一、Separativity and Stable Range for Formal Triangular Matrix Rings(论文文献综述)
时文雅[1](2021)在《大规模数据降维中迹比率问题与非负矩阵分解的快速算法研究》文中进行了进一步梳理高维数据是大数据时代的产物,从航空航天、物联网工程、计算机视觉等领域获取的数据都具有高维的特点.随着信息的高速流通,数据的维数和样本量逐渐以指数速度海量增长,这导致采集到的数据包含了大量的不确定因素,如白噪声、异常数据、数据缺失等等.因此,如何快速提取高维数据中的有效信息和规律,已经成为科研工作者所面临的重要挑战.数据降维是特征提取的常用技巧,能够有效克服维度灾难这一问题.目前,这方面的研究已取得了丰硕的成果.然而,经典方法难以快速有效地处理高维大样本数据,特别是高维大样本稠密数据.本文重点针对高维大样本稠密数据提出了一系列新的快速算法,并在人脸识别、文本分类等实际应用中验证了所提方法的有效性.实验结果表明新算法同样能够有效处理大规模稀疏数据.本文的主要贡献如下:第一,迹比率问题是数据降维中的关键问题.然而,长期以来人们一直认为该问题没有显式解,需要内-外迭代算法来求解,运算量较大.因此,针对高维大样本迹比率问题,特别是稠密数据,目前仍然缺乏有效算法.本文解决了这一问题,提出了迹比率问题的显式解.根据显式解和随机奇异值算法,本文提出了一个用于快速不精确求解高维大样本稠密迹比率问题的随机算法,并建立了将不精确解应用到模式识别上的理论依据.此外,针对高维大样本稀疏迹比率问题,本文提出了保持数据稀疏结构不变的快速算法.第二,PCA+图嵌入方法是常用的降维方法,经常被用作降维和人脸识别的基准算法.该方法首先使用主成分分析(PCA)对原始数据进行降维,然后执行相应的图嵌入方法.本文指出了这类算法的一个缺陷:PCA+图嵌入方法在分类识别上的不稳定性,也就是说数据污染后,算法的分类性能可能会发生显着变化.然而目前这种现象仍然缺乏严格的理论论证.因此,本文从矩阵扰动分析的角度出发,解释了PCA+图嵌入方法不稳定的原因.此外,为克服PCA+图嵌入方法的不稳定因素,本文提出了PCA+指数图嵌入方法.该方法比原方法更稳定,并且它们的计算量相当.第三,矩阵指数判别分析方法是近年来的研究热点,但是这类方法需要求解大规模矩阵指数特征值问题,计算效率比较低.本文提出了一种快速矩阵指数判别分析方法,该方法将大规模矩阵计算问题等价地转化为小矩阵问题.由变换的等价性,快速算法能够确保不损失原始算法的识别率.另一方面,有研究指出指数模型能够抑制算法对数据干扰的敏感性,但是目前却没有理论结果能够解释这一现象.因此,本文从矩阵扰动角度出发,为快速矩阵指数判别分析方法提供了稳定性分析,并揭示了指数模型稳定的原因.第四,非负矩阵分解(NMF)是一种重要的数据降维技术,研究者们通常使用交替迭代方法求解此问题,这涉及到NMF子问题,即非负最小二乘(NLS)问题的计算.本文提出了一类求解NMF问题的新方法,我们称之为交替rank-k非负最小二乘方法(ARk NLS).首先,我们推导出了秩-k(rank-k)NLS问题解的递归公式,根据此递归公式,我们可以得到任意rank-k NLS的显式解,其中k是大于等于1的正整数.然后,本文重点讨论了k=3的交替rank-k非负最小二乘方法,即AR3NLS算法.该方法能够在NMF计算环境下有效克服rank-3 NLS潜在的奇异性问题.
邓蔼龄[2](2021)在《应用N版本编程技术的小型云系统的安全可靠性优化》文中研究说明云计算是一种成熟和发展的模式,它可以同时为众多客户提供资源和服务。这些资源以为用户创建虚拟机并在物理服务器上分配这些机器的形式提供。这些服务是在客户询问一些过程时提供的,这些过程由位于云服务器上的服务软件组件执行。为了提高最关键的服务组件的生存与容错能力,服务提供者使用冗余的服务组件计算同一任务。基于投票的N版本编程(N-Version Programming,NVP)是目前流行的冗余技术之一。使用投票从多个不同的版本的服务组件获得高度可靠的数据,可以提高云网络的可靠性。但同时,在云计算环境中,不同用户的虚拟机通常在同一台物理服务器上运行,并且在逻辑上彼此隔离。然而,恶意用户可以绕过逻辑隔离,从驻留在同一台服务器上的虚拟机获取敏感信息,从而形成共存攻击,影响云网络的安全性。本文的研究工作如下:(1)在云环境中存在共存攻击的前提下,阐述云网络将NVP技术作为提高容错能力的手段的理论基础。在此理论基础上分析小型云系统的安全可靠性,并由此建立在资源约束的情况下以最小化云服务商损失为导向的服务组件数量决策模型。(2)基于云物理服务器硬件故障数据和稳压下实时运行数据,将凝聚式层次聚类算法改进为基于故障域分级的聚类算法,训练出云物理服务器的故障预测模型。并由测试过程说明故障预测模型的准确性。(3)本文提出在高可靠需求的云网络中,针对共存攻击,在资源约束的条件下加入伪装组件以提升系统安全性。并进一步资源和时间约束下,将云物理服务器的故障预测作为依据来进行以最大化NVP服务成功概率为导向的基于FFP投票制的NVP最优部署策略的选择。(4)通过数值算例及参数敏感性分析说明,这些策略可以有效地帮助NVP服务组件抵御小型云网络系统中的共存攻击。通过对服务器故障预测和共存攻击威胁下的NVP服务的建模,本文给出的最优化NVP服务的解决方案对于云计算的智能化具有很大意义。
黄金枝[3](2020)在《关于大规模矩阵的SVD和GSVD计算的研究》文中研究说明矩阵的奇异值分解(SVD)和矩阵对的广义奇异值分解(GSVD)是数值线性代数和科学计算领域的两种标准分解,在数值计算和工程技术领域有着非常广泛的应用背景,其有效可靠的计算具有高度的挑战性.对于SVD的计算,我们提出了计算大规模矩阵的一个或多个内部奇异三元组的调和提取和精化调和提取的Jacobi-Davidson(JD)型SVD(JDSVD)方法.这两种方法在每一步外迭代中都需要使用迭代法近似地求解一个内部线性系统,即校正方程.内部方程组的求解精度严重影响JDSVD方法的收敛性态和整体效率.本论文对这两种类型的JDSVD方法进行了严格的收敛性分析,证明所有的校正方程只要解到中等精度甚至低精度,每一种JDSVD方法的外迭代就会如同精确求解了所有校正方程一样收敛.基于理论结果,我们为这些方法的内迭代设计了实用有效的停机准则.数值实验证实了理论结果和非精确算法的有效性.对于和均为列满秩的矩阵对(,)的GSVD的计算,长期以来常用的方法之一是将GSVD转化为两个数学上等价的广义特征值问题并设计算法求解,然后从计算的近似广义特征对恢复所需的GSVD元素.在本文中,我们考虑的问题是:在有限精度算法下,从精确计算所需的广义奇异值和广义奇异向量的意义上讲,两种转化为广义特征值问题的格式中哪一个格式数值上更好?我们对这两种格式进行详细的扰动分析,表明在实际计算中,应当如何从中选取合适的格式来设计和开发算法.数值实验证明了我们的理论和选择策略.对于大规模正则矩阵对的部分GSVD的计算,我们提出了一种计算GSVD的免叉积的Jacobi-Davidson型方法,称为CPF-JDGSVD方法.该方法数学上等价于求解某个叉积矩阵对的广义特征值问题,然而,通过计算两个特定矩阵的紧致的QR分解,方法避免显式地形成叉积矩阵,从而避免丢失计算的广义奇异值和广义奇异向量的精度.在每一步,方法使用迭代法近似地求解一个校正方程组,并利用得到的近似解来扩充搜索子空间,该过程称为内迭代.从给定的搜索子空间提取近似的GSVD元素的过程称为外迭代.我们对CPF-JDGSVD方法的内迭代和外迭代进行了收敛性分析.根据结果,为内迭代设计了实用的停机准则.大量的数值实验表明了CPF-JDGSVD算法的有效性.
