稀疏

摘要： 针对基于传统块图像模型的红外弱小目标检测算法对背景杂波抑制能力不强的问题,提出了一种联合γ-范数和全变分正则化与稀疏约束建模的红外弱小目标检测模型(γ-TSIPI)。首先,将原始红外图像转化为红外块图像,然后,采用γ-范数和全变分正则化对背景块图像进行约束,以更好地减少目标图像中的残留噪声,同时保留图像的边缘信息,避免恢复的背景图像过度光滑。此外,考虑到传统红外块图像模型中的L_(1)范数会过度缩小弱小目标,引入了加权的L_(1)范数,以提升γ-TSIPI模型对目标图像的恢复能力。最后,应用Lagrange乘子法求解γ-TSIPI模型。实验结果表明,所提方法可以更好地抑制背景杂波,降低虚警率,有效地提高了检测性能。

摘要： 为了更好地恢复低秩稀疏结构的矩阵,提出了一种改进的稀疏低秩矩阵优化模型.不同于单纯地在目标中加入核范数和l_(1)范数来保证目标矩阵的低秩性和稀疏性,该模型一是通过加入稀疏性约束以更加严格地保证了目标矩阵的稀疏性,二是通过加入线性约束以刻画目标矩阵中可能存在的先验信息.为求解该非凸非光滑模型,首先利用精确罚函数将原模型转化为一个约束DC(两个凸函数之差)优化模型,其次将其线性化为凸子问题,并用交替方向乘子法求解该子问题.在一定的假设条件下,该算法具有全局收敛性.数值实验表明该模型在语音去噪问题上具有良好的效果.

摘要： 特征选择旨在识别高维数据最具信息性的特征,以实现高维数据的低维表示。稀疏监督典型相关分析模型利用样本的监督数据,通过提取具有最大相关性的稀疏典型向量实现特征选择。但是,为了求解方便,该模型一般把优化目标从典型变量的相关系数组合简化为协方差组合,此简化将导致较大的特征选择偏差。针对这一问题,提出一种新的基于自适应稀疏监督典型相关分析的特征选择模型。该模型引入一组自适应权重系数,有效解决了“两两协方差的不公平组合”问题,提高了模型的特征选择能力。实验结果验证了模型的有效性和特征选择的准确性。

摘要： 已有的稀疏逻辑回归算法不能充分利用大脑的空间结构信息,因此不适合直接应用于全脑fMRI数据分类。针对此问题,将表征稀疏性的惩罚项和表征空间结构的惩罚项同时引入逻辑回归算法中,提出了一类广义稀疏逻辑回归算法。具体而言,设计了一种灵活地表征空间结构的惩罚项。通过对该惩罚项调节参数,可以更加充分地利用大脑的空间结构信息。在优化最大化框架下,设计了一个迭代流程来求解对应的优化问题,保证每步迭代都有显式解,并且最终能得到该问题的局部最优解。实验结果表明,所提出的算法相对于已有的稀疏逻辑回归算法在分类准确率上具有明显优势。

摘要： 本文设计一款基于改进稀疏自编码器构建深度神经网络识别模型,可以准确感知精密机械零件运行状态。首先,基于谐波算法去除机械原始信号谐波分量,使用小波变换提取机械信号时频特征生成时域分析图;其次,构建稀疏自编码深度神经网络,为网络交叉熵损失函数增加权重衰减项与稀疏正则化项,实现自编码器稀疏约束,从而构建高性能的深度神经网络机械特征识别模型。测试结果显示:包含4层稀疏自编码器的深度神经网络模型识别机械运行特征效果最佳,误差在2.3%~4.0%之间,有效提升机械运行特征识别与分类精度,具有广阔的市场应用前景。

摘要： 针对具有类间差异特性的多模态高维数据的关联分析问题,提出一种联合协同回归模型,其由回归模型和典型相关分析模型组合而成。应用协同回归模型进行多模态数据之间以及多模态数据与表型变量间的关联分析;利用Fused lasso实现类间数据融合,利用l_(1)范数的稀疏作用得到具有共享模式和类特征模式的稀疏典型向量;使用数据融合方法选择重要特征。通过ROC曲线对比表明,该模型与传统模型相比,显著提高了多模态高数据特征选择的准确度。

摘要： 鲁棒主成分分析(Robust principal component analysis,RPCA)模型中秩函数和L0范数的求解是非确定性多项式(Nondeterministic polynominal,NP)难问题,凸近似模型的求解通常会导致过收缩.本文结合加权方法和Lp范数提出了一种基于双加权Lp范数的RPCA模型,利用加权Sp范数低秩项和加权Lp范数稀疏项分别对RPCA框架中的低秩恢复问题和稀疏恢复问题进行建模,使其更接近秩函数和L0范数最小化问题的解,提升了矩阵秩估计和稀疏估计的准确性.为了验证模型性能,本文利用图像的非局部自相似性,结合相似图像块组的低秩性与椒盐噪声的稀疏性,将双加权Lp范数鲁棒主成分分析模型应用于去除椒盐噪声过程中.定量与定性的实验结果表明,本文模型性能优于其他模型,同时奇异值过收缩分析也表明本文模型能够有效抑制秩成分的过度收缩.

