随着计算机与人工智能的快速发展,基于图像感知的皮肤病分析方法取得一些成果.然而,以深度学习为主的计算机辅助分析方法依赖于领域专家标注的医学大数据,诊断结果缺乏医学可解释性.为此,文中提出基于视觉的皮肤病分析统一框架——平行皮肤.启发于ACP方法与平行医学图像分析框架,通过构建人工皮肤图像系统实现数据选择与生成,通过预测学习的计算实验完成诊断分析模型构建与评估,并利用描述学习与指示学习融合专家知识,引导人工图像系统数据生成与选择,从而实现闭环诊断分析模型优化.

针对工业、信息等领域出现的基于较大规模、非平稳变化复杂数据的回归问题,已有算法在计算成本及拟合效果方面无法同时满足要求.因此,文中提出基于多尺度高斯核的分布式正则化回归学习算法.算法中的假设空间为多个具有不同尺度的高斯核生成的再生核Hilbert空间的和空间.考虑到整个数据集划分的不同互斥子集波动程度不同,建立不同组合系数核函数逼近模型.利用最小二乘正则化方法同时独立求解各逼近模型.最后,通过对所得的各个局部估计子加权合成得到整体逼近模型.在2个模拟数据集和4个真实数据集上的实验表明,文中算法既能保证较优的拟合性能,又能降低运行时间.

首先,利用基于边界域粗糙近似算子,给出n阶边界集的定义,引入n阶粗糙近似算子的定义,构造粗糙集理论的一套阶梯式近似方法.然后,通过实例和相关证明表明,无论二元关系还是在覆盖环境中,总存在正整数n,对于任意对象集,n阶上下近似集完全等于该对象集,即该对象集是此意义下的精确集,或其n阶上下近似集趋近于某一固定的对象集,即n阶粗糙集总能使对象集合趋近于它本身或某一固定的集合.

协同过滤(CF)无法同时提供高精度和多样化的个性化推荐.基于此情况,文中提出基于覆盖约简的协同过滤方法(CRCF).结合覆盖粗糙集中的覆盖约简算法与CF中的用户约简,匹配覆盖中的冗余元素与邻近用户中的冗余用户,利用覆盖约简算法将冗余用户从目标用户的邻近用户中移除,保证CF中邻近用户的高效性.在公开数据集上的实验表明,在稀疏数据环境下,CRCF可以同时为目标用户提供高精度和多样化的个性化推荐.

针对不同干扰和噪声情况下的量子状态估计和滤波问题,分别提出相应的高效量子状态密度矩阵重构凸优化算法.对于稀疏状态干扰和测量噪声同时存在的情况,提出量子状态滤波算法.对分别存在稀疏状态干扰和测量噪声的情况,提出相应两种不同的量子状态估计算法.在5量子位的状态密度矩阵估计仿真实验中分析不同采样率下的3种算法性能.实验表明,3种算法均具有较低的计算复杂度、较快的收敛速度和较低的估计误差.

为了提高高光谱遥感影像的分类精度,充分利用影像的光谱和局部信息,文中提出小波核局部Fisher判别分析的高光谱遥感影像特征提取方法.通过小波核函数将数据集从低维原始空间映射至高维特征空间,考虑到数据的局部信息,利用加权矩阵计算散度矩阵,对局部Fisher判别准则函数求解最优特征矩阵,使不同类别的样本在高维特征空间中的可分离性更佳.在2个公开高光谱数据集上的实验表明,文中方法的总体分类精度和Kappa系数都有所提高.

为了充分利用多光谱影像波段间的相关性,提出高斯Copula的多光谱遥感影像分割方法.首先,建立基于马尔可夫随机场的标号场模型,使用Potts模型刻画该标号场.然后,建立表征像素光谱测度的特征场,利用高斯Copula建立像素光谱测度的多变量统计模型以刻画该特征场.结合标号场、特征场模型及各模型参数的先验概率,利用贝叶斯定理建立多光谱影像分割的后验概率模型.最后,设计适用于模拟后验概率模型的M-H算法,在最大后验概率策略下获取最优分割结果.对模拟和真实多光谱影像分割结果表明,文中方法描述波段间相关性的能力较强,准确性较高.

知识库问答实体链接任务需要将问句内容精准链接到知识库中实体.当前方法大多难以兼顾链接实体的召回率和精确率,并且仅能根据文本信息对实体进行区分筛选.因此,文中在合并子步骤的基础上,提出融合多维度特征的知识库问答实体链接模型(MDIIEL).通过表示学习方法,将文本符号、实体和问句类型、实体在知识库中语义结构表达等信息整合并引至实体链接任务中,加强对相似实体的区分,在提高准确率的同时降低候选集的大小.实验表明,MDIIEL模型在实体链接任务性能上具有整体性提升,在大部分指标上取得较优的链接结果.

大多数子空间聚类算法将高维数据映射到低维子空间时不能较好捕获数据间几何结构.针对上述问题,文中提出引入低秩约束先验的深度子空间聚类算法,兼顾数据全局和局部结构信息.算法结合低秩表示与深度自编码器,利用低秩约束捕获数据全局结构,并将约束神经网络的潜在特征表示为低秩.自编码通过最小化重构误差进行非线性低维子空间映射,保留数据的局部特性.以多元逻辑回归函数作为判别模型,预测子空间分割.整个算法在无监督联合学习框架下进行优化.在5个数据集上的实验验证文中方法的有效性.

针对目前基于特征和基于路径的知识图谱感知推荐方法的不足,文中提出端到端的将知识图谱引入推荐系统的用户偏好神经建模框架(NUPM).该框架以用户在知识图谱中的历史访问项目为偏好起点,通过知识图谱中实体间的关系链接传播用户偏好,学习用户的潜在偏好,同时使用注意力网络融合各传播阶段偏好特征以构建最终的用户偏好向量.在真实数据集上的对比实验表明文中框架在个性化推荐中对用户偏好刻画的有效性.

为了规避图像质量评价中的视觉特征和池化策略难以选取和解释的问题,在提取参考图像和失真图像的多种底层特征的基础上,采用机器学习的方法自动预测真实图像质量,提出多特征融合的图像质量评价方法.针对参考图像和失真图像分别提取相位一致性、梯度、视觉显著性、对比度特征,计算4种特征的相似度图,提取相似度图的均值和方差特征,最后采用支持向量回归评价文中方法.在LIVE、CSIQ、TID2008和TID2013图像库上的实验表明,文中方法的主客观一致性较好.