稀疏编码

摘要： 基于用电信息采集系统的量测数据,提出了一种基于改进局部离群因子算法的用户用电隐患检测方法。首先,提出基于信息熵的电压信息重构方法,扩大电压数据差异性。其次,提出基于K-奇异值分解的电压数据稀疏编码方法,解决台区用户原始负荷特征维度过高带来的冗余性问题。然后,提出基于改进局部离群因子算法的用户用电隐患检测方法,通过多局部离群因子模型组合优化,提高低压用户用电隐患检测泛化能力与准确率。最后,以中国浙江省某台区为例进行验证,算例分析的结果表明所提算法相对于传统局部离群因子算法具有更高的隐患检测准确率。

摘要： 基于压缩感知(Compressed Sensing, CS)地震数据重构的精度很大程度上取决于用于稀疏表示字典的性能。在K—奇异值分解(K-Singular Value Decomposition,K-SVD)方法中每个训练样本的稀疏级别是固定的,这可能导致原始样本在稀疏表示过程中产生欠拟合或过拟合问题;而且它只使用原始样本的特征作为训练字典,无法利用样本在字典学习过程中产生的隐式特征,从而影响地震数据的重构精度。为此,对K-SVD方法进行了改进,采用自适应多层字典学习(Adaptive Multilayered Dictionary Learning, AMDL)方法对地震数据进行稀疏表示,不但可在字典学习过程中充分利用不同层次的特征,而且还可自适应地确定每一层所选择的原子数。试验结果表明,与K-SVD方法相比,该方法能够为基于CS的地震数据重构提供更准确的稀疏表示。

摘要： 为了提高大数据中多模态信息的检索效果,提出一种基于深度神经网络的多模态信息检索算法。设计深度自编码器,将不同模态的数据投影到一个相同的广义子空间内;利用稀疏编码技术降低共同特征向量的维度,过滤冗余特征和噪声特征;通过去卷积操作和上采样操作对数据进行重建。基于公开模态识别数据集的实验结果表明,该算法能够有效地学习和泛化多模态数据,且在多模态检索实验中也表现出较好的性能。

摘要： 弥散磁共振成像(Diffusion magnetic resonance imaging,dMRI)是一种重要的无创检测生物组织微观结构的医学成像工具,其中弥散微循环模型(Intravoxel incoherent motion,IVIM)是已被广泛用于分离组织水扩散和微血管血流运动的弥散磁共振成像模型。求解弥散微循环模型参数的传统方法依赖于从多b值扩散弥散磁共振成像数据(通常≥10个b值)中拟合双指数模型,这需要一个相对较长的采集时间,对于体部弥散微循环模型成像是一个挑战。深度学习方法可以使用q空间数据的一个子集进行弥散磁共振成像模型参数估计,从而加速弥散磁共振成像的采集。然而,常见的基于卷积神经网络的深度学习与生物物理模型无关,因此,网络输出结果缺乏可解释性。本文将稀疏编码与深度学习相结合,提出了一种基于稀疏编码深度学习网络的弥散微循环模型参数估计方法。它利用了深度网络的表达优势,同时结合稀疏化表达的双指数模型来估计胎盘的弥散微循环模型参数,相比于其他算法,本文所拟的算法实现了更高的参数估计准确率和泛化能力。

摘要： 电阻抗成像逆问题的传统解决方法计算成本高、噪声大、建模误差大。本研究提出了一种O-Net深度卷积神经网络的反演方法,并与非迭代算法相结合以解决该问题。首先,通过截断奇异值分解方法对测量值进行图像重建,并将重建后的图像输入神经网络;其次,提出了O-Net神经网络结构,在输入与输出之间添加跳层连接,并进行1*1卷积,实现输入与输出的动态连接。最后,在跳层连接之前构建了稀疏表示方法,以减少输入图像中的计算误差。实验结果表明,相较于其它深度学习方法,本研究方法有效地减少了电阻抗成像的计算成本、提高了成像质量。同时实验结果验证了本研究的O-Net神经网络更适应于电阻抗成像技术。

摘要： 基于张量奇异值分解和正交字典学习对张量填充问题展开研究,设计了一种张量加权核范数稀疏编码算法。采用张量加权核范数和具有正交字典学习的稀疏编码分别刻画原数据的全局低秩和局部稀疏特点,提高了所设计算法的性能。实验结果表明,与其他几种常见的算法相比,使用WTNNSC算法恢复彩色图像时,其峰值信噪比更高,视觉效果更佳。

