模式识别与人工智能
   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能
22 学术不端论文认定及处理办法
22 版权转让协议
22 保密证明
22 录用稿件电子版要求
22 修改说明格式
更多....
22 中国自动化学会
22 国家智能计算机研发中心
22 中科院合肥智能机械所
更多....
 
 
2016年 29卷 1期 刊出日期 2016-01-30
论文与报告
研究与应用
 
论文与报告
1 一种改进的非局部均值去噪算法*
蔡斌，刘卫，郑重，汪增福
针对非局部均值去噪算法在图像块相似度计算方面存在的不足，提出计入图像旋转对相似度贡献的、效果更好的图像块匹配算法.为了获得与给定像素点邻域相似的图像子块，首先对给定像素点周边的相关邻域子块按灰度值大小排序，计算其与同样按灰度值大小排序的给定像素点邻域子块之间的距离，据此筛选出灰度分布相似的图像子块作为候选集，更进一步在候选集中选出结构上更为相似的图像子块.同时为了克服噪声影响，在计算子块相似度之前对输入图像进行预滤波处理.实验表明，与原始的非局部均值去噪算法相比，文中算法在峰值信噪比、平均结构相似性及主观视觉效果等方面均具有一定优势，特别是在噪声较大时，文中算法的去噪效果更好.
2016 Vol. 29 (1): 1-10 [摘要] ( 1116 ) [HTML 1KB] [PDF 1362KB] ( 927 )
11 快速可扩展的子空间聚类算法*
刘博，谢博鋆，朱杰，景丽萍，于剑
子空间聚类算法只能处理小规模数据，且无法处理样本外数据.针对此问题，文中提出采用二次采样策略的子空间聚类框架(TSSC).该框架由两个核心部件组成:判别性协作表示(DCR)与多尺度K近邻(KNN)采样方法.在TSSC中，DCR首先结合多尺度KNN对数据点进行特征变换，从而保证属于同一子空间的点有更一致的表示.为了提高算法的可扩展性，TSSC在新的特征空间中使用多尺度KNN对数据进行二次采样，并根据采样点获得的初步聚类结果训练线性分类器，最后根据学习得到的分类器对剩余样本点进行分类，获得最终的聚类结果.在真实数据集上的实验验证TSSC的有效性.
2016 Vol. 29 (1): 11-21 [摘要] ( 551 ) [HTML 1KB] [PDF 1268KB] ( 568 )
22 基于混合粒子滤波和稀疏表示的目标跟踪算法
周治平，周明珠，李文慧