王志豪[4](2020)在《成都天府新区土地利用变化及其生态效应研究》文中研究指明基于土地自身的自然特征与人类自身的社会、经济目的,人类对土地长期性或者周期性的经营、管理与改造行为,使得土地产生了不同的利用状态、利用方式与利用类型。不同的土地利用状态、利用类型可以在不同程度上反映区域的生态环境质量,因此对区域土地利用的变化以及其变化对区域环境产生的生态效应进行研究,对区域发展具有重要的理论意义。为了进一步促进成渝经济圈的经济协同发展,自2011年成都天府新区被提出规划以来,在国家和政府各项经济政策的支持下,成都天府新区开始以成都市为依托,凭借经济规划区的发展模式,进而带动整个成渝经济圈的发展,由此,对天府新区的区域生态环境状况进行研究,对于天府新区乃至整个成渝经济圈的地理环境可持续发展都有着至关重要的现实意义。因而,基于此重大区域经济背景,本文就以2011年划定的成都天府新区行政单位区域所组成的地域范围作为研究区域,利用时下热门的GIS技术,通过获取到的天府新区1995年、2000年、2005年、2010年、2015年土地利用类型数据,凭借土地利用动态度模型、土地利用转移矩阵等数学模型方法进行定量分析,用以表征天府新区二十年间的土地利用变化状况;并以国内外学者相关理论研究为基础,估算天府新区生态系统服务价值,从土地利用变化与生态系统服务价值的关系角度,探究天府新区区域环境的生态效应,为改善天府新区区域生态环境状况提供一定的理论依据。本文得到的主要研究结果如下:(1)1995-2015年间,天府新区的土地利用类型复杂多样,主要以耕地、林地和建设用地为主,其中耕地占据天府新区范围内的最大面积,占比为64.06%。在研究期内,天府新区土地利用的数量、结构不断发生变化,呈现出“三增三减”的变化特征,耕地、水域和未利用地面积减少,分别减少了23867.4hm2、158.04hm2和0.18hm2,建设用地、林地、草地面积增加,分别增加了193.95hm2、98.82hm2和23732.78hm2。(2)1995-2015年天府新区土地利用动态度变化显着,区域内土地利用变化幅度最大的是建设用地,呈现出明显的增长趋势,其次是草地和林地,呈现出小幅度的增加趋势,而耕地则一直处于不断减少的态势。2005年以前,研究区的土地利用程度开始产生变化,变化速度逐渐加快,而2010年以后,土地利用变化的开发利用程度趋于平稳状态,发展速度也逐渐放缓。(3)1995-2015年间,天府新区各土地利用类型间相互转变的面积变化较大,研究区域内的耕地、草地和水域多转为建设用地,其中三者之中的耕地转为建设用地的面积最多,为23817.51hm2,因而呈现出耕地面积大幅减少,而建设用地面积大幅增加的状态。(4)从生态系统服务价值角度来看区域的生态效应,1995-2015年间,天府新区的生态环境质量指数呈现下降的趋势,生态服务价值总量亦呈减少的趋势,生态服务价值总量从1995年的23.17亿元变为2015年的22.16亿元,研究时期内减少了1.01亿元;构成生态系统服务价值的调节服务功能对于整个生态系统服务价值的贡献最大,占比重最多。(5)从土地利用类型对生态系统服务价值的贡献率上看,水田、林地和灌木对生态系统服务价值变化的影响较大,他们的生态贡献率分别为56.15%、43.56%和26.32%;从土地利用类型与生态系统服务价值变化的关系上来看,林地和灌木与天府新区的生态服务价值总量关联度最高,是影响区域生态系统服务价值变化的两个主要土地利用类型。
管冬冬[5](2019)在《高分辨率SAR图像地物分类技术研究》文中研究指明合成孔径雷达(Synthetic Aperture Radar,SAR)是一种相干微波遥感系统,它可以全天时、全天候地获取感兴趣区域的SAR图像数据。如今,SAR已经进入了高分辨时代。与中低分辨率SAR图像相比,高分辨率SAR图像呈现出丰富的纹理细节和清晰的几何结构,使人们有机会获取更多感兴趣区域的有用信息。然而,机遇与挑战并存,对高分辨率SAR图像进行自动解译需要引入新知识、发展新技术。在此背景下,本文瞄准高分辨率SAR图像自动解译中的地物分类问题,使用机器学习和模式识别等领域的知识,提出了多种不同的策略来提高当前高分辨率SAR图像的地物分类性能。本文的主要工作和贡献如下:1.针对常用的相干斑滤波算法会模糊和破坏高分辨SAR图像中的边缘与纹理细节的问题,提出了一种基于非局部低秩最小化模型的高分辨率SAR图像滤波算法。在交替方向乘子法优化框架之下,算法中涉及到的低秩最小化问题能够被有效的解决,并且保证收敛到局部最小值。仿真SAR图像和高分辨率实测SAR图像上的滤波实验表明,本文提出的滤波算法不仅能够充分地滤除相干斑噪声还能保持图像中的边缘和纹理细节。2.针对基于纹理特征的分类方法易产生类似于“椒盐噪声”的误分类现象的问题,从分类器的角度出发,根据核函数的性质,设计了一种合成内核。合成内核在原有纹理特征内核的基础上引入了新设计的上下文内核。该上下文内核以超像素为邻域来探索自适应的上下文信息,并且计算简单高效。高分辨率实测SAR图像上的分类结果表明,与传统的分类方法相比,基于合成内核的分类方法能够在不显着增加计算时间的情况下产生更加平滑、更加准确的分类结果。3.针对传统的纹理特征对高分辨率SAR图像中不同地物呈现出的纹理辨别能力不足的问题,提出了一种新的纹理协方差特征。考虑到纹理协方差特征属于对称正定矩阵,形成了黎曼流形,欧式空间的分类方法会忽略黎曼流形的几何结构,无法得到最优的分类结果。进一步提出了使用基于Log-Euclidean距离的高斯内核对纹理协方差特征进行分类。既然Log-Euclidean距离是黎曼流行上的测地距离,纹理协方差特征的几何结构在分类过程中得到了保持。高分辨率实测SAR图像上的分类结果证明了所提分类方法的有效性。
韩向旭[6](2018)在《海南岛海岸带土地利用变化及驱动力分析》文中认为海岸带地区连接着海洋与陆地,是人类活动与经济发展最频繁的地区,但是这些地区也最容易受到自然、人类社会等的综合影响,是生态环境极为脆弱的地区。对海岸带地区土地利用变化及驱动力进行分析,有助于了解对全球环境变化的影响,对土地资源的可持续发展有重要意义。海南省是我国的热带岛屿省份,在1988年海南省成立之后,海南沿海地区土地利用类型经历了大的变化,比如城市扩张、围海造地、挖沙建岛、渔业养殖、旅游开发等活动,这些都会引起海岸带地区土地利用类型的变化。目前,关于专门探讨海南岛海岸带土地利用及驱动力的文章较少。本研究基于海南岛1990年、2000年、2009年和2015年的土地利用数据,运用GIS、RS技术和土地利用变化相关模型分析方法对海南岛海岸带四期土地利用动态变化及驱动力进行分析,并选择典型区域——三亚市和海口市进行重点分析。本文主要的研究结论如下:(1)海南岛和三亚市海岸带地区1990与2000年土地利用类型以耕地、林地为主,2009与2015年除了耕地、林地为主外,城镇村及工矿用地的比例有所增加,分别由1990年的5.04%和2.30%上升到2015年的16.03%和16.93%。