检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于流形约束的高光谱图像混合像元分解研究

基于流形约束的高光谱图像混合像元分解研究

作者：陈香香湖南大学

学位级别：硕士

高光谱遥感图像拥有数十甚至数百个波段,具有较高的光谱分辨率,被广泛应用于农业、环境、勘测等领域。但受传感器空间分辨率的限制,一个像元可能对应着多种地物,被称之混合像元。混合像元的存在不仅影响了遥感图像的分类精度和目标探测... 详细信息

高光谱遥感图像拥有数十甚至数百个波段,具有较高的光谱分辨率,被广泛应用于农业、环境、勘测等领域。但受传感器空间分辨率的限制,一个像元可能对应着多种地物,被称之混合像元。混合像元的存在不仅影响了遥感图像的分类精度和目标探测效果,而且是遥感技术向定量化深入发展的重要障碍,混合像元分解技术应运而生。混合像元分解就是把一个混合像元分解成一系列的地物(端元)和这些地物在该像元中所占的比例(丰度)。非负矩阵分解(Nonnegative Matrix Factorization,NMF)就是把一个较高维且非负的矩阵分解成两个较低维数的非负矩阵的乘积形式。由于其与线性光谱混合模型一致,近来成为高光谱混合像元分解领域的一大研究热点。但NMF的求解易陷局部极小,为了克服该缺点,具有几何意义的约束加入目标函数中。本文在NMF模型的基础上,考虑了数据内在流形,基于图构造流形约束项,提出了两种基于流形约束的高光谱图像混合像元分解算法。具体工作如下:1.针对现有的基于流形约束的NMF混合像元分解算法未能有效利用高光谱图像实际场景中像元之间的空间结构信息,本文提出了一种基于超像素的流形稀疏正则NMF混合像元分解算法(MRS-NMF)。该算法利用超像素构建光谱空间信息流形正则,同时结合了端元分布具有稀疏性的特点,把稀疏约束加入到了目标函数中。最后用乘法更新准则来求解目标函数。实验结果表明MRS-NMF算法相对当前其他算法能获得更好的混合像元分解结果。2.针对大多数基于NMF混合像元分解算法忽略了端元之间的几何关系,本文引进了端元稀疏图结构来模拟端元之间的关系,提出了一种基于端元丰度图稀疏正则的NMF混合像元分解算法(EAGSNMF)。该算法在考虑高光谱数据端元分布稀疏特性的同时揭示了端元和丰度的本质几何结构。最后仿真和真实场景实验结果表明EAGSNMF算法相对当前其他算法能获得更好的混合像元分解结果。

关键词：混合像元分解非负矩阵分解流形约束空间结构信息超像素稀疏性端元稀疏图结构

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于流形约束的重叠社区发现模型研究

基于流形约束的重叠社区发现模型研究

作者：陈昊大连理工大学

学位级别：硕士

复杂网络是现实世界中网络的一种抽象,网络中的节点可以代表个体,而网络之间的节点形成的关系就构成了边。复杂网络通常会呈现出社区结构特性,如何在实际网络中高效地发现社区结构对现实生活具有非常重要的研究价值,是近年来复杂网络的... 详细信息

复杂网络是现实世界中网络的一种抽象,网络中的节点可以代表个体,而网络之间的节点形成的关系就构成了边。复杂网络通常会呈现出社区结构特性,如何在实际网络中高效地发现社区结构对现实生活具有非常重要的研究价值,是近年来复杂网络的研究热点之一。重叠社区发现是研究真实网络中的一个重要主题,有很多启发式的重叠社区发现算法被提出,取得了不错的效果。但是尽管启发式的方法能在实际中给出一些合理结果,他们缺乏严格的数学意义以及生成新网络的能力。近些年,一些基于统计推理的社区发现模型开始被提出,这些模型可以给出严格的数学定义和对重叠社区自然的概率解释,具有相当的优越性。但是目前的生成模型都是假设数据分布于欧式空间上,没有考虑到数据分布可能处于流形空间的情形。对于这个问题,我们提出了基于流形约束的重叠社区发现模型,利用流形的局部结构对联合对称链接模型进行改进,提高了社区发现的效果。我们假设社区概率分布位于一个子流形上,并采用了流形假设,认为在内蕴几何内相近的两个点会有相似的社区分布。我们使用最近邻图来对内蕴流形的结构建模,在标准的联合对称链接模型的最大似然求解中加入图拉普拉斯作为流形约束项。在人工数据和真实网络上的实验都表明基于流形约束的重叠社区发现模型的有效性。