摘要： 卷积稀疏编码(convolutional sparse coding,CSC)这一全局模型因字典的特殊结构而受到广泛关注,其中卷积字典学习算法(slice-based dictionary learning,S-BCSC)是最为有效的CSC模型优化算法.虽然S-BCSC算法非常有效,但算法在应用中对整幅图像只使用一个固定大小的字典,然而这并不利于图像信息的准确描述.为克服这一缺陷,讨论如何根据图像大小确定卷积字典大小,结合稀疏表示字典学习算法,提出分组训练卷积字典的图像去噪算法.新算法首先将过冗余图像块按照平滑、纹理、边缘分为三类;然后为每一类分别确定所要训练的卷积字典大小;最后依据S-BCSC算法完成字典学习以及图像去噪过程.从实验结果可以看出,所提算法在图像质量、清晰度上相比原S-BCSC算法都有所提升.

摘要： 感觉皮层神经元的非经典感受野(简称"外周")对经典感受野(简称"中心")的调节作用广泛存在于哺乳动物中,被认为是感觉皮层神经元的基本特性.以初级视皮层神经元为例,刺激其外周能有效地调节刺激其中心引起的反应,这种作用主要是抑制性的.理解初级视皮层神经元的外周对中心的调节机制能够深入揭示哺乳动物的感觉皮层神经元信息处理的基本原则.本文综述了引起初级视皮层神经元非经典感受野对经典感受野调节作用的神经环路机制和计算模型研究的进展.

摘要： 为了提高稀疏编码算法的处理速度,设计了一种通过System Generator在FPGA上实现的正交匹配追踪算法.算法由矩阵数据并行输出模块、矩阵乘法运算模块、最匹配原子与列索引选择模块、Cholesky分解模块与求逆算法模块、残差更新模块5个模块组成.通过对模块内部算法并行化设计,提高了正交匹配追踪算法的运行速率.仿真结果表明:设计的系统可以有效实现正交匹配追踪算法,算法的处理速度比软件处理有了明显的提升,处理结果精度较好,证明该设计可行且有效.

摘要： 地磁匹配导航技术是一种重要的辅助导航制导方法,地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用.针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题,提出了一种基于卷积神经网络的地磁基准图构建方法.首先,利用卷积层提取低分辨率基准图中的特征图像块;然后,利用基于学习的阈值收缩算法(LISTA)实现图像块的稀疏表示;最后,利用三通道的地磁信息得到重建后的高分辨率基准图.实验结果表明:所提方法对地磁基准图具有更高的构建精度,同时对噪声有更好的鲁棒性,各种客观评价指标均高于现有的超分辨率重建方法.

摘要： 按键音的分类识别是目前键盘制造业普遍关注的一个研究热点,稀疏编码在模式识别领域也得到越来越多的应用.Wright等提出了稀疏表示分类(SRC)方法,将分类问题转化为稀疏表示问题.Liu等采用的移不变稀疏编码提取局部时域特征,但在鲁棒性和计算效率方面有待提高.本文提出了一种基于频域信号稀疏编码的按键音分类方法,该方法通过选取入耳听觉响应范围内的频域信号,采用K-SVD算法进行字典学习与稀疏表示,根据测试样本稀疏系数与标准稀疏系数互相关的结果大小进行分类.该方法采用频域信号解决了特征时移问题,提高分类的准确性;对稀疏系数进行互相关避免了信号的重构,减小了系统冗余.

摘要： 遥感图像中,机场目标较周围场景具有明显的视觉显著性.在对机场目标进行检测时,常采用提取显著区域的方法.但是传统的显著区域提取方法易丢失目标的内部与边缘信息,影响检测结果.针对这一问题,本文提出了一种基于稀疏编码的显著区域提取方法.该方法通过全局与背景信息相结合的方法,对遥感图像的底层特征进行稀疏编码,再对稀疏表示聚类生成全局显著图和背景显著图,并采用多尺度对遥感图像进行处理,最后将各个显著图融合生成最终显著图.将机场目标从复杂背景中提取出来.与传统的显著区域提取算法相比,本文算法在准确率上提高了10％,在召回率上提高了5％,有效提高了检测效果.

