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 6期 刊出日期 2016-06-30

论文与报告
研究与应用
 
论文与报告
481 适用于动态对焦的高精度灵活标定方法*
周佳立,贾禄帅,武敏
处于动态对焦过程及不同对焦状态下的相机内参会不断变化.文中通过在镜头对焦环上加装角度传感器的方式,提出基于动态对焦过程以主距增量为参数的相机模型,实现任意对焦状态和距离下相机内参数的求解.利用定制的三平面立体标定靶,设计一种高鲁棒性的标定方法.与传统模型相比,该模型基本未增加额外约束条件,可操作性较强.实验表明,文中模型及相应标定方法具有更强的图像校正能力,从而提高摄影测量精度.
2016 Vol. 29 (6): 481-491 [摘要] ( 451 ) [HTML 1KB] [PDF 2888KB] ( 615 )
492 显著特征融合的主颜色聚类分割算法*
司马海峰,米爱中,王志衡,杜守恒
针对颜色密度聚类分割模型容易产生误分割的问题,提出基于视觉显著性调节的主颜色聚类分割算法.首先,根据空间颜色信息和Mean-shift算法平滑结果分别计算图像的全局显著特征和区域显著特征,并融合2类显著特征作为特征空间聚类的约束项.然后,采用核密度估计方法计算图像主颜色作为初始类,并将显著特征作为调节因子进行聚类分割.最后,进行区域合并.在标准的分割图像库上进行实验并与多种算法对比,结果表明,文中算法具有更高的区域轮廓准确度,并且有效利用图像显著特征,降低密度聚类形成的区域不一致性,提高像素聚类的精度和分割的鲁棒性.
2016 Vol. 29 (6): 492-503 [摘要] ( 499 ) [HTML 1KB] [PDF 3328KB] ( 1124 )
504 基于组合半监督的增量支持向量机学习算法*
郭虎升,王文剑,潘世超
增量支持向量机(ISVM)由于在每次增量学习过程中无法选择最有效的增量样本,导致模型的泛化性能较差.针对此问题,文中提出基于组合半监督方式的增量支持向量机学习算法(ICS3VM).通过将大量的无标记样本分批进行组合标记以选择最优的增量样本,即每次选择位于分类间隔内部的最有价值样本加入训练集,以此修正模型.同时选择分类间隔最大的一组标记作为最终标记,确保标记的准确性.在标准数据集上的实验表明,ICS3VM能以较高的学习效率提高模型的泛化性能.
2016 Vol. 29 (6): 504-510 [摘要] ( 378 ) [HTML 1KB] [PDF 426KB] ( 501 )
511 正则化独立测度矩阵的行人再识别*
齐美彬,王运侠,檀胜顺,刘皓,蒋建国
针对当前基于距离测度学习的行人再识别算法中因训练样本少而出现的过拟合问题,提出正则化独立测度矩阵的行人再识别算法.该算法首先在4个不同的颜色空间单独学习测度矩阵,然后分别对相应的测度矩阵进行正则化,测试样本通过正则化后的测度矩阵进行相似性度量,最后结合相似性度量结果得到最终相似度.实验表明,相比原有算法,文中算法在性能上有进一步提升,并可改善训练样本少时出现的过拟合问题.
2016 Vol. 29 (6): 511-518 [摘要] ( 453 ) [HTML 1KB] [PDF 427KB] ( 595 )
519 基于加权均方残差的改进双聚类算法*
刘文华,梁永全,冯政
现有的双聚类算法缺乏发现具有重叠结构双聚类的能力,无法有效发现基因表达数据中隐藏的相应双聚类结构,并且在增删条件过程中均未考虑条件重要性对双聚类结果的影响.针对上述问题,文中提出基于加权均方残差的改进双聚类算法.首先利用重叠率和隶属度控制的模糊划分将基因集划分为初始双聚类,然后在最小化目标函数过程中迭代修改各双簇中条件的权重,最后利用加权的均方残差添加符合条件的基因,删除优化的双聚类中一致波动性不好的基因,得到最终的双聚类集.实验表明,文中算法不仅能生成具有共表达水平大小不同的双簇,并且能将重叠率控制在合理范围内.
2016 Vol. 29 (6): 519-526 [摘要] ( 452 ) [HTML 1KB] [PDF 520KB] ( 595 )
研究与应用
527 通信辐射源个体识别中基于l2正则化的最大相关熵算法*
唐哲,雷迎科
为了衡量通信辐射源细微特征间的相似性,提出基于l2正则化的最大相关熵通信辐射源个体识别算法.首先提取通信辐射源信号矩形积分双谱特征表征辐射源个体差异,并构造基于l2正则化的最大相关熵准则的优化模型.然后利用半二次优化方法,将非线性的优化问题转化为加权线性最小二乘问题.最后利用有效集算法得到稀疏系数,并利用系数的判别信息构造分类器,实现通信辐射源的个体识别.在实际采集的同厂家同型号的FM电台数据集上验证文中算法的可行性与有效性.
