模式识别与人工智能

Select

基于HOG和颜色特征融合的人体姿态估计^*

韩贵金，朱虹

模式识别与人工智能. 2014, 27(9): 769-777.

PDF全文 ( )

可视化

部位外观模型在人体姿态估计中起着关键作用.为提高人体姿态估计的准确度，对如何利用梯度方向直方图(HOG)与颜色特征建立外观模型进行研究.利用支持向量数据描述算法(SVDD)对部位的所有细胞单元构造子分类器，将所有子分类器按照不同权值进行线性组合，建立基于HOG特征的外观模型;利用与基于HOG特征的外观模型之间似然度较高的部位状态学习定位概率，根据定位概率求得的颜色直方图即为基于颜色特征的外观模型;根据待处理静态图像的光照条件和人体着装及背景的颜色对比度可确定分别基于HOG和颜色特征的外观模型的权值;根据相应权值对两种外观模型进行线性组合，建立基于HOG和颜色特征融合的部位外观模型.将所提外观模型用于人体姿态估计，实验结果表明，该外观模型更加有效，获得更高的人体姿态估计准确度.

Select

基于逻辑或的双量化粗糙集模型的计算分析与属性约简^*

张贤勇，苗夺谦

模式识别与人工智能. 2014, 27(9): 778-786.

PDF全文 ( )

可视化

双量化具有完备刻画粗糙集近似空间的重要功能，而精度与程度的逻辑或粗糙集模型则是一类基本的双量化扩张模型.针对该模型进行深入的计算分析，进而探讨其在近似空间中的属性约简.利用区域结构，分析计算公式，在此基础上构建宏观算法和结构算法，算法的分析和比较结果说明结构算法具有较好的计算复杂性.基于近似空间讨论关于4区保持的基本性质，提出区域保持的属性约简，得到经典定性约简的一类扩张量化约简.该研究为双量化粗糙集模型的优化计算与约简应用提供泛化思路.

Select

基于局部结构相似与协同表示的超分辨率图像重建^*

蔡苗苗，谈元鹏，曹飞龙

模式识别与人工智能. 2014, 27(9): 787-793.

PDF全文 ( )

可视化

提出一种基于局部几何结构相似性和协同表示的超分辨率图像重建算法.该算法利用l₂范数正则化的协同表示和局部几何相似约束模型求解低分辨率图像块在低分辨率字典下的线性表示系数，并利用这一系数重构出高分辨率图像块.文中基于l₂范数的系数求解模型可得到解析解而不涉及局部最小解，相较于l₁稀疏性约束具有较低的复杂度.实验结果表明，该算法对小尺寸超分辨率图像重建可行且有效，并在重构效果上具有明显的优越性.进一步研究表明，在放大因子增大和存在噪声的情况下，该算法较传统算法重构效果也有显著提高.

Select

基于模糊积分的不完全小波包子空间集成人脸识别^*

翟俊海，王熙照，张素芳

模式识别与人工智能. 2014, 27(9): 794-801.

PDF全文 ( )

可视化

提出一种基于模糊积分的不完全小波包子空间集成人脸识别方法，并与五种相关方法进行实验比较.首先对人脸图像做不完全小波包分解，对双向低频子空间图像直接进行特征提取，对含有一个方向低频成分的高频子空间图像先求平均，再进行提取特征;然后用得到的不同子空间图像训练模糊分类器;最后用模糊积分融合训练的模糊分类器.该方法能够充分利用不同频率小波子空间图像中包含的有用信息，从而提高人脸识别的精度.在ORL、YALE、JAFFE和FERET这4个人脸数据库上进行实验，实验结果表明该方法在识别精度方面均优于五种相关方法.

Select

平均紧性约束下的最坏分离空间平滑判别分析^*

牛璐璐，陈松灿，俞璐

模式识别与人工智能. 2014, 27(9): 802-807.

PDF全文 ( )

可视化

空间平滑的线性判别分析(SLDA)和基于空间平滑欧氏距离的线性判别分析(IMEDA)是目前结合图像特有的空间结构信息进行图像判别降维的两种主要方法，具有比线性判别分析(LDA)更显著的分类效果.与SLDA和IMEDA不同，文中通过参数化投影方向，约束平均类内散度(或紧性)上界和最大化最坏类间散度(或分离度)，产生的降维算法分别称为WSLDA和WIMEDA.它们的求解最终可归结为简单的特征值优化问题，避免使用完整特征值分解的缺点.在Yale、AR和FERET标准人脸集上的实验验证它们的有效性.

Select

不确定欠驱动系统的高阶自适应Super-Twisting滑模控制^*

杨兴明，高银平

模式识别与人工智能. 2014, 27(9): 808-814.

PDF全文 ( )

可视化

为实现一类不确定欠驱动系统在未知干扰情况下的鲁棒控制，针对传统滑模控制中存在的抖振问题，提出一种基于二次型Lyapunov函数的二阶Super-Twisting自适应滑模控制策略.首先，控制器的不连续项采用二阶Super-Twisting算法，将不连续控制作用在滑模量的二阶导数.然后，针对滑模面受不确定干扰影响的情况，为调节参数设计一种自适应律方法，该方法不受传统二阶滑模控制中干扰项的一阶导数边界已知的条件限制，保证滑模面在有干扰情况下的收敛，削弱控制器输入的抖振现象.最后，以两轮自平衡车为实验对象验证该方法，并与传统滑模及普通二阶滑模方法做仿真对比.仿真结果表明文中所提的二阶自适应滑模控制方法在控制效果和降低抖振方面表现更优.

