检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

一种联合多正则化项的双域去雾模型

科技创新与应用 2024年第26期14卷 80-83页

作者：徐春雨冀东江薛晰颖天津职业技术师范大学天津300222

在有雾天气下,图像传感器获得的图像可能会出现能见度低、对比度差和其他退化现象。针对暗通道先验算法在景深较大区域可能导致失真的局限性,提出一种联合小波,TV以及轮廓波正则化的模型,该模型旨在提高场景传输率和图像质量。首先,该... 详细信息

在有雾天气下,图像传感器获得的图像可能会出现能见度低、对比度差和其他退化现象。针对暗通道先验算法在景深较大区域可能导致失真的局限性,提出一种联合小波,TV以及轮廓波正则化的模型,该模型旨在提高场景传输率和图像质量。首先,该文通过结合小波,TV和轮廓波惩罚来增强暗通道得到的初始场景传输率,并对此应用高提升滤波来进一步增强边缘与细节,从而得到精细的场景传输率;接下来,使用这种精细后的传输率来获得初步的去雾图像;最后,对得到的这幅图像进行后处理,再次作用小波,TV以及轮廓波惩罚与高提升滤波,在保证平滑的同时保持局部细节。实验结果表明,该算法的去雾结果是有效的,并且主观和客观的评价都表明,该方法表现良好。

关键词：大气散射模型单幅图像去雾场景传输率正则化优化 ADMM

在线全文

学校读者我要写书评

暂无评论

基于深度学习的聚类研究

基于深度学习的聚类研究

作者：徐正祥吉林大学

学位级别：硕士

聚类是数据挖掘领域的一项经典任务,通过预定义的相似性度量将未标记的输入数据划分成不同聚类。在过去的几年中,人们提出了各种聚类方法来解决现实世界中的问题,如文本聚类和图像聚类。随着图结构数据的出现,如生物网络和社会网络,如... 详细信息

聚类是数据挖掘领域的一项经典任务,通过预定义的相似性度量将未标记的输入数据划分成不同聚类。在过去的几年中,人们提出了各种聚类方法来解决现实世界中的问题,如文本聚类和图像聚类。随着图结构数据的出现,如生物网络和社会网络,如何将属性图节点划分为不同聚类引起了广泛关注。与文本和图像数据不同,属性图中的每个节点都有一组属性特征,属性信息表示节点本身的特征值,结构信息则表示节点结构之间的潜在相似性。因此,如何有效地利用图形数据中的特征信息和结构信息进行聚类是一个重要的问题。传统的图聚类算法通过构造节点特征的相似矩阵,然后对矩阵进行聚类,这强调了结构信息的重要性。尽管后来的研究试图将节点特征和网络结构结合到集群中,但这些方法很少探索深度学习在集群中的应用。近年来,鉴于深度学习的快速发展,人们开始使用深度学习方法进行聚类。基本的深度聚类方法首先学习数据的有效表示,然后应用传统聚类方法对数据表示进行聚类。深度图聚类方法大致分为基于DNN的聚类方法和基于GCN的聚类方法。基于DNN的方法已被用来学习基于节点特征和网络结构信息的图表示,基于GCN的方法使用GCN对节点表示的节点特征和网络结构进行编码。深度聚类方法同时利用了拓扑结构信息和节点特征,取得了优异的性能。然而,现有的深度聚类模型往往更注重结构信息的学习,很少处理特征信息,特征学习过程中的信息丢失被忽略,导致需要学习和捕获的信息不足。同时,特征学习表示是获取目标聚类分布的关键内容,这直接导致聚类精度低。此外,由于这些深度聚类方法忽略了节点间的链接关系,限制了聚类训练结果的准确度。基于上述工作,本文提出了一种密集深度神经网络结构的聚类网络。为了解决特征学习不足和增强层间特征流的问题,提出一种多层密集深度神经网络来获取节点特征表示,该网络融合了每一层学习的节点表示。本文的贡献可以总结如下:1)本文提出了一种用于图数据的密集深度神经网络结构化聚类网络（DDSCN）模型。通过增加了一个双重自监督模块来同时更新两个模块,利用转移算子将从密集DNN学习到的节点表示传递到GCN层,从而促进了GCN中结构信息的学习。该方法将结构学习和特征学习过程结合起来,实现了信息的重用。2)本文提出了一种多层密集深层神经网络来获取节点特征表示,它在DNN层之间建立了密集连接,并实现了密集DNN层之间的特征重用。本文设计了一个平滑正则化项来重构损失函数,通过测量节点之间的相似性来优化整个模型的更新过程,以考虑节点之间的直接链路关系。3)本文在四个真实数据集中对提出的密集深度神经网络结构的聚类网络框架进行了评估,结果表明,该框架明显优于最先进的方法。这表明密集深度神经网络结构的聚类网络框架对于图聚类是有效的。