摘要： 常常看到男性抱怨秃顶,其实不是只有男人会秃头,女人也有掉发的困扰。很多女性年龄渐长,头发就稀疏了,头顶被亮出来,甚至必须戴帽子。怎样知道你的头发掉太多?一般而言,每天掉50~150根头发都算合理范围,秋冬交替时可能也会掉得比较多.可在浴缸或洗手槽里洗头,并把排水孔塞住,洗完之后计算掉发量。

摘要： 非负矩阵分解(NMF)由于其非负性和分块表征能力,使得该算法大量的应用于机器学习和信号处理等相关领域.经典NMF与线性混合的高光谱模型比较一致,因此在高光谱解混中被广泛应用.因为传统的NMF模型对初值非常敏感,难以保证算法的收敛性.所以,通常对其加入各种稀疏性约束.本文就NMF的L0约束提出了一种联合稀疏特性的近似NMF算法,它分别约束基础矩阵和系数矩阵,并将其与不受约束的NMF技术结合,诸如乘法更新规则或交替的非负最小二乘方案.最后采用真实仿真数据验证了该算法在光谱解混中相对其他算法所具有的优越性和有效性.

摘要： 针对时间性反走样算法在处理帧间复用时,若场景中有较多高频颜色区域或精细模型会造成重影、模糊、闪烁及子像素细节丢失的问题,提出了基于稀疏超采样的时间性反走样算法.基本思想是,在时间性反走样算法的基础上,对于无法复用历史帧像素,重新引入空间域的超采样,利用剔除算法以避免不必要的绘制开销,实现对场景的稀疏超采样.实验结果表明,该算法能够得到与超采样算法媲美的反走样效果,并具有更高的渲染效率,有效避免重影、模糊、闪烁及子像素细节丢失的问题.

摘要： 一种训练神经网络的计算机实现的方法。该方法包括通过选择神经网络的参数的第一子集并将网络参数的前向传递集合的所有其他参数设置为零来重复地确定网络参数的前向传递集合。然后，该方法根据网络参数的前向传递集合使用神经网络来处理训练数据项以生成神经网络输出，从神经网络输出和训练数据项来确定目标函数的值，选择网络参数的第二子集，确定包括参数的第一子集和第二子集的网络参数的后向传递集合，并且使用从目标函数的值确定的梯度估计来更新与网络参数的后向传递集合相对应的参数。

摘要： 本发明属于滚动轴承故障诊断技术领域。本发明公开了一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法，步骤S1，采用双稀疏字典学习算法对滚动轴承振动信号进行训练，获得双稀疏字典；步骤S2，获取不同故障类型的建模滚动轴承振动信号在双稀疏字典下的分解系数并作为特征向量；步骤S3，将步骤S2中获得的特征向量输入至深度信念网络进行训练学习，获得滚动轴承振动信号故障诊断模型；步骤S4，将包含故障信息的待测滚动轴承振动信号输入至故障诊断模型进行故障识别，完成故障诊断。采用本发明滚动轴承振动信号故障诊断方法，不仅可以获得更高的诊断精度与准确率稳定性，并且还可以大幅度减少深度信念网络的训练与测试时间，提高对故障的诊断效率。

摘要： 本发明属于集成电路设计技术领域，具体为支持稀疏神经网络计算加速器的稀疏数据选择逻辑模块。对应于稀疏度最大为r的神经网络加速器，本发明的稀疏数据选择逻辑模块由r组选择模块组成，每个选择模块包括一个FIFO、一个N输入MUX及一个缓存REG；其计算过程为：分r个时钟节拍读入r×N个数据至FIFO，同时每个节拍从FIFO输出的N个数中选出对应非零权重的有效数N/r个至输出REG中；r个时钟节拍共生成N个有效数据完成选择计算。本发明设计简单、速度快，在保证计算效率与传统方案同等的前提下降低数据带宽与逻辑资源需求r倍，也即数据带宽与逻辑资源与稀疏率无关。从而可以有效的应用在高稀疏度的神经网络计算上。

