针对基于固定变换基的协同稀疏图像压缩感知(CS)重构算法不能充分利用图像自相似特性的问题,提出了一种改进的联合全变差与自适应低秩正则化的压缩感知重构方法。首先,通过图像块匹配法寻找结构相似块,并组成非局部相似块组;然后,以非...针对基于固定变换基的协同稀疏图像压缩感知(CS)重构算法不能充分利用图像自相似特性的问题,提出了一种改进的联合全变差与自适应低秩正则化的压缩感知重构方法。首先,通过图像块匹配法寻找结构相似块,并组成非局部相似块组;然后,以非局部相似块组加权低秩逼近替代协同稀疏表示中的三维小波变换域滤波;最后,结合梯度稀疏与非局部相似块组低秩先验构成重构模型的正则化项,并采用交替方向乘子法求解实现图像重构。实验结果表明,相比协同稀疏压缩感知重构(RCo S)算法,该方法重构图像的峰值信噪比平均可提升约2 d B,所提算法在准确描述图像非局部自相似结构特征的前提下显著提高了重构质量,更好地保留了图像的纹理细节信息。展开更多
K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角...K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o|¨)m型低秩近似LL^T来解决该问题.并只需计算小规模矩阵L^TL的特征值和特征向量,实现大规模K2DPCA/KPCA(kernel principal component anialysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K2DPCA/KPCA方法,新方法显著提高了识别率,并可以很大程度上克服噪声的影响;在Extended YaleB大型人脸数据库上的实验结果表明,此算法解决了K2DPCA核矩阵过大而不能有效实现的缺点.展开更多
This article introduces a novel low rank approximation (LRA)-based model to detect the functional regions with the data from about 15 million social media check-in records during a year-long period in Shanghai, China....This article introduces a novel low rank approximation (LRA)-based model to detect the functional regions with the data from about 15 million social media check-in records during a year-long period in Shanghai, China. We identified a series of latent structures, named latent spatio-temporal activity structures. While interpreting these structures, we can obtain a series of underlying associations between the spatial and temporal activity patterns. Moreover, we can not only reproduce the observed data with a lower dimensional representative, but also project spatio-temporal activity patterns in the same coordinate system. With the K-means clustering algorithm, five significant types of clusters that are directly annotated with a combination of temporal activities can be obtained, providing a clear picture of the correlation between the groups of regions and different activities at different times during a day. Besides the commercial and transportation dominant areas, we also detected two kinds of residential areas, the developed residential areas and the developing residential areas.We further interpret the spatial distribution of these clusters using urban form analytics. The results are highly consistent with the government planning in the same periods, indicating that our model is applicable to infer the functional regions from social media check-in data and can benefit a wide range of fields, such as urban planning, public services, and location-based recommender systems.展开更多
在结构健康监测(Structural Health Monitoring,SHM)技术中,基于Lamb波的损伤监测方法在板状结构中显示出了巨大的潜力。提出了一种基于近似非凸鲁棒主成分分析(Approximate Non-Convex Robust Principal Component Analysis,ANC-RPCA)...在结构健康监测(Structural Health Monitoring,SHM)技术中,基于Lamb波的损伤监测方法在板状结构中显示出了巨大的潜力。提出了一种基于近似非凸鲁棒主成分分析(Approximate Non-Convex Robust Principal Component Analysis,ANC-RPCA)的异常值分析方法。该算法对于高维测量信号,能够在降维条件下实现有效的损伤诊断。通过使用秩近似函数逼近矩阵的秩,采用非凸惩罚函数逼近?_(0)范数,非凸惩罚函数在一定条件下可以保证稀疏解的唯一性。随着数据矩阵规模的扩大,传统的RPCA采用核范数近似时,奇异值分解的计算复杂度也会上升。新的近似方法能在使计算效率更高的情况下,针对波场图像能够在更低秩的水平下保留有效信息,识别出异常值。将该算法运用到基于Lamb波的波场图像中,通过仿真和实验数据验证其有效性,使用非精确增广拉格朗日乘子(Inexact Augmented Lagrange Multiplier,IALM)法求解,并与目前使用较多的主流RPCA算法进行了效果对比。实验结果表明ANC-RPCA算法在异常值识别中具有良好的性能,相较于其他算法,在计算效率和低秩性等方面具有巨大的优势,证明了所提算法的可靠性和完整性。展开更多
为了解决基于低秩正则化的图像压缩感知重构算法不能充分利用图像局部梯度稀疏特性的问题,提出了一种基于低秩与全变差正则化的图像压缩感知重构算法.首先,通过图像块匹配法寻找结构相似的图像块,组成非局部相似块组;其次,联合相似块矩...为了解决基于低秩正则化的图像压缩感知重构算法不能充分利用图像局部梯度稀疏特性的问题,提出了一种基于低秩与全变差正则化的图像压缩感知重构算法.首先,通过图像块匹配法寻找结构相似的图像块,组成非局部相似块组;其次,联合相似块矩阵低秩与图像梯度稀疏先验组成正则化项,结合传统的压缩感知模型形成新模型;最后,采用交替方向乘子法实现图像的重构.测试图像为自然灰度图像,为了验证算法的有效性,从主观视觉和峰值信噪比两方面进行对比.试验结果表明,和基于低秩正则化的图像压缩感知算法相比,该算法在准确描述图像非局部自相似性结构特征的前提下提高了重构质量,重构的图像在峰值信噪比上平均提升1 d B.展开更多
