP),提出了一种改进的双层粒子群优化(ITLPSO)算法。首先,以机器的最大完工时间最小化为优化目标,建立了一个柔性作业车间调度模型;然后,介绍了改进的双层PSO算法,为了避免陷入局部最优和提高收敛速度,算法中加入了停滞阻止策略和凹函数递减策略;最后,对相关实例进行求解,并与已有算法作了比较。实验结果表明,与标准PSO算法和双层粒子群优化(TLPSO)算法相比,最大完工时间的最优值分别减少了11和6,最大完工时间的平均值分别减少了15.7和4,收敛速度明显提高。经过性能分析,所提算法可以明显提高柔性作业车间的调度效率,从而获得了更优的调度方案。

基于多目标粒子群算法的多传感器图像融合

针对图像融合中参数优化的问题,提出了一种基于多目标粒子群优化算法的多传感器图像融合方法。首先采用非采样Contourlet变换(NSCT)对源图像进行多尺度、多方向分解;然后选取图像融合的客观评价指标为优化目标函数,采用多目标粒子群优化算法对低频系数的融合参数进行优化,带通方向子带系数采用取绝对值最大的融合规则;最后通过NSCT逆变换得到融合图像。分别对多聚焦图像融合和红外与可见光图像进行融合实验,并对融合图像进行主客观评价,实验结果表明,得到的融合图像具有较好的主观视觉效果和客观评价指标。

一种无监督学习的异常行为检测方法

针对智能视频监控的需求,提出一种无监督学习的异常行为检测方法。首先,采用混合高斯模型建模提取出运动目标,对运动区域进行标记;然后提取运动区域内的光流信息,将其归一化成特征矩阵,并建立实时更新的特征矩阵观测序列;最后利用二维主成分分析(2DPCA)的重构原理对观测序列进行分析,根据重构特征矩阵与原特征矩阵的能量比来判断是否存在异常行为。基于不同数据库下的视频序列实验结果验证了所提方法的有效性。

基于局部Shearlet相位量化特征的人脸识别算法

针对LPQ算子提取的纹理特征易受光照、噪声影响,提出了一种在Shearlet变换幅值域内提取局部相位量化标记直方图的人脸描述方法。首先采用Shearlet滤波器提取其对应不同方向、不同尺度的多个Shearlet幅值域图谱,然后按照平均值融合法将相同尺度不同方向的幅值域图谱融合到一起,并对融合图谱进行分块,分别采用LPQ算子标记幅值域图谱,最后由这些标记直方图形成的序列来描述人脸。在ORL、FERET和YALE人脸库中做了多组实验并分别取得了98%、95%及97.33%的识别率,充分验证了该方法的有效性。

Shearlet多方向特征融合与加权直方图的人脸识别算法

针对Shearlet变换在提取特征数据时存在冗余性以及无法对全局特征进行稀疏表征的缺点,提出了一种Shearlet多方向特征融合与加权直方图的人脸识别算法。首先,对原始图像采用Shearlet变换得到多尺度多方向的人脸特征,然后按照两种编码方式将同一尺度下不同方向的特征进行编码融合,并将融合后的尺度图像划分为若干大小相等的不重叠矩形块,利用Shannon熵理论对各子模式进行加权融合。在ORL、FERET和YALE人脸库中做了多组实验,充分证明该算法相对于传统Shearlet滤波器在分类识别上更具有优势。

教与同伴学习粒子群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。

基于蝙蝠-拟牛顿混合算法的无线传感器网络节点定位

针对距离矢量-跳数(DV-Hop)算法第三阶段中最小二乘法定位精度低的问题,提出一种蝙蝠-拟牛顿混合算法与DV-Hop算法融合的定位算法。首先对蝙蝠算法进行两点改进:1)根据蝙蝠个体的适应度值自适应调节随机向量β,使得脉冲频率具有自适应能力;2)利用当前迭代之前所有最优个体的平均位置来引导蝙蝠移动,使得速度具有变异性能;然后在DV-Hop算法第三阶段采用改进蝙蝠算法得出节点的估计位置,再利用拟牛顿算法以估计位置为初始点继续搜索节点位置。仿真结果表明:相比传统DV-Hop算法和基于蝙蝠算法的DV-Hop改进算法(BADVHop),该算法的定位精度大约提高了16.5%、5.18%,且稳定性更好,适用于定位精度和稳定性要求较高的场合。

视频序列中基于LBP特征的人体行为识别

视频序列中的行为分析与识别已经成为当前计算机视觉领域的研究热点。为了更加有效地提取人体行为序列中的轮廓特征的信息,提出了一种基于局部二值模式(Local Binary Pattern,LBP)特征的人体行为识别的算法。通过背景差分法从视频中提取完整的人体运动序列,利用LBP算子计算运动序列的LBP特征谱,组成样本的LBP轮廓特征空间,接着将特征空间通过K-means聚类的方法生成行为特征。最后,采用隐马尔可夫模型(HMM)对特征进行识别。实验过程中,分别在两个公共行为数据库上进行了测试实验,平均识别率能达到85%以上,并且在两个数据库的交叉实验结果表明了本文算法具有一定的鲁棒性。

自动确定聚类中心的密度峰聚类

密度峰聚类是一种新的基于密度的聚类算法,该算法不需要预先指定聚类数目,能够发现非球形簇。针对密度峰聚类算法需要人工确定聚类中心的缺陷,提出了一种自动确定聚类中心的密度峰聚类算法。首先,计算每个数据点的局部密度和该点到具有更高密度数据点的最短距离;其次,根据排序图自动确定聚类中心;最后,将剩下的每个数据点分配到比其密度更高且距其最近的数据点所属的类别,并根据边界密度识别噪声点,得到聚类结果。将新算法与原密度峰算法进行对比,在人工数据集和UCI数据集上的实验表明,新算法不仅能够自动确定聚类中心,而且具有更高的准确率。

Shearlet多方向自适应加权融合的稀疏表征人脸识别

针对传统稀疏表征分类器只有在训练样本足够多时才会对特征变化不敏感的缺点,提出一种Shearlet多方向自适应加权融合的稀疏表征人脸识别算法。为了提取局部方向信息并降低特征维数,首先利用Shearlet变换对图像进行多尺度、多方向分解,获得子带系数矩阵,然后根据子带系数矩阵方差的大小对同一尺度的方向子图按主方向排序,利用子带系数矩阵的能量和均值特征对排序后的人脸子图进行加权融合,最后为了使得表征系数矢量具有更为显著的稀疏性,进一步利用融合特征构造字典。在ORL、FERET和YALE人脸库中做了多组实验,结果表明,该方法能增强对外界环境变化的鲁棒性,同时可以提高人脸的识别率。

基于健康度的人工蜂群粒子群算法

针对标准粒子群算法存在收敛速度慢和易陷入局部最优等问题,提出了一种基于健康度的人工蜂群粒子群算法。通过动态地对各个粒子的健康状况进行评价,对正常粒子和病态粒子分别进行处理,避免无效搜索,提高算法的收敛速度;在处理病态粒子时,一方面以大概率借鉴人工蜂群的搜索策略提高算法的探索能力,另一方面以小概率增加粒子群的多样性,避免陷入局部最优。实验结果表明,与标准粒子群算法和其他改进算法相比,该算法收敛速度快、寻优精度高。

融合改进PHOG与KPCA的人脸识别算法

针对PHOG特征在描述人脸形状时容易受到梯度强度突变及噪声干扰的缺点,提出了一种基于改进PHOG特征的人脸识别算法。首先对仅适用于描述清晰人脸轮廓形状的PHOG特征进行了改进,使其对人脸局部结构描述更加精细化,并通过改进的归一化方法达到对噪声的抑制,最后通过KPCA变换将改进的PHOG特征非线性映射到高维核空间中,进一步选择区分能力较强的特征分量,用最近邻分类器进行分类。在ORL、FERET和YALE人脸库中做了多组实验分别取得了98%、95%及98.67%的识别率,实验证明:该算法在抑制轮廓噪声提高识别率方面达到了较好的效果。

基于分布域描述算子的视频目标跟踪

针对目标跟踪中如何有效地描述目标,以适应跟踪环境变化的问题,提出了一种基于分布域描述算子的视频目标跟踪算法。首先,采用分布域描述算子来建立目标模型;然后选择粒子滤波算法进行目标状态估计实现目标跟踪;在跟踪过程中,采用在线更新模型的方法,降低了光照变化以及部分遮挡带来的影响,从而提高跟踪的准确率。在常用的视频序列上进行了实验,并与目前常用的算法进行了比较。实验结果表明该算法具有较好的跟踪效果,能实现复杂场景下的目标跟踪。

基于曲波系数加权融合的人脸识别

为了提高人脸识别率和缩短识别时间,研究了基于曲波变换的人脸识别技术。考虑到传统曲波变换无法将多尺度多方向的曲波特征进行最优表示且其特征维数过大的缺点,提出了一种基于自适应加权融合的曲波变换和独立分量分析(ICA)的人脸识别算法。该算法通过曲波变换提取原始人脸图像的最优尺度和方向上的曲波系数,并对这些特征系数进行多方向上的融合,根据类别可分离性的判据原则对融合后的系数进行加权,以减少特征数量,提高处理速度;通过独立分量分析降维,将这些特征投影到更具表达力的空间,以获取有效特征,减少冗余信息,便于最近邻分类器进行人脸识别。基于在奥利维帝研究实验室(ORL)人脸库、Yale B人脸库和AR人脸库对该算法进行了测试,结果表明,其识别率分别达到98%、97%和98.57%,单幅图片的识别时间分别为65.43,158.94和20.37ms,从而验证了其实用性。

基于局部密度和测地距离的谱聚类

传统根据K-近邻图计算测地距离的方法,虽然能够发现流形分布数据间的相似关系,但是当不同类的点存在粘连关系时,依此计算相似度时不能体现样本间的真实关系,从而无法有效聚类。针对传统测地距离计算相似度的方法不能有效处理粘连数据集的问题,提出了基于局部密度和测地距离的谱聚类方法。计算样本的局部密度,寻找每个样本点的最近高密度点,并选择边缘点和非边缘点;在边缘点和其最近高密度点之间构造边、非边缘点之间的K个近邻点构造边,依此计算测地距离和相似度并进行聚类。在人工数据集和UCI数据集上的实验表明,该算法在处理粘连数据集时有效提高了聚类准确率。

引入萤火虫行为和Levy飞行的粒子群优化算法

粒子群优化(PSO)算法具有易陷入局部最小值和全局搜索能力差的缺陷,对PSO算法的改进大多只是在某一方面利用单一搜索策略进行改进,针对这种改进策略不能全面优化PSO算法性能的问题,提出一种引入萤火虫行为和Levy飞行的粒子群优化(FBLFPSO)算法。根据改进的自调节步长的萤火虫搜索策略改善PSO的局部搜索能力,避免PSO陷入局部最小值;后期利用Levy飞行策略增强种群多样性,提高PSO全局搜索能力,跳出局部最优解。仿真实验结果表明,与现有相关算法相比,FBLFPSO的全局搜索能力和搜索精度都有较大提高。