2016 Vol. 29 (6): 527-533 [摘要] ( 311 ) [HTML 1KB] [PDF 480KB] ( 457 )
534 基于衣物共现信息与多任务学习的衣物识别*
郝志峰,凌穗谊,温雯,蔡瑞初,袁畅
多任务学习(MTL)未考虑先验概率对学习的影响.针对这一问题,文中提出基于衣物共现信息与多任务学习的衣物识别方法(CA-MLT),通过在MTL模型中加入先验约束项整合衣物共现信息,并对传统的扩展梯度算法进行相应的修改,从而提高衣物类别分类器的性能.实验表明,CA-MLT的平均性能优于单一任务学习、神经网络及传统的多任务学习等方法,训练结果便于可视化,可用于特征选择.
2016 Vol. 29 (6): 534-541 [摘要] ( 387 ) [HTML 1KB] [PDF 518KB] ( 870 )
542 基于困惑度数据挑选的半监督声学建模*
解传栋,郭武
针对资源稀少情况下小语种的声学建模问题,提出根据解码后文本的困惑度挑选无监督数据并重新训练声学模型的策略.使用少量精标数据训练得到一个初始种子模型后,解码大量无监督数据,计算解码后的文本与精标数据文本的困惑度,从中挑选与精标数据相近的数据,再将这些数据与原有精标数据共同用于声学模型训练.为了提高解码的无监督数据的正确性,在基于深层神经网络的模型参数训练中,当最后一次模型参数更新时只使用精标数据修正网络参数.在NIST 2015年关键词识别比赛中Swahili语的VLLP识别任务上,相比其它方法,文中方法的识别率有一定提升.
2016 Vol. 29 (6): 542-547 [摘要] ( 342 ) [HTML 1KB] [PDF 367KB] ( 562 )
548 基于多标签传播机制的蛋白质相互作用网络功能模块检测*
韩跃,冀俊忠,杨翠翠
鉴于多标签传播算法在发现社会网络的社区结构研究上具有快速、高效的求解能力,提出融合多源蛋白质生物学知识的基于多标签传播机制的蛋白质相互作用(PPI)网络功能模块检测算法.首先,结合PPI网络功能信息和结构信息初始化节点的标签.然后,利用基因表达数据描述蛋白质间的共表达性,依据共表达性构建标签集合,从中选择标签以实现标签在节点间真实可靠的传播.最后,将具有相同标识符的节点划分到同一功能模块中,获得最终结果.实验表明文中算法不仅具有良好的时间性能,而且在检测精度上也具有一定的竞争性.
2016 Vol. 29 (6): 548-557 [摘要] ( 439 ) [HTML 1KB] [PDF 567KB] ( 452 )
558 基于量子行为粒子群优化的软子空间聚类算法*
许亚骏,吴小俊
针对软子空间聚类算法搜寻聚类中心点容易陷入局部最优的缺点,提出在软子空间聚类框架下,结合量子行为粒子群优化(QPSO)和梯度下降法优化软子空间聚类目标函数的模糊聚类算法.根据QPSO全局寻优的特点,求解子空间中全局最优中心点,利用梯度下降法收敛速度快的特点,求解样本点的模糊权重和隶属度矩阵,最终获取样本点的最优聚类结果.在UCI数据集上的实验表明,文中算法可提高聚类精度和聚类结果的稳定性.
2016 Vol. 29 (6): 558-566 [摘要] ( 394 ) [HTML 1KB] [PDF 449KB] ( 486 )
567 基于多标记重要性排序的分类器链算法*
李娜,潘志松,周星宇
多标记分类器链中标记的预测顺序具有随机性,导致学习性能下降,容易造成错误信息的传递.考虑到标记的顺序性,文中提出基于多标记重要性排序的分类器链算法.该算法将标记间相互作用程度的大小作为衡量标记重要程度的依据,在标记相关性的基础上,按照重要性进行标记排序,并将排序结果作为分类器链算法中分类器的顺序,从而解决多标记预测顺序的问题.实验表明,相比现有方法,文中算法在多个数据集上能更稳定有效地分类多标记.
2016 Vol. 29 (6): 567-575 [摘要] ( 514 ) [HTML 1KB] [PDF 483KB] ( 940 )
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