海口市海岸带地区1990年和2000年土地利用类型以耕地为主,2009年和2015年土地利用类型以城镇村及工矿用地、林地和水域及水利设施用地为主。(2)海南岛、三亚市和海口市海岸带地区1990-2015年近30年间,土地利用类型增加最明显的为城镇村及工矿用地,分别由1990年的448.27km2、62.86km2和109.78km2增加到2015年的1484.06km2、269.59km2和264.07km2。整体上呈现为耕地转化为城镇村及工矿用地,转化比例分别为17%、26.94%和32.18%。海南岛、三亚市和海口市海岸带土地利用程度综合指数分别从1990年的271.50、249.53和285.39逐渐增大到2015年的276.56、277.34和306.23,一直处于发展的上升期。(3)海南岛海岸带地区土地利用变化驱动因素中社会经济因素占主导,包括人口变化、政府政策、养殖业发展、围海造田、经济发展和交通运输因素。影响三亚市海岸带地区土地利用变化的主要驱动力为旅游因素。影响海口市海岸带地区土地利用变化的主要驱动力为城镇发展、围填海与港口码头建设。本文的主要创新点有:(1)选取海南岛海岸带地区1990-2015年四期土地利用状况进行时空变化分析。就海南岛海岸带土地利用类型、面积总量、转化情况、土地利用变化速度、程度进行综合分析。(2)结合海南岛具体实情,选取典型城市,查找统计年鉴数据,甄选适度驱动因子,对其土地利用驱动力进行研究。通过研究海南岛海岸带地区土地利用变化及驱动力,有利于了解海岸带土地利用的演变过程及变化特点,揭示其驱动因子,对海南岛土地利用的可持续发展有一定的实践指导意义。
高宇飞[7](2017)在《基于张量分解的参数估计方法及其应用》文中指出在现代信号处理的实际应用中,许多信号类型常呈现出多维数据结构,传统的信号分析方法基于矩阵或向量建模,在处理这类问题时,只能将多维数据拉伸为二维矩阵或一维向量,这样极易破坏原始数据中的多维结构,从而不可逆地损失这部分结构信息,在很多情况下这会严重影响信号处理结果。基于张量分解的信号处理方法则不存在这一问题,这是由于张量分解模型具有多线性数据结构,在处理信号时不仅可以保留其多维信息,而且通过利用此类结构信息还能够获得比传统矩阵类方法更好的性能。以此为出发点,本文将张量分解方法引入信号多参数估计,主要研究了以下五个问题:第一,针对标量传感器阵列的入射信号波达角估计问题,本文提出了一种基于规范多元张量分解的L-型阵列二维波达角估计算法。该算法可利用阵列结构的多旋转不变性,在满足Vandermonde结构约束的情况下,可具有比传统ESPRIT算法更为宽松的应用条件。规范多元张量分解模型在列置换及尺度变换的意义下具有分解唯一性,利用这个性质,本文所提算法能够以高精度获得空间频率的参数估计。此外,文中采用一种具有对称结构的波达角表示模型并引入了交叉互相关矩阵信息协助完成二维角度匹配。第二,针对相干信源的波达角估计问题,本文提出了一种基于Tucker张量分解的均匀线阵波达角估计算法。当入射信号存在相干性的情况下,由于秩条件无法满足,现有估计方法往往会失效,在这种情况下,采用Tucker张量分解依然可以得到信号的子空间估计,并且由于综合了信号各模的结构信息,Tucker张量分解的子空间估计性能也优于传统基于矩阵分解的子空间类方法。第三,针对目标散射点具有块稀疏结构的聚束SAR成像问题,本文提出了一种基于Tucker张量分解的多模稀疏重构算法。该算法可充分利用SAR回波信号各模间的Kronecker结构信息,使其相较经典匹配追踪类方法具有更高的成功恢复上界。另外在计算资源占用方面,本文进行了计算复杂度分析和数值仿真实验,理论与实验结果均表明所提算法相比现有稀疏重构类方法具有更低的资源需求。第四,针对电磁矢量传感器阵列的部分极化波参数估计问题,本文提出了一种基于rank-(L1,L2,·)块因子张量分解模型的二维波达角估计算法。该模型具有与Tucker张量分解类似的模-n秩结构,同时也具有与规范多元张量分解类似的分解唯一性,本文具体分析了电磁矢量传感器阵列模型的秩条件;所提算法借助该张量模型的分解唯一性可以得到阵列导向矩阵的估计,从而自动完成方位角与俯仰角的估计与配对。最后,针对电磁矢量传感器阵列的全极化波参数估计问题,本文提出了一种基于rank-(L,L,1)块因子张量分解模型的波达角-极化参数联合估计算法。与rank-(L1,L2,·)块因子张量分解模型类似,rank-(L,L,1)块因子张量分解模型也具有分解唯一性,所提算法利用该性质得以完成阵列多参数的估计与配对。对于上述各算法,本文在每一章均进行了多组数值仿真以验证所提算法的有效性,实验结果与各章理论分析结论相一致。
董刚刚[8](2016)在《基于单演信号的SAR图像目标识别技术研究》文中认为合成孔径雷达是一种工作于微波波段的主动式传感器,它不受光照、气候等条件限制,可全天时、全天候对地观测;通过超宽带成像技术还可透过地表或植被捕获浅埋目标的有用信息。自动目标识别是合成孔径雷达图像解译的基础性课题,它在战场监视、防空反导、战略预警等方面发挥着十分重要的作用,因而能为战场态势感知和情报生成提供重要保障。自20世纪80年代以来,各国学者围绕着雷达自动目标识别开展了大量富有成效的研究工作。然而,已有的研究成果距离实际战场应用还有一定差距。合成孔径雷达是一种相干成像雷达,其图像对于目标姿态角、雷达俯仰角、装备物理配置、遮挡与连接体变体、噪声污染等因素十分敏感。这些因素的细微变化,也可能导致迥然各异的目标散射现象。为了应对这些敏感因素带来的不利影响,本文深入系统地分析前人开展的工作,通过总结已有研究成果、分析存在的问题和不足,提炼出自动目标识别系统工程的两大关键技术:SAR图像特征描述和分类学习。然后分别从这两个方面入手,寻找改进方案,提高识别的稳健性和可靠性。在深入分析经典的特征描述方法基础上,论文引入了近年来提出的一种高维空间解析信号单演信号,借助带通滤波器组构建原始信号的单演信号尺度空间,利用不同尺度空间分解生成的分量对原始SAR图像目标散射现象进行刻画描述,捕捉信号内部蕴含的稳健信息;在分类学习环节引入稀疏表示理论,与经典方法推崇的正交编码不同,我们采取基于过完备冗余字典的稀疏表示方案,首先利用给定样本构造过完备冗余字典,根据字典原子的线性组合表示未知信号,生成多元线性回归模型,借助最稀疏约束求取最优回归系数,根据回归系数计算重构误差,实现决策分类。论文的主要贡献包括:1.系统回顾了SAR图像自动目标识别的发展历程,对现有的识别方法进行总结归类,分析梳理各种方法的优点与不足,进而概括自动目标识别技术应用于实际战场需要解决的关键问题;围绕着这些关键问题提出本文的研究主线:借助单演信号多尺度表示刻画SAR图像目标散射现象,捕捉不变信息;引入稀疏表示理论进行分类学习,实现目标类别的判决。2.回顾了稀疏表示的发展历程,介绍相关背景知识,包括工作原理、前提条件及重构算法,重点阐述稀疏表示在模式识别中的应用现状;详细解释了稀疏表示在遥感图像解译中的应用可行性;结合SAR图像目标识别技术需要解决的关键问题,分别从样本表示和决策规则两个方面进行了尝试性改进,提出了基于频域稀疏表示的分类学习和基于DS证据推理的“软”决策两种算法。3.针对扩展工作条件下的目标识别问题,引入了高维空间解析信号—单演信号,借助带通滤波器组构造单演信号尺度空间,利用不同尺度空间的系数分量实现对SAR图像的表示,刻画目标散射现象,设计特征描述向量,构造回归模型,实现稀疏表示分类。主要内容包括:借助数据融合、再生核Hilbert空间合成核学习和黎曼流形学习等方法,分别提出基于单演信号图像域信息融合的分类学习、基于单演信号Hilbert空间多核合成的分类学习、基于单演信号尺度空间流形学习的分类三种识别框架和思路,其中图像域信息融合包括单演信号尺度空间分量的特征级融合、决策级融合以及多特征多任务联合稀疏表示三种实现方案,再生核Hilbert空间合成核学习包括数据空间合成学习与Hilbert空间多核合成学习两种具体算法,黎曼流形学习包括对称正定矩阵空间的流形学习、单演信号尺度空间Grassmann流形学习和方向可控Riesz小波框架Grassmann流形学习三种具体方案。4.借助MSTAR目标切片实测数据设计了大量目标识别实验,按照先基础验证再实验比较的步骤,对所提出的方法的合理性做基础验证,并通过与经典算法的比较来检验算法的有效性和扩展能力。
许春燕[9](2015)在《基于黎曼流形的图像分类算法研究》文中认为图像分类算法是计算机视觉、模式识别和机器学习领域一个重要的研究问题。图像分类算法是从视觉图像中抽取一种或者多种特征信息(如:颜色、纹理、形状和空间信息等),通过分析统计这些图像特征,把图像划分到相应的视觉类别中。随着多媒体和互联网技术的高速发展,图像分类算法日益重要,具有广阔的应用前景,可应用到高层次语义理解、海量图像检索、视频智能监控、人机交互、医学诊断、虚拟现实等多个领域。在图像分类算法中,视觉图像特征的有效构建和分析,尤为重要。一方面,基于全局图像特征的图像分类算法已经得到广泛研究,但是全局特征对光照、背景、角度等环境因素的变化非常敏感。与全局图像特征相比,基于局部特征的图像表示能够在一定程度上解决这些问题。另一方面,如果直接把图像特征当作向量处理,将忽视其所处空间的拓扑结构。因此为了解决这个问题,我们提出利用黎曼流形理论,分析图像特征的空间结构。而黎曼流形是一种有力的空间分析工具,通过把具有一定空间结构的图像特征描述子投影到黎曼流形上,能更加有效地分析结构化的图像特征。其中常用的黎曼流形有:格拉斯曼流形、李群流形和Stiefel流形等。本文在国内外已有的研究基础上,对基于黎曼流形的图像分类算法及相关应用进行深入研究。本文主要研究内容和创新性工作概括如下:(1)基于序列图像块的自回归滑动平均模型大多数现有的图像分类方法考虑到图像外观特征信息,却忽略了图像内部空间信息。针对此问题,本文引入一个基于序列图像块的图像表示方法,能够综合考虑图像局部特征和图像内部的空间位置关系。然后针对每个图像所对应的序列图像块,构建自回归滑动平均模型(Auto-Regressive and Moving Average Model, ARMA模型),进行模型参数估计。因此每个图像都可以编码为序列图像块,构建相应的图像自回归滑动平均模型。在以上研究内容的基础上,将针对模型参数空间分析、图像分类等问题,开展后续研究工作(2)基于格拉斯曼流形和自回归滑动平均模型的图像分类算法首先根据基于序列图像块的自回归滑动平均模型理论,把每个图像编码为序列图像块,构建图像自回归滑动平均模型,其参数子空间,可投影到格拉斯曼流形上进行相关图像分类算法研究。然后基于格拉斯曼流形上的度量算法,来构建一个格拉斯曼流形核函数,进行图像分类算法应用研究。最后在若干公开图像数据集(如:MNIST、USPS、Yale和ORL等)上验证此算法的有效性。(3)基于李群流形和自回归滑动平均模型的人脸图像分类算法为了有效地处理人脸图像中的复杂非线性变化,基于李群流形空间理论和分析方法,提出李群核函数来处理人脸识别、头部姿态识别等图像分类问题。我们基于序列图像块的人脸图像表示,构建自回归滑动平均模型,同时获取人脸图像的外观特征和空间信息。自回归滑动模型的参数可以参数化为一种特殊结构的上三角矩阵,其子空间结构可以构建为李群流形。基于李群流形分析的方法,对自回归滑动模型进行相似性度量,从而构建李群核函数。基于李群核函数的支持向量机分类器,进行人脸图像分类算法研究。在人脸识别和头部姿态估计等人脸图像分类问题上,最终的实验室结果显示本文所提出的算法能够超过其他人脸分析方法。(4)基于李群流形和正定对称矩阵判别分析的图像分类算法在李群流形的基础上,对正定对称矩阵进行判别分析,即:通过优化数据,把一个李群流形映射到另外一个低维的李群流形。具体来说,我们以正定对称矩阵空间(如:协方差矩阵)为例。正定对称矩阵是李群流形的一个具体例子,已经证明是一个图像特征表示的有效工具。基于图嵌入框架,通过优化类内紧密性和类间分离性,在李群流形上进行判别变换,从而优化李群流形上的数据结构。在维度降低的李群流形上,计算任意两个样本之间的测地线距离,构建对应的核函数,最后利用支持向量机进行图像分类算法研究。为了验证所提出算法的有效性,我们在五个公共数据集(如:Scene-15,Caltech101,UIUC运动场景,MIT室内场景和VOC07)上进行实验,均达到非常好的分类结果。
李文娜[10](2011)在《复杂工业过程运行状态辨识方法的研究》文中指出由于现代工业生产过程的复杂性、非线性和不确定性,实际工业过程中,控制系统中的被控对象参数或结构会发生变化,使得很难达到预期的结果。此时如果能够对过程的运行状态进行有效的辨识,就能够对系统进行快速、准确的控制,预防各种事故的发生;同时为过程自适应优化控制、过程监控、过程性能评估、过程故障诊断等方面的研究打下良好的基础。本文以复杂工业过程为研究对象,根据实际情况,提出了一种新的状态辨识方法,包括对系统离线进行工况划分、在线状态工况识别及在线性能评估。上述辨识方法应用于谷氨酸发酵过程中,通过仿真研究证明了所提出方法的有效性、稳定性和可靠性。本文主要完成了以下的内容:(1)根据系统的输入输出数据,利用改进后的模糊聚类算法对复杂工业过程进行工况划分。在得到最佳工况划分的同时还能得到工况个数与最佳聚类结果的聚类中心,为下面的研究做基础;(2)结合PCA与RBF神经网络的知识,建立复杂工业过程运行状态识别系统。对原始数据经过PCA降维,然后结合前面的结论,利用本文改进后的方法对RBF神经网络进行参数设定,最后利用大量的输入数据对网络进行学习与训练,得到运行状态的识别系统,对运行状态进行状态识别;(3)当确定了当前状态属于哪种工况后,根据点密度比值的方法来判定当前状态的工作情况,对过程优化控制策略的制定起到决定性的作用。