摘要： 本发明提供结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法，属于医学影像的图像处理技术领域。该结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法包括如下步骤：S1：通过对采集的投影数据进行解析重建得到的图像作为初始化图像并进行POCS（凸集投影）得到滤波输入图像；S2：通过对滤波输入图像进行图像梯度稀疏正则化约束得到引导图像；S3：将引导图像和滤波输入图像融合得到引导滤波图像；S4：将引导滤波图像进行迭代重建。本发明中首先分别得到滤波输入图像和引导图像，然后将引导图像和滤波输入图像融合就可以得到引导滤波图像，将引导滤波图像作为初始图像进行迭代重建，在降噪和边缘保持和块状伪影抑制具有显著的效果。

摘要： 本发明提供一种基于混合稀疏表示的非稀疏场景SAR成像方法；包括：第一步，对非稀疏场景的SAR回波分别进行距离向和方位向的随机降采样；第二步，构造线性调频变标成像算子和逆成像算子，基于近似观测模型构造二维压缩感知优化模型；第三步，求解构造的优化模型，首先对非稀疏SAR场景进行初始化，并对其进行点、线、面的分解，再对线分量进行曲波变换，对面分量进行小波变换，然后通过迭代阈值算法对点、线、面分量依次进行重建，直到算法收敛。最后将得到的点、线、面分量进行组合，得到最终重建的SAR图像。实现了降采样率条件下对包含复杂特征的非稀疏场景进行SAR成像，此发明能够减少对非稀疏场景成像时的数据量，同时能够增强图像的特征。

摘要： 本公开涉及用于稀疏数据的基于瓦片的稀疏度感知数据流优化。系统、装置和方法提供了用于优化诸如3D点云数据集之类的稀疏数据的处理的技术。该技术可包括基于输入非结构化稀疏数据集(例如3D点云数据集)来生成地点感知规则书，地点感知规则书存储输入非结构化稀疏数据集中的活跃体素的空间邻域信息，基于地点感知规则书计算平均接受场(ARF)值，以及基于计算出的ARF值从多个瓦片大小和循环顺序组合中确定用于处理非结构化稀疏数据集的瓦片大小和循环顺序组合。该技术还可包括将地点感知规则书和瓦片大小和循环顺序组合提供给诸如神经网络之类的计算引擎，计算引擎利用地点感知规则书和瓦片大小和循环顺序组合来处理非结构化稀疏数据集。

摘要： 本申请提供人工智能领域中神经网络的梯度稀疏方法和相关装置。本申请提出了利用数据运算方法计算得到稀疏阈值，或者对实际稀疏度与预设稀疏度进行比较并基于比较结果来更新稀疏阈值，避免了使用排序操作来确定稀疏阈值，大大降低运算量，最终可以提高神经网络的训练效率。进一步地，本申请提出了每隔m轮迭代才更新一次稀疏阈值，从而每m轮迭代训练可以节省m‑1轮的稀疏阈值更新时间，进而可以提高神经网络的训练效率，m为大于1的整数。更进一步地，本申请还提出了稀疏阈值更新和梯度稀疏处理可以并行处理，从而可以提高神经网络的训练效率。

摘要： 本申请提供了一种稀疏波分复用器、稀疏波分解复用器及收发一体的稀疏波分装置，将波导、布拉格光栅、空气槽以及波导总线集成在一张基片上，通过将波导、布拉格光栅合理分布在空气槽的两侧，以利用布拉格光栅对不同波长的光信号的反射作用，实现对多路光信号的复合，以及对由多路光信号复合而成的复合光信号的解复合。本申请所提供的稀疏波分复用器、稀疏波分解复用器以及收发一体的稀疏波分装置的集成度高，而且，光信号在复合或者解复合的过程中均在空气槽中进行传播，由于空气槽所提供的传播环境对光信号的模式无要求，因此，光信号在传播的过程中无需更改模式，可以保证光信号的模式不被破坏。

摘要： 本发明公开了一种稀疏线性系统的稀疏近似逆量子预处理方法及装置，方法包括：分别获取稀疏线性系统中第一矩阵A、第一向量b的信息，根据第一矩阵A，构建用于稀疏线性系统预处理的稀疏近似矩阵M，稀疏近似矩阵M为A

摘要： 本发明公开了一种基于稀疏随机Kaczmarz算法稀疏信号恢复方法、系统、设备和介质，涉及通信信号处理技术领域，建立稀疏信号恢复模型；接收第一信号，并利用所述稀疏信号模型将所述第一信号重构为第二信号，其中，利用改进的随机Kaczmarz算法加快信号的重构过程，改进的随机Kaczmarz算法有效利用迭代次数以及当前迭代解来为本次迭代的行向量的各元素分配不同的权值，从而提高了算法的收敛速率与恢复效果，实现了提高稀疏信号的恢复性能的目的。