针对图像序列中的运动目标在跟踪过程中易受到光照等复杂环境、外观变化及部分遮挡影响的问题，提出基于全局信息和局部信息的混合粒子滤波算法.将目标的局部二元模式纹理特征引入粒子滤波算法，通过稀疏编码目标子块，充分利用目标的局部空间信息，并结合全局信息以确定当前帧中目标的位置.在跟踪过程中实时更新模板，这在一定程度上提高算法的鲁棒性.实验表明在目标处于复杂环境中算法能达到较理想的跟踪效果.
2016 Vol. 29 (1): 22-30 [摘要] ( 489 ) [HTML 1KB] [PDF 4785KB] ( 616 )
31 潜在最小二乘回归子空间分割方法*
陈晓云，陈慧娟
子空间分割已逐渐成为高维数据聚类的有效工具，但数据缺失或噪声干扰将直接影响子空间分割方法中仿射矩阵的构造，进而影响聚类效果.为解决这一问题，文中提出潜在最小二乘回归子空间分割方法，分别从行和列两个方向重构数据矩阵，并交替优化两个重构系数矩阵，充分考虑两个方向的表示信息.在6个基因表达数据集上的实验表明文中方法优于现有子空间分割方法.
2016 Vol. 29 (1): 31-38 [摘要] ( 507 ) [HTML 1KB] [PDF 584KB] ( 742 )
39 结合Tri-training半监督学习和凸壳向量的SVM主动学习算法*
徐海龙，龙光正，别晓峰，吴天爱，郭蓬松
为解决监督学习过程中难以获得大量带有类标记样本且样本数据标记代价较高的问题，结合主动学习和半监督学习方法，提出基于Tri-training半监督学习和凸壳向量的SVM主动学习算法.通过计算样本集的壳向量，选择最有可能成为支持向量的壳向量进行标记.为解决以往主动学习算法在选择最富有信息量的样本标记后，不再进一步利用未标记样本的问题，将Tri-training半监督学习方法引入SVM主动学习过程，选择类标记置信度高的未标记样本加入训练样本集，利用未标记样本集中有利于学习器的信息.在UCI数据集上的实验表明，文中算法在标记样本较少时获得分类准确率较高和泛化性能较好的SVM分类器，降低SVM训练学习的样本标记代价.
2016 Vol. 29 (1): 39-46 [摘要] ( 483 ) [HTML 1KB] [PDF 556KB] ( 516 )
研究与应用
47 区间值属性的单调决策树算法*
陈建凯，王 鑫，何强，王熙照
目前存在的一些区间值属性决策树算法都是在无序情况下设计的，未考虑条件属性和决策属性之间的序关系.针对这些算法处理有序分类问题的不足，提出区间值属性的单调决策树算法，用于处理区间值属性的单调分类问题.该算法利用可能度确定区间值属性的序关系，使用排序互信息度量区间值属性的单调一致程度，通过排序互信息的最大化选取扩展属性.此外，将非平衡割点应用到区间值属性决策树构建过程中，减少排序互信息的计算次数，提高计算效率.实验表明文中算法提高了效率和测试精度.
2016 Vol. 29 (1): 47-53 [摘要] ( 531 ) [HTML 1KB] [PDF 480KB] ( 622 )
54 深度计算的同辈群体股市态势预测算法*
姚宏亮，洪竞帆，王浩
针对同辈群体的同辈群体算法(PG)的不足，提出深度计算的同辈群体生成算法.首先计算目标股票和候选股票之间的波段相似性，然后通过对亲密度、相关性和活跃度的深度计算，生成目标股票的同辈群体，并证明深度计算生成的同辈群体质量优于PG算法.针对PG算法不具有预测功能，通过结合自回归(AR)模型与同辈群体算法，提出基于同辈群体的自回归股价态势预测算法(DPG-AR).DPG-AR利用深度计算生成同辈群体，实现同辈群体权重的动态更新，并利用AR模型预测目标股票态势.上海证券综合指数及对应个股的对比实验证明DPG-AR的优越性.
2016 Vol. 29 (1): 54-62 [摘要] ( 435 ) [HTML 1KB] [PDF 468KB] ( 665 )
63 基于形状参数回归的人脸对齐算法*
彭明超，包姣，叶茂，苟群森，王梦伟
针对传统人脸对齐算法效率较低等问题，提出基于形状参数回归的人脸对齐算法.首先，采用人脸形状空间约束人脸，以低维形状参数刻画人脸形状.然后，在二级形状参数回归算法框架下，结合明确形状特征索引方法和多重随机特征选择方法，学习一系列形状参数回归量，最终刻画对齐的人脸形状.文中算法减少数据存储量，提高人脸对齐速度，在复杂人脸数据库上取得较好效果.此外，该算法能直接应用于手机、平板电脑等低端设备上.
2016 Vol. 29 (1): 63-71 [摘要] ( 705 ) [HTML 1KB] [PDF 1227KB] ( 1090 )
72 基于非均匀采样的相关系数最大化曲线排齐方法*
张文凯，王文剑，姜高霞
在函数型数据分析中，为提高曲线排齐效率，提出如下2种非均匀采样方法对函数曲线进行排齐:基于斜率的非均匀采样(SBNS)和基于弧长的非均匀采样(ALBNS).SBNS按照函数曲线的斜率大小采样，ALBNS在函数曲线的弧长上采样.这两种方法都不是在时间轴上均匀采样，而是根据曲线的形状特征进行采样，因此可在一定程度上克服均匀采样方法由于采样点数量和位置分配不当而产生的缺陷，提高曲线排齐效果.在模拟数据和真实数据上的实验表明，两种方法在时间效率和效果上均优于均匀采样方法.
2016 Vol. 29 (1): 72-81 [摘要] ( 425 ) [HTML 1KB] [PDF 1159KB] ( 480 )
82 基于维度频率相异度和强连通融合的混合数据聚类算法*
钱潮恺，黄德才
k-Prototypes算法对初始点选取的敏感性导致聚类结果具有随机性，并且忽视样本数据点与聚类集合中已有样本的总体差异.针对此问题，文中提出基于维度频率相异度和强连通融合的混合数据聚类算法，首先通过多次预聚类产生大量子簇，然后根据子簇之间的连通关系，采用强连通融合的策略得到最终的聚类结果.在UCI数据库中3个混合属性数据集上的实验表明，相比k-Prototypes算法及已有的混合属性聚类算法，文中算法具有更好的聚类质量，从而验证文中算法的优越性.
2016 Vol. 29 (1): 82-89 [摘要] ( 385 ) [HTML 1KB] [PDF 484KB] ( 527 )
90 基于超松弛迭代的标签传播算法*
葛芳，郭有强，王年
针对标签传播算法中存在的问题，将超松弛迭代引入标签传播算法，解决标签序列的优化问题，提出基于超松弛迭代的标签传播算法(ORLP).该算法使用正负标签的方式标记已知样本，通过在近邻点间学习分类的方式预测未知样本的标签信息，同时在每次迭代时都能较好地保留初始标记点的标签信息，以指导下一次的标签传递过程.基于超松弛迭代推导ORLP的标签传播公式，同时证明标签序列的收敛性，得到标签序列的收敛解.实验表明，ORLP具有较高的分类准确率和较快的收敛速度.
2016 Vol. 29 (1): 90-96 [摘要] ( 419 ) [HTML 1KB] [PDF 480KB] ( 749 )
模式识别与人工智能
 

主管：中国科学技术协会
主办：中国自动化学会
　　　国家智能计算机研究开发中心
　　　中国科学院合肥智能机械研究所
出版：科学出版社
 
版权所有 © 《模式识别与人工智能》编辑部
地址：安微省合肥市蜀山湖路350号　电话：0551-65591176　传真：0551-65591176　Email：bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn