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
学术不端论文认定及处理办法
版权转让协议
保密证明
录用稿件电子版要求
修改说明格式
更多....
中国自动化学会
国家智能计算机研发中心
中科院合肥智能机械所
更多....
2016年 29卷 9期 刊出日期 2016-09-30
论文与报告
研究与应用
论文与报告
769
光场深度估计方法的对比研究
*
高隽，王丽娟，张旭东，张骏
为了更有效地利用光场信息实现场景深度的精确估计，文中回顾并深入探讨光场的深度估计问题。通过阐述光场基本理论，将光场深度估计归纳为基于极平面图像、多视角图像及重聚焦的3种方法。在合成数据集上，对比光照变化对不同算法性能的影响，并构建一个更全面且具有挑战性的光场数据集。在该数据集、光场标准数据集及LytroDataset上，定性及定量分析不同复杂场景对算法性能的影响，进一步指出该领域的研究方向。
2016 Vol. 29 (9): 769-779 [
摘要
] (
895
) [
HTML
1KB] [
PDF
1839KB] (
1406
)
780
基于非平稳割点的大数据分类样例选择
*
王熙照，邢 胜，赵士欣
针对传统样例选择方法压缩大数据集时，存在计算复杂度较高、时间消耗较大的问题，文中提出基于非平稳割点的样例选择方法。依据在区间端点得到凸函数的极值这一基本性质，通过标记非平衡割点度量一个样例为端点的程度，然后选取端点程度较高的样例，从而避免样例之间距离的计算。该方法旨在不影响分类精度的前提下，达到压缩数据集、提高计算效率的目的。实验表明，文中方法对于类别不平衡度较高的数据集压缩效果明显，同时表现出较强的抗噪性。
2016 Vol. 29 (9): 780-789 [
摘要
] (
599
) [
HTML
1KB] [
PDF
475KB] (
870
)
790
云工作流系统中能耗感知的任务调度算法
*
李学俊，徐佳，王福田，朱二周，吴蕾
云工作流系统研究集中在工作流任务执行的时间效率优化，然而时间最优的任务调度方案可能存在不同能耗，因此，文中求解满足时间约束时能耗最优的调度方案。首先改进任务执行能耗模型，设计适用于评价任务调度方案执行能耗的适应度计算方法。然后基于精准调整粒子速度的自适应权重，提出解决任务调度能耗优化问题的自适应粒子群算法。实验表明，文中算法收敛稳定，调度方案执行能耗较低。
2016 Vol. 29 (9): 790-796 [
摘要
] (
520
) [
HTML
1KB] [
PDF
538KB] (
662
)
797
多先验形状的图割分割方法
*
辛月兰，汪西莉，张晓华，黄鹤鸣
为了分割图像中的多个目标，提出多先验形状约束的多目标图割分割方法。首先，使用离散水平集框架的形状距离定义先验形状模型，并将这一模型合并到图割框架的区域项中，同时通过加入多类形状先验扩展形状先验能量。然后，通过自适应调节形状先验项的权重系数，实现自适应控制形状项在能量函数中所占的比重，克服人工选择参数的困难，提高分割效率。最后，为使方法对于形状仿射变换具有不变性，使用尺度不变特征变换和随机抽样一致结合的方法进行对准。实验表明，文中方法能够较好分割图像中的多个目标，且能较好克服图像的噪声污染、目标被遮挡等信息缺失问题。
2016 Vol. 29 (9): 797-806 [
摘要
] (
713
) [
HTML
1KB] [
PDF
1823KB] (
626
)
807
基于局部保留投影的堆叠隐空间模糊
C
均值算法
*
刘欢，王骏， 应文豪，王士同
传统模糊聚类算法在处理复杂非线性数据时学习能力较差。针对此问题，文中基于极限学习机(ELM)理论，结合局部保留投影(LPP)与ELM特征映射，提出压缩隐空间特征映射算法，从而将原始数据从原空间映射至压缩ELM隐空间中。通过连接多个压缩隐空间特征映射，结合模糊聚类技术，提出基于LPP的堆叠隐空间模糊
C
均值算法。大量实验表明，文中算法对模糊指数的变化不敏感，在处理复杂非线性数据和存在类内差异的图像数据时，能够取得更精确、高效、稳定的学习效果。
2016 Vol. 29 (9): 807-815 [
摘要
] (
520
) [
HTML
1KB] [
PDF
474KB] (
578
)
研究与应用
816
快速在线主动学习的图像自动分割算法
*
严静，潘晨，殷海兵
提出经前馈神经网络快速在线学习、构建像素分类模型进行图像分割的算法。首先利用谱残差法计算像素显著度，通过对少数高显著度点的分布进行多尺度分析，获得符合人眼视觉特性的显著图和注视区域。然后从注视区域和非注视区域随机抽样构成由正负样本像素组成的训练集，在线训练一个两分类的随机权前馈神经网络模型。最后使用该模型分类全图像素，实现图像分割。实验表明，文中算法在谱残差法基础上提升对图像中显著目标的分割性能，分割结果与人类视觉感知匹配度较好。