摘要： 为解决现有稀疏编码方法在文本图像复原中存在的编码码元表述空间有限和计算时间长的问题,提出了一种基于岭回归的稀疏编码文本图像复原方法.首先,该方法在训练阶段使用样本图像块训练出用于稀疏表达的字典,并根据样本图像块和编码码元之间的欧氏距离对样本图像块进行聚类;其次,在局部流形空间构建低质量文本图像块和清晰文本图像块之间的岭回归,实现对编码码元表述空间的局部多线性扩展和快速计算;最后,在测试阶段搜索和低质量文本图像最相近的编码码元,计算出近似的清晰文本图像块,从而避免计算耗时的低质量文本图像块的稀疏编码.实验结果表明,所提算法在恢复的图像质量上相比现有的基于稀疏编码的算法在峰值信噪比上高0.3～1.1dB,耗时降低了1～2个数量级,为提高文本图像复原质量和提升算法运算速度提供了一种解决方案.

摘要： 由于稀疏编码中过完备的码本和独立的编码处理,在编码过程中图像块相似性信息被丢失.为了保留块与块之间的相似性信息,提出了拉普拉斯稀疏编码的图像检索算法.给定编码特征的初始稀疏码,计算拉普拉斯矩阵,将相似性合并到稀疏目标函数,结合特征符号搜索算法和黄金分割线搜索算法,逐个更新每个稀疏编码系数.实验表明,拉普拉斯稀疏编码增强了稀疏编码的鲁棒性,与SPM模型算法相比,拉普拉斯稀疏编码的图像检索算法有较高的准确率.

摘要： 关于稀疏编码的研究在最近几年成为许多研究领域的焦点,已有学者将其引入视频目标跟踪问题中.在贝叶斯推理框架下,基于l1-跟踪子能较好地处理目标物在视频场景中的各种复杂变化,达到较为鲁棒的跟踪效果,但算法复杂度高,很难进行实时跟踪.对原始l1-跟踪子在稀疏编码的过完备基构造,对目标物出现各种复杂变化的处理方式以及目标物模板的更新这三个方面进行了改进,设计了无需更新目标模板的高速跟踪方法；并通过大量比较实验,验证了该方法的跟踪精度与原始l1-跟踪子相似,但跟踪效率远高于l1-跟踪子,达到了实时跟踪的效果.

摘要： 区域级图像标注,实现了图像的语义区域和图像的语义标签之间的相互关联,对于图像检索和图像理解均有很大的帮助.在稀疏编码的发展基础之上,有学者尝试将稀疏编码与图像区域标注进行结合,取得了一定的成果.研究者多是通过提取一种特征,进行区域标注.组合特征在图像识别等领域具有很好的应用.在已有的基础之上,提取LBP、颜色矩、RGB颜色直方图组合的图像特征,进行区域标注.在图像标注公共数据集上进行实验,结果表明,组合特征比单一特征鲁棒性强且准确率更高.

摘要： 压缩感知指出,只要信号是可压缩的或在某个变换域是稀疏的,那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上,然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号.以往基于CS的压缩算法都是先对信号进行稀疏表示,随后通过乘以一个较大的测量矩阵来对信号进行采样.而这样做不仅忽略了信号的大部分高频信息,同时测量矩阵的尺寸使得计算速度变慢.针对这一问题,本文设计了一种可以根据图像块之间的高低频信息比而选择不同的测量矩阵对其采样,并结合K-SVD算法与OMP算法来对信号进行压缩和重构的算法.

摘要： 本文给出一种新的利用压缩感知稀疏编码进行鲁棒视觉跟踪的算法,采用的稀疏编码方法是最小绝对压缩选择算子(least absolute shrinkage and selection operator,LASSO).首先,为了定位视频中下一帧中的跟踪目标,当前帧中的图像目标被稀疏地表示成一个被随机采样粒子目标所张成的空间;接着,关联目标的相似度由非负的稀疏系数决定,这与普通的粒子滤波框架有所不同,下一帧目标的位置由具有较大稀疏系数的粒子点决定;最后,状态更新算法在下一个时刻依照贝叶斯推理框架迭代进行.实验证明本文提出的算法具有良好的鲁棒性以及快速性,能够较好地跟踪亮度变化很大的场景中的目标.