监测数据的完整性和可用性是工业大数据时代信息提取与知识发掘的前提和基础。然而由于采集中断、传输干扰、存储不当等诸多原因,监测数据的缺失问题在工业场景中频繁发生,严重影响数据价值密度。提出一种基于SVD-KDR的高精度、高鲁棒...监测数据的完整性和可用性是工业大数据时代信息提取与知识发掘的前提和基础。然而由于采集中断、传输干扰、存储不当等诸多原因,监测数据的缺失问题在工业场景中频繁发生,严重影响数据价值密度。提出一种基于SVD-KDR的高精度、高鲁棒性缺失数据插补算法。该方法将一维工业数据转换为高维矩阵,弥补了传统方法直接从低维空间插补工业监测数据的维度局限。通过发掘插补过程中非缺失数据的低秩特性,借助奇异值分解理论(Singular value decomposition,SVD)建立了鲁棒性更强的SVD-KDR算法模型,有效减弱了缺失数据对参数估计精度的不利影响。试验结果表明,相比于传统插补算法,所提出算法在高缺失率下仍具有较高插补精度和稳健性。此外,该方法不仅能够有效恢复缺失数据的波形,而且能充分还原原始数据所蕴含的波动信息。提出的SVD-KDR算法可有效解决数据缺失问题,为工业大数据分析提供了数据恢复与信息处理工具。展开更多
文摘针对基于固定变换基的协同稀疏图像压缩感知(CS)重构算法不能充分利用图像自相似特性的问题,提出了一种改进的联合全变差与自适应低秩正则化的压缩感知重构方法。首先,通过图像块匹配法寻找结构相似块,并组成非局部相似块组;然后,以非局部相似块组加权低秩逼近替代协同稀疏表示中的三维小波变换域滤波;最后,结合梯度稀疏与非局部相似块组低秩先验构成重构模型的正则化项,并采用交替方向乘子法求解实现图像重构。实验结果表明,相比协同稀疏压缩感知重构(RCo S)算法,该方法重构图像的峰值信噪比平均可提升约2 d B,所提算法在准确描述图像非局部自相似结构特征的前提下显著提高了重构质量,更好地保留了图像的纹理细节信息。
文摘K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o|¨)m型低秩近似LL^T来解决该问题.并只需计算小规模矩阵L^TL的特征值和特征向量,实现大规模K2DPCA/KPCA(kernel principal component anialysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K2DPCA/KPCA方法,新方法显著提高了识别率,并可以很大程度上克服噪声的影响;在Extended YaleB大型人脸数据库上的实验结果表明,此算法解决了K2DPCA核矩阵过大而不能有效实现的缺点.
基金the Open Research Fund Program of Shenzhen Key Laboratory of Spatial Smart Sensing and Services%sponsored by the Scientific Research Foundation for the Returned Overseas Chinese Scholars, State Education Ministry(grant number 50-20150618)%National Natural Science Foundation of China (grant numbers 41001220, 51378512, 41571397, and 41501442)This work was also supported by the Special Program for Applied Research on Super Computation of the NSFC-Guangdong Joint Fund
文摘This article introduces a novel low rank approximation (LRA)-based model to detect the functional regions with the data from about 15 million social media check-in records during a year-long period in Shanghai, China. We identified a series of latent structures, named latent spatio-temporal activity structures. While interpreting these structures, we can obtain a series of underlying associations between the spatial and temporal activity patterns. Moreover, we can not only reproduce the observed data with a lower dimensional representative, but also project spatio-temporal activity patterns in the same coordinate system. With the K-means clustering algorithm, five significant types of clusters that are directly annotated with a combination of temporal activities can be obtained, providing a clear picture of the correlation between the groups of regions and different activities at different times during a day. Besides the commercial and transportation dominant areas, we also detected two kinds of residential areas, the developed residential areas and the developing residential areas.We further interpret the spatial distribution of these clusters using urban form analytics. The results are highly consistent with the government planning in the same periods, indicating that our model is applicable to infer the functional regions from social media check-in data and can benefit a wide range of fields, such as urban planning, public services, and location-based recommender systems.
文摘为了解决基于低秩正则化的图像压缩感知重构算法不能充分利用图像局部梯度稀疏特性的问题,提出了一种基于低秩与全变差正则化的图像压缩感知重构算法.首先,通过图像块匹配法寻找结构相似的图像块,组成非局部相似块组;其次,联合相似块矩阵低秩与图像梯度稀疏先验组成正则化项,结合传统的压缩感知模型形成新模型;最后,采用交替方向乘子法实现图像的重构.测试图像为自然灰度图像,为了验证算法的有效性,从主观视觉和峰值信噪比两方面进行对比.试验结果表明,和基于低秩正则化的图像压缩感知算法相比,该算法在准确描述图像非局部自相似性结构特征的前提下提高了重构质量,重构的图像在峰值信噪比上平均提升1 d B.
文摘监测数据的完整性和可用性是工业大数据时代信息提取与知识发掘的前提和基础。然而由于采集中断、传输干扰、存储不当等诸多原因,监测数据的缺失问题在工业场景中频繁发生,严重影响数据价值密度。提出一种基于SVD-KDR的高精度、高鲁棒性缺失数据插补算法。该方法将一维工业数据转换为高维矩阵,弥补了传统方法直接从低维空间插补工业监测数据的维度局限。通过发掘插补过程中非缺失数据的低秩特性,借助奇异值分解理论(Singular value decomposition,SVD)建立了鲁棒性更强的SVD-KDR算法模型,有效减弱了缺失数据对参数估计精度的不利影响。试验结果表明,相比于传统插补算法,所提出算法在高缺失率下仍具有较高插补精度和稳健性。此外,该方法不仅能够有效恢复缺失数据的波形,而且能充分还原原始数据所蕴含的波动信息。提出的SVD-KDR算法可有效解决数据缺失问题,为工业大数据分析提供了数据恢复与信息处理工具。