二、Separativity and Stable Range for Formal Triangular Matrix Rings(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Separativity and Stable Range for Formal Triangular Matrix Rings(论文提纲范文)
(1)大规模数据降维中迹比率问题与非负矩阵分解的快速算法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
变量注释表 |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究现状及主要结果 |
1.3 数据库 |
1.4 本文的结构 |
1.5 本文的创新点 |
2 大规模数据降维中迹比率问题的算法与理论研究 |
2.1 引言 |
2.2 迹比率问题的显式解 |
2.3 高维大样本稠密迹比率问题的随机算法 |
2.4 高维大样本稀疏迹比率问题的快速算法 |
2.5 数值实验 |
2.6 小结 |
3 PCA+图嵌入方方法的稳定性性研究 |
3.1 引言 |
3.2 PCA+图嵌入方法的不稳定性 |
3.3 PCA+指数图嵌入方法 |
3.4 数值实验 |
3.5 小结 |
4 高维数据降维中矩阵阵指数判别分析方方法的快速速算法与稳定性研究 |
4.1 引言 |
4.2 矩阵指数判别分析方法 |
4.3 快速矩阵指数判别分析方法 |
4.4 快速算法的稳定性分析 |
4.5 数值实验 |
4.6 小结 |
5 非负矩阵分解的交替非负最小二乘算法研究 |
5.1 引言 |
5.2 非负矩阵分解的交替rank-k非负最小二乘方法 |
5.3 rank-k非负最小二乘的递归公式 |
5.4 交替rank-3非负最小二乘方法 |
5.5 数值实验 |
5.6 小结 |
6 结论与展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(2)应用N版本编程技术的小型云系统的安全可靠性优化(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究历史与现状 |
1.2.1 云网络中的安全研究 |
1.2.2 云网络中的故障预测研究 |
1.2.3 NVP技术相关研究 |
1.3 本文的主要贡献与创新 |
1.4 本论文的结构安排 |
第二章 研究相关技术基础 |
2.1 NVP技术 |
2.1.1 容错系统中的多重计算 |
2.1.2 N个独立版本的多重计算 |
2.1.3 云网络实现NVP技术的可行性分析 |
2.2 常见的故障预测算法 |
2.2.1 支持向量机 |
2.2.2 K近邻分类算法 |
2.2.3 聚类算法 |
2.3 共存攻击 |
2.3.1 有代表性的共存攻击 |
2.3.2 针对共存攻击的常见对策 |
2.4 本章小结 |
第三章 小型云环境下的服务器故障预测 |
3.1 小型云系统中的故障因子 |
3.1.1 强故障因子对小型云系统的可靠性影响 |
3.1.2 其他因子对小型云系统的可靠性影响 |
3.2 针对采集的数据集的参数选择 |
3.2.1 数据集的参数采集选择 |
3.2.2 数据集的聚类趋势评估 |
3.3 基于故障域分级的聚类算法 |
3.3.1 理论分析 |
3.3.2 基于故障域分级的聚类算法步骤 |
3.4 算法实验结果验证 |
3.4.1 聚类质量的评估结果 |
3.4.2 故障数据测试结果验证 |
3.4.3 服务器评分及实时预测结果展示 |
3.5 本章小结 |
第四章 应用NVP技术的小型云网络的安全可靠性 |
4.1 应用NVP技术的小型云网络中的共存攻击分析 |
4.1.1 共存攻击威胁模式 |
4.1.2 NVP服务的安全可靠性模型 |
4.1.3 SC的最优数量 |
4.2 FIRST-PAST-THE-POST投票机制 |
4.3 伪装组件 |
4.3.1 伪装组件机制可行性分析 |
4.3.2 伪装组件机制保护下的NVP服务模型 |
4.3.3 参数敏感性分析 |
4.4 NVP服务最优策略制定 |
4.4.1 最优放置策略 |
4.4.2 最优数量策略 |
4.4.3 参数敏感性分析 |
4.5 本章小结 |
第五章 全文总结与展望 |
5.1 全文总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
附录 |
(3)关于大规模矩阵的SVD和GSVD计算的研究(论文提纲范文)
摘要 |
abstract |
主要符号对照表 |
第1章 绪论 |
1.1 SVD数值方法的发展及现状 |
1.2 GSVD数值方法的发展及现状 |
1.3 本文研究内容和结构安排 |
第2章 SVD和GSVD的基本理论知识和现有算法 |
2.1 SVD的基础知识 |
2.2 计算大规模矩阵的SVD的现有方法 |
2.2.1 Lanczos双对角化型方法 |
2.2.2 Jacobi-Davidson型SVD方法 |
2.3 GSVD的基础知识 |
2.4 计算大规模矩阵对的GSVD的现有算法 |
2.4.1 Lanczos联合双对角化方法 |
2.4.2 Jacobi-Davidson型GSVD方法 |
第3章 关于Jacobi-Davidson型SVD方法内迭代的研究 |
3.1 引言 |
3.2 调和和精化调和的JDSVD方法 |
3.2.1 调和的Jacobi-Davidson SVD方法 |
3.2.2 精化调和的Jacobi-Davidson SVD方法 |
3.3 收敛性分析 |
3.4 带收缩的JDSVD型方法 |
3.4.1 收缩技术 |
3.4.2 理论推广 |
3.5 实用的内迭代停机准则 |
3.6 数值实验 |
3.7 本章小结 |
第4 章 关于计算大规模矩阵对的GSVD的格式选择研究 |
4.1 引言 |
4.2 广义特征值问题的扰动分析和广义奇异值的精度 |
4.2.1 广义奇异值的精度 |
4.2.2 广义特征向量的精度 |
4.3 广义奇异向量的精度 |
4.4 (4-4)和 (4-5)的实用选择策略 |
4.5 数值实验 |
4.6 本章小结 |
第5章 免叉积的Jacobi-Davidson型大规模GSVD方法 |
5.1 引言 |
5.2 CPF-JDGSVD算法 |
5.2.1 提取方法 |
5.2.2 子空间扩充 |
5.3 校正方程的性质 |
5.3.1 条件数 |
5.3.2 子空间扩充精度 |
5.3.3 内迭代停机准则 |
5.4 带重启和收缩的CPF-JDGSVD算法 |
5.4.1 重启方法 |
5.4.2 收缩方法 |
5.4.3 CPF-JDGSVD算法:伪代码 |
5.5 数值实验 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 本文的创新点 |
6.3 对未来工作的展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文与研究成果 |
(4)成都天府新区土地利用变化及其生态效应研究(论文提纲范文)