摘要： 区别于传统的图像分类方法,本文利用迁移式学习的方法,通过从大量未标记且与待分类图像无关的图像样本上提取稀疏性局部特征来增强图像分类的效率.文中采用稀疏编码来得到待分类图像的紧致输入表示,但是一些关键步骤的改进使得我们的算法具有更好的效果.首先,当使用稀疏编码从未标记样本中提取图像块来学习基向量时,我们使用SIFT特征点来代替随机挑选点,使得学习得到的基向量更加能反映图像的局部结构.另外,我们发现二维SIFT特征空间相比于图像的灰度空间是一个更高阶的特征子空间,包含更多的局部信息.为了证实我们的理论推断,我们在Caltech-101和PASCAL VOC06数据库上进行了实验,和一些相关的图像分类算法的实验比较,并将我们提出的算法结合PMK核空间理论,实验表明我们的算法具有更好的分类效率.

摘要： 基于稀疏表示的人脸识别算法(SRC)识别率相当高,但是当使用l1范数求最优的稀疏表示的时候,大大的增加了算法的计算复杂度,矩阵随着维度的增加,计算时间呈几何级别上升,本文利用拉格朗日算法求解矩阵的逆的推导思路提出了一种简化的伪逆求解方法来代替l1范数的计算,可将运算量较高的矩阵求逆运算转变为轻量级向量矩阵运算,在AR人脸库的实验证明维度高的时候识别率高达97％,但是计算复杂度和开销相比SRC算法大幅度降低95％.

摘要： 本发明基于码书块稀疏的非负稀疏编码的图像特征提取方法，包括步骤：1)对待处理的图像数据集中所有图像分别稠密地提取块级特征；2)随机地选取若干块级特征；3)建立基于码书块稀疏的非负稀疏编码模型；4)用随机选取的块级特征来求解出该图像数据集块级特征的码书；5)固定码书，对所有的块级特征进行基于码书块稀疏的非负稀疏编码；6)对图像数据集每张图像的编码进行空间金字塔最大池化方法整合；7)按照基于码书块稀疏的非负稀疏编码模型的目标函数，求出该图像数据集空间金字塔最大池化后的初级特征向量的码书，对空间金字塔最大池化后的初级特征向量再进行一次基于码书块稀疏的非负稀疏编码，得到每张图像最终的特征向量。

摘要： 本发明涉及一种基于稀疏编码的听觉脉冲编码方法及系统。所述方法包括：构造可表达声音基础元素的核函数组；获取待编码的声音信号；对所述待编码的声音信号进行预处理，获得预处理后的待编码声音信号；根据所述预处理后的待编码声音信号，采用时序匹配追踪算法，获得多个所述预处理后的待编码声音信号的稀疏编码；将每个所述稀疏编码映射为听觉脉冲编码。本发明产生的听觉脉冲模式的编码可适用于脉冲神经网络，且能保证高编码效率与高编码保真度。

摘要： 本发明公开了一种基于稀疏编码和小波自编码器的极化SAR图像分类方法，主要解决由于特征提取不合理而造成的边界分类问题和没有考虑空间相关性而导致的区域一致性较差的问题。其主要步骤是：(1)、输入图像；(2)、预处理；(3)、提取图像特征；(4)、稀疏编码；(5)、选取训练样本和测试样本；(6)、训练小波稀疏自编码器；(7)、训练softmax分类器；(8)、调整网络参数；(9)、图像分类；(10)、上色；(11)、输出分类结果图。本发明具有良好的去噪效果，考虑到数据的邻域信息，能更好地从低维特征中学到更高级的特征，使得本发明的分类结果图的轮廓、边缘更加清晰，改善了极化SAR图像的分类性能。

摘要： 本发明提供了一种基于较大编码系数强化的稀疏编码方法，方法流程为：首先构造测试样本列向量和训练样本矩阵。第二，用主成分分析方法(PCA)将两者降维,降维后的训练样本矩阵也叫做字典。第三，将测试样本列向量表示为字典的线性组合，表示系数为稀疏编码系数。最后，字典与每一类对应的稀疏编码系数相乘，得到每一类的重构样本，然后将测试样本和重构样本相减，得到标准重构误差；同样选择其中较大的一部分编码系数，将字典与之相乘，也得到一种重构样本，然后将测试样本和重构样本相减，得到另一种重构误差，两类误差的最小值对应的类别即为测试样本所属类别。经大量实验验证，本发明在人脸识别中得到了应用，识别率很高，有很好的性能与适用性。