2016 Vol. 29 (9): 816-824 [
摘要
] (
607
) [
HTML
1KB] [
PDF
1393KB] (
798
)
825
面向知识库问答中复述问句评分的词向量构建方法
*
詹晨迪，凌震华，戴礼荣
传统的词向量构建方法基于句子内部单词间的共现概率，采用与具体任务无关的无监督训练方法实现。文中提出基于复述关系约束的词向量构建方法，用于改进知识库问答中基于词向量和词袋模型的复述问句评分。首先从复述问句库中按一定规则收集得到满足复述关系的问句对和不满足复述关系的问句对，以问句对之间的相似度不等式表示句子级的语义约束信息，再将该不等式作为约束项加入词向量训练的目标函数中。实验表明，相比传统词向量构建方法，文中方法可以提高问句间复述关系评价的准确度及知识库问答系统中问题回答的准确度。
2016 Vol. 29 (9): 825-831 [
摘要
] (
439
) [
HTML
1KB] [
PDF
417KB] (
957
)
832
基于判别性子图重构的轻微肝性脑病分类
*
屠黎阳，杜俊强，接标，张道强
大量研究表明轻微肝性脑病(MHE)与脑功能网络的异常相关，但难于寻找与MHE相关的异常子网络。为了解决这个问题，文中提出判别性子图重构的方法用于寻找与MHE相关的子网络，并将子网络用于MHE的分类。首先分别从MHE病人和非MHE(NMHE)病人的功能网络中挖掘一组频繁子图。然后，从频繁子图中挑选判别性子图用于重构原网络，并将判别性子图合并用于重构原网络。最后，使用图核计算重构网络之间的相似性，并使用核SVM分类。在包括77位肝硬化病人的数据集上的实验获得较高的分类精度，从而验证方法的有效性。
2016 Vol. 29 (9): 832-839 [
摘要
] (
440
) [
HTML
1KB] [
PDF
639KB] (
715
)
840
基于改进粒子群优化的并行极限学习机
*
李婉华，陈羽中，郭昆，郭松荣，刘漳辉
为了提高极限学习机(ELM)网络的稳定性，提出基于改进粒子群优化的极限学习机(IPSO-ELM)。结合改进的粒子群优化算法寻找ELM网络中最优的输入权值、隐层偏置及隐层节点数。通过引入变异算子，增强种群的多样性，并提高收敛速度。为了处理大规模电力负荷数据，提出基于Spark并行计算框架的并行化算法(PIPSO-ELM)。基于真实电力负荷数据的实验表明，PIPSO-ELM具有更高的稳定性及可扩展性，适合处理大规模的电力负荷数据。
2016 Vol. 29 (9): 840-849 [
摘要
] (
718
) [
HTML
1KB] [
PDF
576KB] (
641
)
850
基于
l
1
范数和k
近邻叠加图的半监督分类算法
*
张云斌，张春梅，周千琪，戴模
为了构造一个能够较好反映数据真实分布的图以提高分类性能，文中提出基于
l
1
范数和k
近邻叠加图的半监督分类算法。首先构造一个
l
1
范数图，作为主图，然后构造一个k近邻图，作为辅图，最后将二者按一定比例叠加，得到l
1
范数和k
近邻叠加(LNKNNS)图。实验中选择标记样本比例从5%到25%，将基于LNKNNS图的半监督分类算法在USPS数据库上对比其它图(指数权重图、
k近邻图、低秩表示图和l
1
范数图)的算法。实验表明，文中算法的分类识别率更高，更适合基于图的半监督学习。
2016 Vol. 29 (9): 850-855 [
摘要
] (
621
) [
HTML
1KB] [
PDF
356KB] (
768
)
856
基于双重优化的卷积神经网络图像识别算法
*
刘万军，梁雪剑，曲海成
为了进一步提高卷积神经网络算法的收敛速度和识别精度，提出基于双重优化的卷积神经网络图像识别算法。在构建卷积神经网络的过程中，针对特征提取和回归分类建立双重优化模型，实现对卷积与全连接过程的集成优化，并与局部优化算法对比，分析各算法的识别率和收敛速度的差异。在手写数字集和人脸数据集上的实验表明，双重优化模型可以在较大程度上提高卷积神经网络的收敛速度和识别精度，并且这种优化策略可以进一步拓展到其它与卷积神经网络相关的深度学习算法中。
2016 Vol. 29 (9): 856-864 [
摘要
] (
830
) [
HTML
1KB] [
PDF
560KB] (
1113
)
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