关键词：深度图聚类图卷积网络密集深度神经网络正则化优化自监督学习

结合切空间及特征空间校准的增量流形学习正则优化算法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

数据采集与处理 2017年第6期32卷 1141-1152页

作者：谈超吉根林赵斌东南大学计算机科学与工程学院南京211189 南京师范大学计算机科学与技术学院南京210023

高维流式大数据的产生与发展对传统机器学习和数据挖掘算法提出了诸多挑战。本文结合流式大数据流式到达的特性,首先建立自适应增量特征提取算法模型。然后,针对噪声环境,建立基于特征空间校准的增量流形学习算法模型,解决小样本问题。... 详细信息

高维流式大数据的产生与发展对传统机器学习和数据挖掘算法提出了诸多挑战。本文结合流式大数据流式到达的特性,首先建立自适应增量特征提取算法模型。然后,针对噪声环境,建立基于特征空间校准的增量流形学习算法模型,解决小样本问题。最后,构造流形学习的正则化优化框架,解决高维数据流特征提取过程中产生的降维误差问题,并得到最终的最优解。实验结果表明本文提出的算法框架符合流形学习算法的3个评价指标:稳定性、提高性以及学习曲线能迅速增加到一个相对稳定的水平;从而实现了高维数据流的高效学习。

关键词：高维流式大数据自适应增量特征提取特征空间校准正则化优化

在线全文

学校读者我要写书评

暂无评论

面向高轨目标的强度相干成像技术研究

飞行器测控学报 2014年第4期33卷 348-353页

作者：李希宇高昕唐嘉陆长明北京跟踪与通信技术研究所北京100094

强度相干成像技术是指利用地基强度相干阵列测量空间目标光强随机涨落的相干性,可获得目标的空间频谱模值,结合目标先验信息即可恢复目标光强分布图像。这种成像方法具有成像分辨力高、设备精度要求低、受大气湍流影响小等优点,目前已... 详细信息

强度相干成像技术是指利用地基强度相干阵列测量空间目标光强随机涨落的相干性,可获得目标的空间频谱模值,结合目标先验信息即可恢复目标光强分布图像。这种成像方法具有成像分辨力高、设备精度要求低、受大气湍流影响小等优点,目前已应用于恒星目标的成像观测领域,是一种有发展前景的地基光学成像手段。在综述强度相干技术原理与发展历程基础上,分析了利用强度相干阵列对高轨目标成像的可行性,认为在利用强度相干阵列对高轨目标成像过程中,主要存在空间频谱探测信噪比低和相位恢复复杂2大难题,提出利用激光主动照明对目标进行探测,同时采用符合计数方法和正则化优化方法可提高探测信噪比与相位恢复质量,对实现高轨目标成像有一定参考。

关键词：强度相干成像高轨目标相位恢复符合计数正则化优化

在线全文

学校读者我要写书评

暂无评论

基于融合决策的非侵入式负荷识别方法

数据通信 2021年第4期 11-16页

作者：邝萌李英娜魏龄李川昆明理工大学信息工程与自动化学院昆明650500 云南省计算机技术应用重点实验室昆明650500 云南电网有限责任公司电力科学研究院昆明650217

对用电客户和电网公司来说家庭能源管理具有极其重大的意义。为实现能源管理中用电细节监测的目的,本文通过采集用户电力入口端电压、电流信息,并提取相关负荷特征,随后进行非侵入式负荷识别,最终达到监测电器用电细节的目的。针对非侵... 详细信息

对用电客户和电网公司来说家庭能源管理具有极其重大的意义。为实现能源管理中用电细节监测的目的,本文通过采集用户电力入口端电压、电流信息,并提取相关负荷特征,随后进行非侵入式负荷识别,最终达到监测电器用电细节的目的。针对非侵入式负荷识别中不同功率等级电器同时工作时,小功率电器容易出现被错误识别的情况,提出基于功率-谐波的近似度优化目标函数和高次谐波的正则化优化目标函数,在两者的基础上采用融合识别的方法。实验结果表明融合决策的识别方式能避免单一特征单一分类的局限性,获得良好的识别效果。

关键词：非侵入式负荷识别负荷特征近似度优化正则化优化融合识别