摘要： 本发明公开了一种利用混合稀疏神经网络快速求解稀疏编码的方法，包括：步骤S1，采用粗估计神经网络、混合稀疏神经网络和采样模块联合作为求解网络模型；步骤S2，将输入数据输入至粗估计神经网络进行预测得出稀疏编码的初始预测结果；步骤S3，将初始预测结果输入至混合稀疏神经网络进行预测得到稀疏编码的概率分布参数；步骤S4，将稀疏编码的概率分布参数输入至采样模块对概率分布结果进行采样，根据采样结果得出稀疏编码。该方法由于结合了概率分布预测和稀疏编码求解方式，相较于已有的稀疏编码求解方法，预测编码的概率分布能更好地刻画编码，准确的求解出稀疏编码。

摘要： 本发明基于码书块稀疏的非负稀疏编码的图像特征提取方法，包括步骤：1)对待处理的图像数据集中所有图像分别稠密地提取块级特征；2)随机地选取若干块级特征；3)建立基于码书块稀疏的非负稀疏编码模型；4)用随机选取的块级特征来求解出该图像数据集块级特征的码书；5)固定码书，对所有的块级特征进行基于码书块稀疏的非负稀疏编码；6)对图像数据集每张图像的编码进行空间金字塔最大池化方法整合；7)按照基于码书块稀疏的非负稀疏编码模型的目标函数，求出该图像数据集空间金字塔最大池化后的初级特征向量的码书，对空间金字塔最大池化后的初级特征向量再进行一次基于码书块稀疏的非负稀疏编码，得到每张图像最终的特征向量。

摘要： 本发明涉及一种基于稀疏编码的听觉脉冲编码方法及系统。所述方法包括：构造可表达声音基础元素的核函数组；获取待编码的声音信号；对所述待编码的声音信号进行预处理，获得预处理后的待编码声音信号；根据所述预处理后的待编码声音信号，采用时序匹配追踪算法，获得多个所述预处理后的待编码声音信号的稀疏编码；将每个所述稀疏编码映射为听觉脉冲编码。本发明产生的听觉脉冲模式的编码可适用于脉冲神经网络，且能保证高编码效率与高编码保真度。

摘要： 本发明公开了一种基于稀疏编码和小波自编码器的极化SAR图像分类方法，主要解决由于特征提取不合理而造成的边界分类问题和没有考虑空间相关性而导致的区域一致性较差的问题。其主要步骤是：(1)、输入图像；(2)、预处理；(3)、提取图像特征；(4)、稀疏编码；(5)、选取训练样本和测试样本；(6)、训练小波稀疏自编码器；(7)、训练softmax分类器；(8)、调整网络参数；(9)、图像分类；(10)、上色；(11)、输出分类结果图。本发明具有良好的去噪效果，考虑到数据的邻域信息，能更好地从低维特征中学到更高级的特征，使得本发明的分类结果图的轮廓、边缘更加清晰，改善了极化SAR图像的分类性能。

摘要： 本发明提供了一种基于较大编码系数强化的稀疏编码方法，方法流程为：首先构造测试样本列向量和训练样本矩阵。第二，用主成分分析方法(PCA)将两者降维,降维后的训练样本矩阵也叫做字典。第三，将测试样本列向量表示为字典的线性组合，表示系数为稀疏编码系数。最后，字典与每一类对应的稀疏编码系数相乘，得到每一类的重构样本，然后将测试样本和重构样本相减，得到标准重构误差；同样选择其中较大的一部分编码系数，将字典与之相乘，也得到一种重构样本，然后将测试样本和重构样本相减，得到另一种重构误差，两类误差的最小值对应的类别即为测试样本所属类别。经大量实验验证，本发明在人脸识别中得到了应用，识别率很高，有很好的性能与适用性。

摘要： 本发明是基于超完备稀疏编码的图像噪声的估计方法，通过利用超完备的稀疏编码模型来表征图像，有效解决图像中平滑区域的检测问题，提高噪声强度估计的准确性。本发明的优点：首先利用自然图像来训练一个超完备稀疏编码模型，然后通过该模型把待估计噪声图像投影到变换域上。由于这个稀疏编码模型是从一般的自然图像中自适应学习到的，并且是超完备的，因此它可以更加鲁棒地表征自然图像中的一般的结构信息，从而可以有效地检测到待估计噪声图像中的具有典型结构的区域，并进而确定图像中相对平滑的区域。由于图像中平滑区域的检测更加准确，因此在这些区域中估计噪声强度就避免了图像本身固有的结构信息的干扰，从而提高了噪声强度估计的准确性。