简介：近年来随着深度学习技术的引入,基于深度学习的人脸识别算法的性能得到了极大的提升.基于深度学习的人脸识别算法通常需要大规模的人脸数据作为训练集,但是制作一个大规模的人脸识别数据集,需要耗费大量的人力物力.为了在训练数据有限的条件下进一步提高人脸识别算法识别性能,特提出两种训练样本增强的方法：一是基于三维可形变人脸模型,根据单张人脸图像生成其对应的多姿态人脸图像;二是基于人脸关键点检测技术,根据单张人脸图像生成其对应＂戴眼镜＂人脸图像.通过这两种样本增强方法,对有限的训练样本进行扩充,从而有效提升了人脸识别算法的性能.

简介：降维与分类一直是机器学习的研究热点，在很多领域有着成功的应用．针对基因数据分类存在特征维数过高、冗余数据和高噪声等问题，现提出一种基于ReliefF和自适应粒子群（APSO）优化的混合降维算法．即先通过ReliefF和APSO算法选择特征子集，然后使用超限学习机作为评价函数对基因数据进行分类，最后通过循环迭代得到最优的分类精度．实验证明，混合降维算法与已有的算法相比分类精度更高、更稳定，它适用于基因表达数据降维．

简介：为了避免成像物体在核磁共振成像（magneticresonanceimaging,MRI）系统实际操作中的旋转难题,现提出一种基于径向基函数（radialbasisfunction,RBF）神经网络和微分进化（differentialevolution,DE）思想的磁共振电阻抗成像（magneticresonanceelectricalimpedancetomography,MREIT）算法.该算法只利用单方向磁感应强度,首先RBF神经网络对肺部仿真模型可行域电阻值和仿真计算磁场强度与真实电磁场强度之间的不匹配目标函数建立非线性模型,其次用微分进化算法寻找最优解.通过在二维、三维肺部仿真模型的仿真实验研究.结果表明,该算法在允许的误差范围内可以有效地对病变的肺部组织进行阻抗图像重构,统计结果与基于微分进化思想的MREIT算法相比,明显缩短了计算复杂度与计算时间.

简介：基于Flink平台对并行Apriori算法进行设计和实现.采用MapReduce计算框架对并行Apirori算法的迭代过程进行设计,并将Flink的流处理和内存缓存应用于算法的实现,从而了Apriori算法在并行计算下的挖掘速度.实验结果表明,基于Flink平台实现的并行Apriori算法对大数据处理有着良好的适应能力,并且在算法迭代次数和迭代产生的频繁项集较多的情况下,拥有较快的挖掘速度.

简介：在视频编码中,DCT系数分布模型是率失真理论模型的基础,视频量化一般可分别为硬判决量化（HDQ）以及软判决量化（SDQ）,SDQ算法能实现最优编码性能,但其中维特比算法会导致严重的系数间串行处理依赖.比较而言,基于死区（deadzone）的HDQ算法率失真性能略有损失,但是不考虑系数间的相关性.提出了一种基于分段逼近TCM模型（TransparentCompositeModel）的自适应硬判决量化算法,采用更精确的DCT分布估计模型,估算不同频率分量DCT系数的分布参数.根据模型参数及DCT系数分布参数,优化构造自适应的死区偏移量模型.实验表明,相对于固定偏移量HDQ算法,其编码性能非常接近于SDQ算法.

简介：针对BPR模型收敛速度慢的问题，RandleS提出一种非均匀采样非隐式反馈数据方法AOBPR模型来加快收敛速度，可是该算法只能利用隐式反馈数据.为了改进其算法的不足，我们提出了一种将AOBPR模型与经典的基于矩阵分解的SVD＋＋算法相结合的算法AOBPR_SVD＋＋.改进后的算法不仅能利用隐式反馈数据也能利用显式反馈数据.最后通过在两个真实数据集中进行实验验证，表明改进后的算法可以获得更好的推荐效果.