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景 |
1.2 研究目的及研究意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 国内外相关研究进展 |
1.3.1 国内外土地利用变化研究进展 |
1.3.2 国内外土地利用变化的生态服务价值研究进展 |
1.3.3 土地利用变化的生态效应研究方法进展 |
1.3.4 研究评述 |
1.4 研究内容、方法及技术路线 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.4.3 技术路线 |
2 相关基本概念与理论基础 |
2.1 相关基本概念 |
2.1.1 土地利用类型的变化率 |
2.1.2 土地利用变化的生态效应 |
2.1.3 生态系统服务价值 |
2.2 相关理论基础 |
2.2.1 生态经济学理论 |
2.2.2 景观生态学理论 |
2.2.3 人地关系协调理论 |
2.2.4 可持续发展理论 |
2.2.5 系统学理论 |
3 研究区概况以及数据来源 |
3.1 地理位置 |
3.2 自然条件 |
3.3 社会经济条件 |
3.4 数据来源与数据处理 |
4 1995-2015 年成都天府新区土地利用变化研究 |
4.1 天府新区土地利用数量变化特征与分析 |
4.1.1 土地利用结构变化分析 |
4.1.2 土地利用变化幅度 |
4.2 土地利用变化速率分析 |
4.2.1 单一土地利用动态度 |
4.2.2 综合土地利用动态度 |
4.3 土地利用程度变化分析 |
4.4 天府新区土地利用类型转移矩阵分析 |
5 成都天府新区土地利用变化的生态效应研究 |
5.1 土地利用的生态环境指数变化分析 |
5.1.1 土地生态环境指数的确定 |
5.1.2 土地生态环境指数变化特征 |
5.2 天府新区土地生态系统服务价值变化分析 |
5.2.1 生态系统服务价值标准当量的确定 |
5.2.2 天府新区生态系统服务价值估算方法 |
5.2.3 天府新区土地生态系统服务价值估算 |
5.2.4 天府新区生态系统服务价值变化特征 |
5.2.5 天府新区生态系统服务价值功能结构变化特征 |
5.2.6 天府新区生态系统服务价值来源分析 |
5.3 土地利用变化与生态系统服务价值的关系分析 |
5.3.1 土地利用类型对生态服务价值变化的贡献率分析 |
5.3.2 土地利用变化与生态系统服务价值间的关联度分析 |
6 结论与讨论 |
6.1 主要研究结论 |
6.2 讨论 |
参考文献 |
附表 |
致谢 |
在校期间参与的科研项目与成果 |
(5)高分辨率SAR图像地物分类技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 预处理算法 |
1.2.2 特征提取 |
1.2.3 分类算法 |
1.3 本文主要工作及组织结构 |
1.3.1 论文主要工作 |
1.3.2 论文组织结构 |
第二章 相关知识和理论 |
2.1 不同地物的散射特性 |
2.1.1 自然地物的散射特性 |
2.1.2 建筑物的散射特性 |
2.2 SAR图像相关知识 |
2.2.1 等效视数 |
2.2.2 SAR图像统计模型 |
2.2.3 SAR图像产品及基本处理 |
2.3 多类分类问题相关知识 |
2.3.1 多类别分类策略 |
2.3.2 模型选择 |
2.3.3 分类结果评价 |
2.4 本章小结 |
第三章 基于非局部低秩最小化模型的高分辨率SAR图像滤波算法 |
3.1 引言 |
3.2 低秩最小化 |
3.3 基于非局部低秩最小化模型的相干斑滤波算法 |
3.3.1 非局部图像块组构造 |
3.3.2 基于Fisher-Tippett分布的低秩最小化模型 |
3.3.3 优化求解方法 |
3.3.4 收敛性分析 |
3.3.5 时间复杂度分析 |
3.4 实验结果与分析 |
3.4.1 参数设置 |
3.4.2 仿真SAR图像滤波实验 |
3.4.3 实测SAR图像滤波实验 |
3.4.4 算法运行时间对比 |
3.5 本章小结 |
第四章 基于自适应上下文信息的高分辨率SAR图像分类算法 |
4.1 引言 |
4.2 超像素生成算法 |
4.2.1 简单线性迭代算法 |
4.2.2 本章提出的SLIC-EC超像素生成算法 |
4.3 基于自适应上下文信息的合成内核分类方法 |
4.3.1 基于核技巧的SVM分类方法 |
4.3.2 Mercer内核的性质 |
4.3.3 基于自适应上下文信息的合成内核分类方法 |
4.4 实验结果与分析 |
4.4.1 实验配置 |
4.4.2 参数设置 |
4.4.3 分类结果 |
4.5 本章小结 |
第五章 基于纹理协方差特征的高分辨率SAR图像分类算法 |
5.1 引言 |
5.2 纹理协方差描述符特征 |
5.2.1 区域协方差描述符 |
5.2.2 协方差描述符的统计解释 |
5.2.3 本章提出的纹理协方差描述符 |
5.3 SPD矩阵的内核方法 |
5.3.1 SPD矩阵的距离测度 |
5.3.2 定义在黎曼流形上的正定内核 |
5.4 实验结果与分析 |
5.4.1 SAR数据集描述 |
5.4.2 实验设置 |
5.4.3 参数分析 |
5.4.4 几何结构的重要性 |
5.4.5 与其他分类方法的对比 |
5.5 本章小结 |
第六章 结束语 |
6.1 工作总结 |
6.2 未来工作展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(6)海南岛海岸带土地利用变化及驱动力分析(论文提纲范文)
中文摘要 |
英文摘要 |
1 前言 |
1.1 研究背景及意义 |
1.2 国内外研究进展 |
1.2.1 土地利用变化遥感研究 |
1.2.2 海岸带土地利用变化遥感研究 |
1.2.3 海岸带土地利用变化驱动力研究 |
1.2.4 海南岛土地利用变化遥感研究 |
1.3 研究内容与技术路线 |
1.4 论文组织结构 |
1.5 本章小结 |
2 研究区与数据 |
2.1 研究区概况 |
2.1.1 海岸带范围的划定 |
2.1.2 地理位置概况 |
2.1.3 自然环境概况 |
2.1.4 社会经济概况 |
2.2 数据介绍 |
2.2.1 遥感影像数据 |
2.2.2 土地利用数据 |
2.2.3 社会经济数据 |
2.2.4 野外调查数据 |
2.2.5 其他数据 |
2.3 本章小结 |
3 海南岛海岸带多时相土地利用分类 |
3.1 数据预处理 |
3.1.1 波段合成 |
3.1.2 遥感图像镶嵌 |
3.1.3 遥感图像裁剪 |
3.1.4 遥感图像几何校正 |
3.2 基于监督分类的遥感影像分类 |
3.2.1 遥感影像分类技术 |
3.2.2 解译标志的建立 |
3.2.3 监督分类 |
3.2.4 分类后处理 |
3.3 分类结果精度评价 |