关键词：重叠社区发现生成模型流形约束图拉普拉斯

基于隐藏主题概率模型的图像结构感知SISR重建方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

华南理工大学学报（自然科学版） 2019年第4期47卷 1-9页

作者：马丽红王小娥田菁张宇华南理工大学电子与信息学院广东广州510640 新加坡国立大学系统科学研究所新加坡119615 华南理工大学计算机应用工程研究所广东广州510640

在基于示例学习的单幅图像超分辨率(SISR)重建中,假设从低分辨率(LR)到高分辨率(HR)图像块的映射关系是一对一的,但同一LR块会与多个HR块对应,导致了LR与HR块的匹配误差.为解决HR复原块的失配问题,文中首先导出了LR块主题模式的概率模型... 详细信息

在基于示例学习的单幅图像超分辨率(SISR)重建中,假设从低分辨率(LR)到高分辨率(HR)图像块的映射关系是一对一的,但同一LR块会与多个HR块对应,导致了LR与HR块的匹配误差.为解决HR复原块的失配问题,文中首先导出了LR块主题模式的概率模型,引入信号的隐藏主题这一种新的观察信息.然后提出了一种基于块主题差异和上下文最大概率的结构感知复原机制,通过主题模式与邻域块内容的关联,形成LR块的流形描述;在重构中通过自适应主题决策树选择和节点回归矩阵映射,从相似的LR流形信号中准确区分和复原HR信号.主题模型优化实验结果表明,文中基于主题约束信息的算法比未引入隐藏主题的决策树SISR方法的峰值信噪比(PSNR)值提升了0.25 dB;在5种算法的对比实验中,相对于稀疏字典SISR方法,文中方法的PSNR值平均提升了0.92 dB,表明引入隐藏的主题信息和主题流形结构辨识是可行的.

关键词：超分辨率重建主题概率模型结构感知流形约束节点回归映射

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于检测信息的飞机部件健康状态诊断与分析

基于检测信息的飞机部件健康状态诊断与分析

作者：魏若楠南京航空航天大学

学位级别：硕士

飞机的飞行安全与一些关键部件的健康状态息息相关,如执行器、传感器和发动机等。不同故障模式以及故障源对飞机的影响程度不同,后续也需要根据故障信息进行决策,因此及时准确的故障信息对飞机健康和安全至关重要。执行器和油门处于飞... 详细信息

飞机的飞行安全与一些关键部件的健康状态息息相关,如执行器、传感器和发动机等。不同故障模式以及故障源对飞机的影响程度不同,后续也需要根据故障信息进行决策,因此及时准确的故障信息对飞机健康和安全至关重要。执行器和油门处于飞行控制闭环中,故障的表达受控制系统调控,同时还有环境的不确定干扰,给检测与分析带来了挑战。本文以执行器、舵机位置传感器、发动机为研究对象,着重信息的故障表征,研究关键部件的健康状态。主要研究内容和创新有:建立了飞机和飞行环境的仿真模型。传统的执行器故障诊断方法不考虑执行器位置信号的正确性,本文针对执行器及其位置传感器建立了单故障和组合故障模型。收集了飞机发动机正常状态和异常状态的声音。建立了健康状态检测的总体框架,对正常和故障状态下的响应特性进行分析。基于残差信号对执行器及其传感器的健康状态进行快速检测,然后利用神经网络强大的学习能力进一步分析故障模式和故障源。针对传统卷积神经网络在时间关联性上学习能力弱的缺陷,本文提出了局部拓扑的卷积神经网络提高网络的时序处理能力。同时,本文引入了迁移学习理论提高网络对不同飞行状态的适应能力。仿真实验表明,针对执行器及其位置传感器,本文方法能准确识别故障类别和故障源;相比于其他主流的数据驱动方法,具有更高的准确率和查全率。基于声音信号对发动机异常状态进行检测。提取了丰富的时域频域声音特征,建立了发动机声音的高斯混合模型。但特征维数和相关性问题使模型参数估计不理想,对此本文提出了改进流形约束算法,计算高维特征在低维流形中的嵌入,使特征维数降低的同时充分保留有用信息。仿真实验表明,高斯混合模型能很好描述发动机声音的概率密度分布;与传统降维方法相比,本文方法识别发动机异常的准确率更高,识别效果也更稳定。根据严酷度和劣化度对飞机进行总体的健康评估,对检测、诊断和评估环节进行系统设计,开发了一套飞机健康状态检测和分析的软件,为算法的设计与应用提供良好平台。