简介：计步是惯性定位导航中重要环节之一,MEMS传感器在惯性定位导航中应用广泛,传统计步算法多采用基于加速度数据的峰值检算法.本算法融合了峰峰检测算法和穿越中间阈值算法,用户手持MEMS设备行走获取加速度计数据,进而算法推算行走的步数和轨迹.算法将从加速度采样数据中判断可能有效的计步点,算法判断这些点是否为有效计步点,进而得出行走的步数.最后结合步长、步数和航向信息推算行人的行走轨迹.实验结果显示,计步数据与实际步数误差为0.75%,推算的轨迹接近实际行走路径.该算法在不同人和不同环境中表现良好.

简介：在压缩感知、矩阵恢复等研究领域,弹性正则化方法引起了广泛的关注.由于该方法可以避免数据建模时（特别是解决复杂问题时）解出现大的波动,从而被视为解决相关问题的优秀方法之一.针对以上情况,提出基于Schattenp-norm最小化的矩阵恢复的弹性正则化模型,旨在加强解决复杂问题时的解的稳定性并改进矩阵恢复研究领域中基于核范数最小化逼近秩函数这一传统方法的缺陷.同时,为了解决提出的非凸模型,采用交替迭代算法和MM算法求解所提出的模型.实验结果表明,所提出的算法能够有效地恢复测量值较少的矩阵.

简介：针对目前缺少对LDPC码TDMP算法理论分析的问题,提出了TDMP算法的高斯近似.基于BP算法和对称条件,得到结果收敛的TDMP算法的高斯近似.利用高斯近似来分析TDMP算法的译码收敛性,为论证TDMP算法的优越性能提供了理论依据.基于Wimax标准,分别对BP算法和TDMP算法的高斯近似进行仿真.仿真结果表明,在相同情况下,TDMP算法译码收敛速度更快,需要的迭代次数更少.同时,给出了TDMP算法分别采用高斯近似和密度进化时的门限值,它们的差别仅为0.03～0.08dB.

简介：针对深层超限学习机算法在网络层数较浅时样本特征利用率低,和网络层数较深时样本特征经高层抽象后有效性降低的问题,本文提出了两种密集连接的多层超限学习机算法:Dense-HELM和Dense-KELM.这种密集连接的网络结构,使样本特征信息在层与层之间被充分利用,能够在不增加网络深度的情况下,显著提高算法的识别精度.最后,对文中提出的两种算法在20组基准数据集上进行实验,结果显示:本文提出的算法可以显著提高算法的识别精度,减少算法的训练时间,这表明所提出的算法具有有效性和实用性.

简介：行人再识别是视频监控领域的关键问题之一，难点在于不同摄像机中同一行人的图像差异较大．基于行人图像的标识可由图像中的语义属性组合间接表示的假设，现提出使用一种基于深度哈希函数的行人再识别算法．通过卷积神经网络学习得到哈希函数，结合多目标损失函数保证分类的准确和哈希编码的有效，使得相似的图像能够获得相似的哈希编码，最后比较哈希特征间的汉明距离进行再识别．实验结果表明，深度哈希特征能够有效地进行行人再识别，提高了算法的执行效率．

简介：提出一种解决大规模非负矩阵分解的分布式算法.非负矩阵分解一直是矩阵分解领域中的热点问题之一,已有一些相关的算法.但是,对于大规模的非负矩阵,至今尚无高效的方法.本文采用近来解决大数据的分布式思想和并行式计算方法,并将它们与传统的矩阵分解算法相结合,提出一种基于并行式计算的分布式网络算法,以此实现大规模的非负矩阵分解问题.实验结果表明,所提出的算法较一般的分布式算法与集中式矩阵分解的算法更加有效和快速.

简介：在室内定位中,针对移动标签的精确定位过程中所存在的定位精度低、非视距（non-line-of-sight,NLOS）现象与多径传播等问题,提出一种基于超宽带（Ultra-wideband,UWB）的线段近似双曲线定位算法,将二次双曲线方程转换为线性方程,结合到达时间差（Timedifferenceofarrival,TDOA）定位算法与三角形质心定位算法原理,可以实现高精度定位.经MATLAB仿真验证,该算法中的三线段近似双曲线的近似定位算法的平均距离误差是60.74cm,三加四线段近似双曲线的近似定位算法的平均距离误差是31.34cm,五线段近似双曲线的近似定位算法的平均距离误差是14.08cm.与迄今为止公布的文献相比,证明了该算法定位精度较高,在保证定位精度的同时,Chan算法运行一个周期所用时间为13.580s,线段近似双曲线算法运行一个周期所用时间最大为8.985s,算法复杂度大大的下降.