3.4 本章小结 |
4 海南岛海岸带土地利用变化及驱动力分析 |
4.1 土地利用变化及驱动力分析理论基础 |
4.1.1 土地利用动态度模型 |
4.1.2 土地利用程度模型 |
4.1.3 土地利用转移矩阵模型 |
4.1.4 灰色关联模型 |
4.2 海南岛海岸带土地利用变化分析 |
4.2.1 土地利用总量变化分析 |
4.2.2 土地利用类型相互转化分析 |
4.2.3 土地利用速度变化分析 |
4.2.4 土地利用程度变化分析 |
4.3 海南岛海岸带土地利用变化驱动力分析 |
4.3.1 海南岛海岸带土地利用变化驱动力定量分析 |
4.3.2 海南岛海岸带土地利用变化驱动力定性分析 |
4.4 本章小结 |
5 典型城市土地利用变化及驱动力分析 |
5.1 海岸带地区典型城市选取 |
5.2 三亚市海岸带地区土地利用变化分析 |
5.2.1 土地利用总量变化分析 |
5.2.2 土地利用类型相互转化分析 |
5.2.3 土地利用速度变化分析 |
5.2.4 土地利用程度变化分析 |
5.2.5 土地利用变化驱动力分析 |
5.3 海口市海岸带地区土地利用变化分析 |
5.3.1 土地利用总量变化分析 |
5.3.2 土地利用类型相互转化分析 |
5.3.3 土地利用速度变化分析 |
5.3.4 土地利用程度变化分析 |
5.3.5 土地利用变化驱动力分析 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间科研项目及发表论文情况 |
(7)基于张量分解的参数估计方法及其应用(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究历史与现状 |
1.2.1 规范多元张量分解的研究历史与现状 |
1.2.2 Tucker张量分解的研究历史与现状 |
1.2.3 块因子张量分解的研究历史与现状 |
1.2.4 张量分解的数值仿真工具 |
1.3 本文的主要创新点 |
1.4 本文的章节组织 |
第二章 张量分解的理论基础 |
2.1 引言 |
2.2 矩阵分析的重要概念回顾 |
2.2.1 矩阵的子空间概念 |
2.2.2 矩阵秩的概念 |
2.2.3 一些重要的矩阵运算 |
2.2.4 矩阵的因子分解 |
2.3 张量的基本概念与定义 |
2.3.1 张量的定义与表示 |
2.3.2 张量的基本运算 |
2.3.3 张量的秩 |
2.3.3.1 张量的低秩近似 |
2.4 规范多元张量分解模型 |
2.4.1 规范多元张量分解的定义与性质 |
2.4.2 规范多元张量分解的唯一性 |
2.4.3 规范多元张量分解的计算 |
2.5 Tucker张量分解模型 |
2.5.1 Tucker张量分解的定义与性质 |
2.5.2 Tucker张量分解的计算 |
2.6 块因子张量分解模型 |
2.6.1 rank-(L, L,1)块因子张量分解 |
2.6.1.1 rank-(L,L ,1)块因子张量分解的唯一性 |
2.6.1.2 rank-(L, L,1)块因子张量分解的计算 |
2.6.2 rank-(L_1, L_2, L_3)块因子张量分解 |
2.6.2.1 rank-(L_1, L_2,L_3)块因子张量分解的唯一性 |
2.6.2.2 rank-(L_1,L_ 2,L_3)块因子张量分解的计算 |
2.6.3 rank-(L_1,L_2,·)块因子张量分解 |
2.6.3.1 rank-(L_1,L_2,·)块因子张量分解的唯一性 |
2.6.3.2 rank-(L_1,L_2,·)块因子张量分解的计算 |
2.7 本章小结 |
第三章 基于规范多元张量分解的波达角参数估计 |
3.1 引言 |
3.2 问题描述与信号建模 |
3.2.1 接收信号模型 |
3.2.2 规范多元张量分解建模 |
3.2.3 张量接收信号模型的秩条件分析 |
3.3 算法描述与分析 |
3.3.1 去模糊角度估计 |
3.3.2 二维波达角匹配 |
3.4 实验与讨论 |
3.4.1 仿真实例 |
3.4.1.1 不同信噪比条件下的仿真实例 |
3.4.1.2 不同波达角分离度条件下的仿真实例 |
3.4.1.3 不同快拍数条件下的仿真实例 |
3.4.2 与现有方法的性能比较 |
3.4.2.1 均方根误差 |
3.4.2.2 检测概率 |
3.5 本章小结 |
第四章 基于Tucker张量分解的波达角参数估计 |
4.1 引言 |
4.2 问题描述与信号建模 |
4.3 算法描述与分析 |
4.3.1 基于不同子空间估计方法的伪谱对比分析 |
4.3.2 误差性能分析 |
4.3.3 Tucker张量分解与规范多元张量分解的联系与区别 |
4.4 实验与讨论 |
4.4.1 仿真实例 |
4.4.1.1 不同信噪比条件下的仿真实例 |
4.4.1.2 不同波达角分离度条件下的仿真实例 |
4.4.1.3 不同快拍数条件下的仿真实例 |
4.4.2 与现有方法的性能比较 |
4.5 本章小结 |
第五章 基于Tucker张量分解的多模稀疏重构方法 |
5.1 引言 |
5.2 问题描述与信号建模 |
5.2.1 接收信号模型 |
5.2.2 Kronecker结构字典 |
5.2.3 基于张量模型的多模分块稀疏度概念 |
5.3 算法描述与分析 |
5.3.1 基于Kronecker结构字典的多线性稀疏重构 |
5.3.2 算法复杂度分析 |
5.4 实验与讨论 |
5.4.1 仿真实例 |
5.4.1.1 理想点目标SAR成像仿真实例 |
5.4.1.2 实际场景SAR成像仿真实例 |
5.4.2 与现有方法的性能比较 |
5.4.2.1 均方根误差 |
5.4.2.2 计算资源占用 |
5.5 本章小结 |
第六章 基于块因子张量分解的部分极化波参数估计 |
6.1 引言 |
6.2 问题描述与信号建模 |
6.2.1 EMVS阵列信号模型 |
6.2.2 EMVS阵列的rank-(L_1,L_2,·)块因子张量分解建模 |
6.2.3 唯一性分析 |
6.3 算法描述与分析 |
6.3.1 波达角参数估计 |
6.4 实验与讨论 |
6.4.1 仿真实例 |
6.4.1.1 不同信噪比条件下的仿真实例 |
6.4.1.2 不同波达角分离度条件下的仿真实例 |
6.4.1.3 不同快拍数条件下的仿真实例 |
6.4.2 与现有方法的性能比较 |
6.4.2.1 均方根误差 |
6.4.2.2 检测概率 |
6.5 本章小结 |
第七章 基于块因子张量分解的全极化波参数估计 |
7.1 引言 |
7.2 问题描述与信号建模 |
7.2.1 EMVS阵列的rank-(L, L,1)块因子张量分解建模 |
7.3 算法描述与分析 |
7.3.1 波达角-极化参数联合估计 |
7.4 实验与讨论 |
7.4.1 仿真实例 |
7.4.1.1 不同信噪比条件下的仿真实例 |
7.4.1.2 不同快拍数条件下的仿真实例 |