关键词：健康检测故障诊断拓扑卷积神经网络迁移学习流形约束

基于模糊SVD和极限梯度提升树异常检测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于模糊SVD和极限梯度提升树异常检测方法

作者：孙思佳哈尔滨工程大学

学位级别：硕士

大数据时代下,传统的异常流量检测采用静态规则匹配的方法,已然不能满足多变复杂的网络环境。面向更加庞大、更加复杂的网络环境,网络安全数据特征已不单单是“非黑即白”的数据描述。面对如今海量复杂数据产生信息的“波动性”和“不... 详细信息

大数据时代下,传统的异常流量检测采用静态规则匹配的方法,已然不能满足多变复杂的网络环境。面向更加庞大、更加复杂的网络环境,网络安全数据特征已不单单是“非黑即白”的数据描述。面对如今海量复杂数据产生信息的“波动性”和“不确定性”的特点,模糊集理论被广泛应用于数据特征提取时的约束条件,令提取的特征更加有多样性与全面性,使后续的数据分析预测更全面具体、更准确。因此,本文采用机器学习中的SVD(奇异值分解)和XGBoost(极限梯度提升树)方法进行异常检测,将异常检测分为数据预处理和数据分析两个部分,在数据预处理阶段提出一种基于模糊SVD的流形约束特征选择方法,在数据分析部分提出基于一种非线性加权XGBoost异常检测分析方法。本文的目的是研究机器学习方法在基于异常的入侵检测系统中的适用性。网络流量数据由于其内部结构复杂,数据体量巨大、种类繁多,并且存在冗余数据,在进行数据挖掘和信息处理时,会有巨大的计算量,从而降低分析处理的效率,因而需要对高维网络数据进行降维处理。基于此,本文提出一种基于模糊SVD的流形约束特征选择方法,主要解决网络安全高维数据的降维问题,通过将直觉犹豫模糊集与SVD结合,可以快速求解出有序最优特征子集,并在其基础上进行有监督降维,降维投影之后能够实现同类数据聚集,不同类数据分散的效果。同时通过对高维数据进行降维操作,可以有效降低数据量的大小,从而避免过大的计算量,并深入挖掘网络流量数据的本质。针对于解决异常检测模型的分类准确性较低的问题,本文在考虑有一部分网络异常数据特征分布率极低,却能在数据分析时提供极大贡献的基础上,提出一种基于非线性加权XGBoost异常检测方法。该方法首先将得到的有序最优特征子集进行非线性加权到目标函数的设计中,建立非线性加权损失函数,平衡有巨大落差样本占比的特征间的分析贡献权重;另外为了减少计算量并提高计算速度,在XGBoost的决策树构建中,随机选取训练集的一部分。通过对XGBoost方法的改进,本文提出的基于一种非线性加权XGBoost异常检测分析方法,可以有效提高异常检测的效率。最后,通过仿真实验证明了本文所提出的基于模糊SVD的流形约束特征选择方法与其他传统特征提取方法相比大大加快了特征提取的计算速度,嵌套在流形约束下显示了不同类别数据上进行数据分离的优越性,以及所提出的基于非线性加权XGBoost异常检测方法在提高异常检测效率上的有效性。通过数据预处理阶段和数据分析这两部分的实验分析,证明本文所提的方法可以有效提高异常检测的准确率。

关键词：异常检测直觉模糊集模糊SVD XGBoost 流形约束

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于联合非负矩阵分解的异构共迁移聚类算法

基于联合非负矩阵分解的异构共迁移聚类算法

作者：马语大连理工大学

学位级别：硕士

迁移学习用于解决传统机器学习中由于目标数据稀缺导致难以学习精确模型的问题,其主要思想是利用源领域中大量的辅助数据帮助目标任务的学习。然而现有的迁移学习方法大多用于解决有监督学习问题,并且通常假设源领域和目标领域具有相同... 详细信息

迁移学习用于解决传统机器学习中由于目标数据稀缺导致难以学习精确模型的问题,其主要思想是利用源领域中大量的辅助数据帮助目标任务的学习。然而现有的迁移学习方法大多用于解决有监督学习问题,并且通常假设源领域和目标领域具有相同的特征空间,不能同时处理多领域知识迁移问题。为此,本文提出一种基于联合非负矩阵分解的迁移学习方法,用于解决异构领域下的无监督迁移学习问题。为了应对源领域和目标领域中的数据噪声,本文在首先传统的非负矩阵分解模型中引入带范数约束的误差矩阵,用于捕获原始数据中稀疏分布的噪声和异常值,使得学习到的公共特征空间更加准确;同时,为了保持各领域数据的固有几何结构,本文在鲁棒非负矩阵分解模型中施加流形约束,以此控制矩阵分解过程的平滑性,避免造成因知识迁移对各领域数据固有几何结构的破坏。基于以上改进,本文进一步将基于图正则化的鲁棒非负矩阵分解模型扩展为联合矩阵分解的形式,并利用数据间的共现关系将多个异构领域的数据映射到一个公共特征空间中,以此作为各异构领域知识迁移的桥梁。此外,本文还提出一种基于迭代更新的策略,对所述联合非负矩阵分解问题进行求解,并对具体的更新规则作了详细的推导。为了对所述异构共迁移聚类算法的有效性进行验证,本文选择了一些典型的单领域聚类算法和一些具有代表性的异构迁移学习算法,并在两个真实的数据集上进行了详细的实验评估和对比。实验结果表明,本文所提出的基于联合非负矩阵分解的异构共迁移聚类算法相比于其他算法实现了更好的聚类性能,并且具有更强的鲁棒性,能够有效地解决异构领域下的无监督迁移学习问题。

关键词：聚类迁移学习非负矩阵分解误差矩阵流形约束

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于正例和无标注数据的分布式学习研究

基于正例和无标注数据的分布式学习研究

作者：张晨浙江大学

学位级别：硕士

近年来,个人媒介以及互联网技术的发展产生了海量的数据资源,为机器学习的飞速发展提供了绝佳的土壤,但随之而来的海量数据的标注问题也面临着巨大的挑战。另外,在某些实际应用中,单个的正向标签往往更容易被获得或引起人们的关注。因此... 详细信息

近年来,个人媒介以及互联网技术的发展产生了海量的数据资源,为机器学习的飞速发展提供了绝佳的土壤,但随之而来的海量数据的标注问题也面临着巨大的挑战。另外,在某些实际应用中,单个的正向标签往往更容易被获得或引起人们的关注。因此,对仅有部分正例数据（被标注为正例的样本）与无标注数据的场景展开研究,充分挖掘隐藏在这些数据中的潜在信息,开发有效的正例无标注学习算法具有重要的理论意义。但现有的正例无标注学习大多属于集中式学习,需要将所有数据及其标签传输至一个数据融合中心进行处理。然而在实际应用中,数据通常受到多种因素制约而分布式地存储在不同数据节点中,受限于通信带宽以及通信成本等问题难以全部传输至数据融合中心进行处理,这迫切需要我们开发一套有效的分布式正例无标注学习算法。基于上述考虑,针对分布式场景,本文研究了基于正例无标注数据的分布式学习问题。主要工作和创新点如下:首先,本文针对正例和无标注数据设计了带自适应门限的标签校准损失函数,利用随机特征映射来逼近高维核函数空间,并使用基于锚数据点的流形约束提升半监督学习的性能。基于各节点的损失函数构造了去中心化的全局优化问题,并使用交替乘子法使得各节点在仅需要对邻居节点传递少量信息的条件下,也能获得全局最优解,从而推导出分布式正例无标注学习算法。最后通过仿真实验验证了所提算法的优越性能。其次,针对多标签分类中有限的标注数据上仅有单个标签被标注为正例的情况,研究了基于单正例多标签数据的半监督学习问题。设计了可以同时从完全未标注的数据和单个标签被标注为正例的数据中提取信息的两种损失函数,且使用基于锚数据点的流形约束提升分类性能。基于各节点的损失函数构造了去中心化的全局优化问题,并使用分布式梯度下降算法对全局优化问题进行求解。随后,引入事件触发机制在降低网络的通信频次、减少网络传输代价的同时保持了良好的学习性能。最终通过仿真实验验证了所提算法的效果。最后,借鉴随机扰动的思想,结合了最差噪声扰动和最差连接扰动两种扰动方式,提出了基于锚数据点的分布式全局最坏扰动策略。基于该扰动策略对上述提出的两种正例无标注学习算法进行优化以进一步提升分类性能。并通过在多种数据集上的仿真实验验证了所提方法有效提升了正例无标注学习的性能。

关键词：正例无标注学习半监督学习流形约束分布式信息处理事件触发最坏扰动

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空域的事件相机去噪与图像重建

基于时空域的事件相机去噪与图像重建

作者：江盟武汉大学

学位级别：硕士

事件相机是一种新型的视觉传感器,具有高时间分辨率、高动态范围以及低功耗等特性,因此在计算机视觉、机器人、自动驾驶等领域具有极高的应用价值。与传统相机成像过程不同,事件相机由场景的光强变化来异步地触发产生事件,输出时空稀疏... 详细信息

事件相机是一种新型的视觉传感器,具有高时间分辨率、高动态范围以及低功耗等特性,因此在计算机视觉、机器人、自动驾驶等领域具有极高的应用价值。与传统相机成像过程不同,事件相机由场景的光强变化来异步地触发产生事件,输出时空稀疏的事件流。但是,这些事件流仅能反应光强变化,缺乏场景的纹理和细节,并且容易受到噪声的干扰,导致大多数传统视觉处理的方法不能直接应用于处理事件流。因此,对事件相机进行去噪和图像重建的研究对于事件相机在后续实际场景的应用具有十分重要意义。事件相机通过感知场景亮度变化从而输出具有像素空间、时间和极性信息的事件流。事件流在时间上连续分布且在空间上的分布与场景边缘结构近似,这种结构特性可以用于事件流的去噪问题中。另外,事件可以表示连续图像帧之间的强度变化,事件在时空域中的运动连续性与传统强度图像提供的场景信息进行互补融合,对于事件相机进行高质量、高帧率的重建是非常有用的。因此,本文基于事件的时空特性分别进行了事件相机去噪以及图像重建研究。本文首先针对事件流中的噪声干扰,设计了一种基于低维流形约束的事件流去噪算法,算法利用图来近似表示事件时空分布的流形结构,并在图上定义流形约束来平滑事件流的噪声。接着针对事件相机图像重建中运动模糊以及噪声问题,本文提出了基于两种平滑约束的事件相机图像重建算法。本文的图像重建算法在建立强度图像与事件流关系模型的基础上,首先引入了全变分正则项作为图像空间平滑约束,建立基于全变分约束的重建模型来进行重建。最后,本文在变分重建模型的基础上,融合事件流的高分辨率的时间信息,利用事件时间戳定义事件流形曲面,将全变分重建模型扩展为由事件流形定义的时空约束上的变分模型,通过联合优化求解来完成图像重建。本文在仿真数据及真实事件数据集上进行事件相机去噪与亮度图像重建算法的实验,实验结果证明了本文提出的算法在高速、高动态场景条件下的有效性以及鲁棒性。

关键词：事件相机图像重建事件流去噪全变分流形约束