Select

VLSI标准单元布局问题的增强型混合遗传模拟退火算法^*

陈雄峰，吴景岚，朱文兴

模式识别与人工智能. 2014, 27(9): 815-825.

PDF全文 ( )

可视化

提出有效处理百万个VLSI标准单元布局问题的混合遗传模拟退火算法.首先采用小规模种群、动态更新种群和交叉局部化策略，并协调全局与局部搜索，使遗传算法可处理超大规模标准单元布局问题.然后为进一步提高算法进化效率和布局结果质量，将爬山和模拟退火方法引入遗传算法框架及其算子内部流程，设计高效的线网-循环交叉算子和局部搜索算法.标准单元阵列布局侧重使用爬山法，非阵列布局侧重使用模拟退火方法.Peko suite3、Peko suite4和ISPD04标准测试电路的实验结果表明，该算法可在合理运行时间内有效提高布局结果质量.

Select

基于情感上下文的语音情感推理算法^*

毛启容，白李娟，王丽，詹永照

模式识别与人工智能. 2014, 27(9): 826-834.

PDF全文 ( )

可视化

针对前后相邻情感语句的情感变化存在相互关联的特性，提出基于情感上下文的情感推理算法.该算法首先利用传统语音情感特征和上下文语音情感特征分别识别待分析情感语句的情感状态，然后借助情感交互矩阵及两类情感特征识别结果的置信度对待测试语句的情感状态进行融合推理.在此基础上，建立语音情感上下文推理规则，利用该规则根据相邻语句的情感状态对待分析情感语句情感状态进行调整，最终得出待分析情感语句所属的情感类别.在自行录制的包含6种基本情感数据库上的实验结果表明，与仅采用声学特征的方法相比，文中提出方法平均识别率提高12.17%.

Select

一种基于细节点全局置信度的指纹匹配算法^*

付翔，封举富

模式识别与人工智能. 2014, 27(9): 835-840.

PDF全文 ( )

可视化

传统基于细节点的指纹匹配方法通常利用细节点的局部结构相似度来描述一组细节点对之间的匹配程度.提出细节点的全局置信度概念，描述一组细节点对在全局范围内与其他细节点对之间的空间一致性和整体匹配可能性，可看作是对局部相似度的一个有效补充.通过计算点对相容性矩阵的主特征向量，借助谱松弛技术，可得到所有细节点对的全局置信度.结合局部相似度和全局置信度可构造出新的关联矩阵，那些具有较大的局部相似度和较大的全局置信度的候选细节点对被认定是匹配的.该方法较好地利用局部拓扑信息和全局相容信息，对非刚性形变和噪声具有较好的鲁棒性.在FVC2002和FVC2004数据库上的实验结果表明，该方法具有较高的效率和准确性.

Select

基于连续域混合蚁群优化的核模糊C-均值聚类算法研究^*

郭小芳，李锋，宋晓宁，王卫东

模式识别与人工智能. 2014, 27(9): 841-846.

PDF全文 ( )

可视化

为进一步提高核模糊C-均值聚类算法的聚类性能，提出基于连续域混合蚁群优化的核模糊C-均值聚类算法(KFCM-HACO)，使用HACO对KFCM算法的内核函数参数值和聚类中心进行优化，克服传统算法弊端，使核模糊C-均值聚类算法的目标函数最小化，加快算法的收敛速度.该优化算法在UCI数据集上的仿真实验及结果比较表明，KFCM-HACO算法的聚类性能优于传统的聚类算法，提高了聚类的准确性.

Select

基于互信息和分形维数相结合的选择性聚类融合算法研究^*

吴晓璇，倪志伟，倪丽萍，张琛

模式识别与人工智能. 2014, 27(9): 847-855.

PDF全文 ( )

可视化

针对传统聚类融合算法不能消除劣质聚类成员的干扰，以及聚类准确性不高等问题，提出一种基于分形维数的选择性聚类融合算法.该算法实现增量式聚类，能够发现任意形状的聚类.通过基于互信息计算权值的选择策略，选取部分优质聚类成员，再利用加权共协矩阵实现融合，获得最终的聚类结果.实验证明，与传统聚类融合算法相比，该算法提高了聚类质量，具有较好的扩展性.

Select

基于局部密度估计和近邻关系传播的谱聚类^*

葛洪伟，李志伟，杨金龙

模式识别与人工智能. 2014, 27(9): 856-864.

PDF全文 ( )

可视化

对密度分布不均匀的数据采用近邻传播的谱聚类，存在误将不同类的样本传入同一高相似度的子集中的情况，因而得不到真实的相似度矩阵和准确的聚类结果.针对这一问题，提出一种基于局部密度估计和近邻关系传播的谱聚类(LDENP-SC)算法.该算法首先对样本进行密度估计并升维，然后对新数据采用传播算法更新相似度矩阵并谱聚类.在计算密度时提出一种简易的局部密度计算方法，该方法既能反应样本的密度又能减少运算时间;在更新相似度矩阵时基于传播算法提出一种更新子集间样本相似性的方法，使更新后样本的相似度更接近实际.实验结果表明，LDENP-SC算法能够得出取得理想的相似度矩阵和准确的聚类结果，具有较好的泛化能力，且对一定范围内的参数σ表现出鲁棒性.

选择文件类型/文献管理软件名称

选择包含的内容

本期目录

2014年, 第27卷, 第9期　刊出日期：2014-09-30

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

本期目录

2014年, 第27卷, 第9期 刊出日期：2014-09-30

2014年, 第27卷, 第9期　刊出日期：2014-09-30