简介：随着大量需要被挖掘的数据变得越来越复杂,多维关联规则已经成为关联规则挖掘中最实用的内容之一.本文主要介绍了在多维关联规则挖掘过程中,针对同一种属性数据出现重复连接的情况,由此而提出的一种解决方案.通过对多值属性信息进行比较,去除重复连接的属性信息,保留有效信息,减少对数据库的扫描.由此对Apriori算法中连接步进行改进,最后通过布尔型关联规则挖掘数据信息并得到结果.相较于Apriori算法,改进算法能更加快速准确地发现知识,缩短挖掘所用的时间.

简介：针对推荐系统的准确性提出了一种优化算法，该算法首先利用用户的特征进行聚类，然后在聚类之后的各个聚簇中运用混合协同过滤框架为每个聚簇训练一个模型；同时在运用混合协同过滤时，针对传统的基于用户的协同过滤推荐算法在计算用户相似度方面进行了改进.实验表明，提出的优化算法显著提高了预测的准确性，从而提高了推荐结果的质量.

简介：极化码是目前唯一被理论证明可以达到香农极限的线性纠错信道编码，已经成为5G标准的信道编码技术方案．针对具有线性复杂度的接续删除译码算法进行了仿真．针对接续删除算法的高译码时延．深入研究了每个时钟周期的计算特点，并且介绍了各种改进方案．针对上述存在的不足进行分析和总结得到了新的研究方向，最后说明了极化码与LDPC码、Turbo码多模泽码器的研究可行性．

简介：代价敏感普遍应用于解决分类不平衡问题,但代价敏感算法一直没有一个客观的评价标准.本文提出一种针对代价敏感算法的分类精度计算方法,以平衡精度替换总体精度来有效地评定代价敏感算法的分类性能.相比于传统的总体精度,该平衡精度不会忽略小类样本的贡献.通过代价敏感超限学习机对基因表达数据进行分类对比实验,结果表明,平衡精度可以更为客观、合理地表示代价敏感算法的分类性能.

简介：对基因表达数据进行分类时,超限学习机（ELM）算法具有学习效率高、泛化能力强、分类精度高的优点.为了解决超限学习机算法受输入权值矩阵和隐含层偏差随机初始化的影响,本文利用自适应遗传算法（AGA）具有良好的全局搜索效果对超限学习机的输入权值矩阵和隐含层偏差进行优化,提出了基于自适应遗传算法优化超限学习机（AGA-ELM）的分类算法.通过实验表明,该算法与已有的ELM、GA-ELM以及SVM算法相比,分类精度更高,可用于基因数据分类.

简介：单隐层前向神经网络的学习能力是有限的.特别地,作为分类器,单隐层前向神经网络对于图像的复杂信息和不同图像之间的细节信息很难学习和处理.文章借鉴深度神经网络的思想,将单隐层矩阵输入的神经网络拓展到多隐层神经网络,并采用传统的反向传播算法对其训练并给出学习算法.通过多个数据库的实验对比,结果显示所提出的算法具有良好的效果.

简介：在视频编码器中，软判决量化可获得最优编码性能，但其中维特比算法会导致严重的系数间串行处理依赖．比较而言，基于死区的硬判决量化算法率失真性能有所损失，但不存在系数间依赖，且非常适合硬件并行流水处理．今采用离线统计的方法，分析余弦变换系数的分布情况，量化余数对量化的具体影响，构建了基于余弦变换系数分布参数，量化余数的自适应偏移模型．基于该模型提出一种内容自适应的硬判决量化算法．仿真结果表明，该算法在保证并行化处理的条件下，其编码性能相比于传统的硬判决量化有一定的提升，可接近软判决量化算法性能．