传统的线性主动噪声控制算法在噪声信号或噪声通道呈现非线性特性的情况下控制效果不佳。核-滤波最小均方误差算法(Kernel Filtered x Least Mean Square,KFxLMS)通过将输入噪声信号映射到高维再生核希尔伯特空间,再用线性方法在高维空...传统的线性主动噪声控制算法在噪声信号或噪声通道呈现非线性特性的情况下控制效果不佳。核-滤波最小均方误差算法(Kernel Filtered x Least Mean Square,KFxLMS)通过将输入噪声信号映射到高维再生核希尔伯特空间,再用线性方法在高维空间中进行处理。然而,随着新噪声信号的输入,KFxLMS算法递增的核函数运算需要较高的成本。为进一步改进KFxLMS算法,本文提出了随机傅里叶特征核滤波最小均方误差算法(Random Fourier Feature-Kernel Filtered x Least Mean Square,RFF-KFxLMS)。在仿真实验部分讨论了算法的参数选择,给出了算法的计算耗时,并验证了提出的RFF-KFxLMS算法在非线性噪声通道情况下,针对不同频率分量的正弦噪声都能够达到理想的性能。展开更多
图像中的异常检测是计算机视觉中非常重要的研究主题,它可以定义为单分类问题;针对图像数据集的规模大,维度高等特性,一种新的深度卷积自编码器(CAE,convolutional autoencoder)与核近似单分类支持向量机(OCSVM,one class support vecto...图像中的异常检测是计算机视觉中非常重要的研究主题,它可以定义为单分类问题;针对图像数据集的规模大,维度高等特性,一种新的深度卷积自编码器(CAE,convolutional autoencoder)与核近似单分类支持向量机(OCSVM,one class support vector machine)相结合的异常检测模型CAE-OCSVM被提出;模型中的深度卷积自编码器负责学习图像的本质特征表示,然后使用随机傅里叶特征对卷积自编码器学习到的本质特征进行核近似,核近似后输入线性单类支持向量机进行图像异常检测;核近似技术克服了核学习技术时间复杂度高的问题;同时深度卷积自编码器与核近似单类支持向量机通过梯度下降法实现了端到端的学习;模型的AUC性能在4个公开的图像基准数据集上进行了实验验证,同时模型与其它常用的异常检测模型在不同的异常率的情况下进行了性能对比;实验结果证实CAE-OCSVM模型在4个公开图像数据集上的性能都优于其它异常检测模型,表明了CAE-OCSVM模型更适合大规模高维数据集的异常检测。展开更多
为优化图像配准后轮廓模糊、总体分布形状不完整等问题,提出一种多维度视觉传达下投影变换图像配准仿真。为保留配准后图像能够完整保留不同分辨率下的特征,采用LOG(Laplacian of Gaussian)算子提取图像轮廓。将每个轮廓形状的描述子视...为优化图像配准后轮廓模糊、总体分布形状不完整等问题,提出一种多维度视觉传达下投影变换图像配准仿真。为保留配准后图像能够完整保留不同分辨率下的特征,采用LOG(Laplacian of Gaussian)算子提取图像轮廓。将每个轮廓形状的描述子视为形状的特征向量,通过傅里叶特征匹配算法匹配提取出的不同图像轮廓,获得轮廓对应点对,将其作为投影变换的映射点,得到配准后图像。仿真中,对比分析所提方法和传统方法的配准效果,结果表明所提方法没有明显的误配准,且图像间的连接平滑自然,具有一定的可行性和有效性。展开更多
文摘传统的线性主动噪声控制算法在噪声信号或噪声通道呈现非线性特性的情况下控制效果不佳。核-滤波最小均方误差算法(Kernel Filtered x Least Mean Square,KFxLMS)通过将输入噪声信号映射到高维再生核希尔伯特空间,再用线性方法在高维空间中进行处理。然而,随着新噪声信号的输入,KFxLMS算法递增的核函数运算需要较高的成本。为进一步改进KFxLMS算法,本文提出了随机傅里叶特征核滤波最小均方误差算法(Random Fourier Feature-Kernel Filtered x Least Mean Square,RFF-KFxLMS)。在仿真实验部分讨论了算法的参数选择,给出了算法的计算耗时,并验证了提出的RFF-KFxLMS算法在非线性噪声通道情况下,针对不同频率分量的正弦噪声都能够达到理想的性能。
文摘图像中的异常检测是计算机视觉中非常重要的研究主题,它可以定义为单分类问题;针对图像数据集的规模大,维度高等特性,一种新的深度卷积自编码器(CAE,convolutional autoencoder)与核近似单分类支持向量机(OCSVM,one class support vector machine)相结合的异常检测模型CAE-OCSVM被提出;模型中的深度卷积自编码器负责学习图像的本质特征表示,然后使用随机傅里叶特征对卷积自编码器学习到的本质特征进行核近似,核近似后输入线性单类支持向量机进行图像异常检测;核近似技术克服了核学习技术时间复杂度高的问题;同时深度卷积自编码器与核近似单类支持向量机通过梯度下降法实现了端到端的学习;模型的AUC性能在4个公开的图像基准数据集上进行了实验验证,同时模型与其它常用的异常检测模型在不同的异常率的情况下进行了性能对比;实验结果证实CAE-OCSVM模型在4个公开图像数据集上的性能都优于其它异常检测模型,表明了CAE-OCSVM模型更适合大规模高维数据集的异常检测。
文摘为优化图像配准后轮廓模糊、总体分布形状不完整等问题,提出一种多维度视觉传达下投影变换图像配准仿真。为保留配准后图像能够完整保留不同分辨率下的特征,采用LOG(Laplacian of Gaussian)算子提取图像轮廓。将每个轮廓形状的描述子视为形状的特征向量,通过傅里叶特征匹配算法匹配提取出的不同图像轮廓,获得轮廓对应点对,将其作为投影变换的映射点,得到配准后图像。仿真中,对比分析所提方法和传统方法的配准效果,结果表明所提方法没有明显的误配准,且图像间的连接平滑自然,具有一定的可行性和有效性。