7.4.2 与现有方法的性能比较 |
7.4.2.1 均方根误差 |
7.4.2.2 检测概率 |
7.5 本章小结 |
第八章 全文总结与展望 |
8.1 全文总结 |
8.2 未来工作展望 |
致谢 |
参考文献 |
攻读博士学位期间取得的成果 |
(8)基于单演信号的SAR图像目标识别技术研究(论文提纲范文)
摘要 |
ABSTRACT |
缩略语 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状及面临的挑战 |
1.2.1 当前研究现状 |
1.2.2 面临的困难与挑战 |
1.2.3 主要关键技术 |
1.3 论文的主要工作及创新 |
1.3.1 论文的主要工作 |
1.3.2 论文的创新点 |
第二章 基于稀疏表征的SAR图像目标分类可行性研究 |
2.1 稀疏表示 |
2.1.1 线性空间以及线性空间的基 |
2.1.2 过完备冗余字典 |
2.2 压缩感知 |
2.2.1 工作原理 |
2.2.2 测量矩阵 |
2.2.3 重构算法 |
2.2.4 常用的优化工具箱 |
2.3 基于稀疏表示的分类学习 |
2.4 稀疏表示在SAR图像目标识别中的应用 |
2.4.1 可行性分析 |
2.4.2 改进方案 |
2.4.3 实验验证 |
2.5 本章小结 |
第三章 基于单演信号的SAR图像目标特性描述 |
3.1 Riesz变换与单演信号 |
3.1.1 解析信号 |
3.1.2 Riesz变换 |
3.1.3 单演信号 |
3.2 单演信号对SAR图像散射特性的变化分析 |
3.2.1 物理配置变化分析 |
3.2.2 姿态角变化分析 |
3.2.3 俯仰角变化分析 |
3.2.4 连接体变体分析 |
3.2.5 随机噪声污染分析 |
3.3 本章小结 |
第四章 基于单演信号信息融合的SAR图像目标分类学习 |
4.1 空域信息融合方案 |
4.1.1 特征级融合(Feature-levelFusion) |
4.1.2 决策级融合(Decision-level Fusion) |
4.1.3 多特征多任务联合稀疏表示 |
4.2 实验验证 |
4.2.1 标准工作条件 |
4.2.2 扩展工作条件 |
4.2.3 杂波样本拒识 |
4.3 本章小结 |
第五章 基于单演信号多核合成学习的SAR图像目标分类 |
5.1 再生核Hilbert空间 |
5.1.1 Mercer核 |
5.1.2 再生核Hilbert空间 |
5.1.3 正定核函数的特性 |
5.2 Hilbert核空间线性表示 |
5.3 单演信号Hilbert空间多核合成学习 |
5.3.1 “先组合再映射”单演信号特征组合 |
5.3.2 “先映射再组合”格莱姆矩阵组合 |
5.4 实验验证 |
5.4.1 标准工作条件 |
5.4.2 扩展工作条件 |
5.4.3 随机噪声污染 |
5.5 本章小结 |
第六章 基于单演信号流形学习的SAR图像目标分类 |
6.1 微分几何基础理论 |
6.1.1 黎曼流形 |
6.1.2 Stiefel和Grassmann流形 |
6.2 单演信号尺度空间的流形学习 |
6.2.1 单演信号协方差矩阵构建的黎曼流形 |
6.2.2 单演信号系数矩阵构建的Grassmann流形 |
6.2.3 方向可控Riesz小波构建的Grassmann流形 |
6.3 实验验证 |
6.3.1 基础实验验证 |
6.3.2 扩展工作条件实验比较 |
6.4 本章小结 |
第七章 结束语 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
附录A 向量空间 |
附录B Dempster-Shafer证据理论 |
B.1 DS数据融合 |
B.2 Bayes数据融合 |
附录C 线性回归与核回归分析 |
(9)基于黎曼流形的图像分类算法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 黎曼流形基础理论 |
1.3 国内外研究现状 |
1.4 存在的问题 |
1.5 研究内容与目标 |
1.6 论文组织结构 |
2 基于序列图像块的自回归滑动平均模型 |
2.1 引言 |
2.2 基于序列图像块的图像表示 |
2.3 图像自回归滑动平均模型 |
2.4 模型参数估计 |
2.5 本章小结 |
3 基于格拉斯曼流形和自回归滑动平均模型的图像分类算法 |
3.1 引言 |
3.2 基于格拉斯曼流形的自回归滑动平均模型参数分析 |
3.3 基于格拉斯曼流形的相似性度量 |
3.4 格拉斯曼核函数 |
3.5 实验评价 |
3.6 本章小结 |
4 基于李群流形和自回归滑动平均模型的人脸图像分类算法 |
4.1 引言 |
4.2 基于李群流形的自回归滑动平均模型参数分析 |
4.3 李群核函数 |
4.4 实验评价 |
4.5 本章小结 |
5 基于李群流形和正定对称矩阵判别分析的图像分类算法 |
5.1 引言 |
5.2 正定对称矩阵的李群结构 |
5.3 基于李群流形的正定对称矩阵变换 |
5.4 基于李群流形的正定对称矩阵判别学习 |
5.5 图像分类应用研究 |
5.6 实验评价 |
5.7 本章小结 |
6 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
致谢 |
参考文献 |
附录1 攻读学位期间发表的学术论文 |
附录2 攻读博士期间参加的部分科研项目 |
附录3 攻读博士期间获得的奖励 |
(10)复杂工业过程运行状态辨识方法的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 论文研究的目的和意义 |
1.2 论文研究的背景和现状 |
1.3 论文研究的方法和主要工作 |
1.4 论文的结构和内容 |
第2章 基于改进模糊聚类算法的过程工况划分方法 |
2.1 模糊聚类基础知识 |
2.1.1 模糊集合和隶属函数 |
2.1.2 模糊关系 |
2.1.3 模糊聚类方法的分类 |
2.2 模糊聚类算法 |
2.2.1 模糊划分 |
2.2.2 模糊C-均值聚类算法 |
2.3 FCM算法的缺陷及改进 |
2.3.1 FCM算法的缺陷 |
2.3.2 FCM算法的改进 |
2.3.3 仿真结果 |
2.4 本章小结 |
第3章 PCA与RBF神经网络相结合的过程运行状态识别方法 |
3.1 主元分析法 |
3.1.1 PCA的概述 |
3.1.2 PCA的基本思路 |
3.1.3 PCA的算法 |
3.1.4 PCA的计算步骤 |
3.2 RBF神经网络 |
3.2.1 RBF神经网络结构与工作原理 |
3.2.2 RBF神经网络的学习算法 |
3.2.3 RBF神经网络的特点 |
3.3 复杂工业过程当前运行状态的识别过程 |
3.3.1 RBF神经网络输入层神经元个数的确定 |
3.3.2 RBF神经网络隐含层的确定 |
3.3.3 RBF神经网络输出层的确定 |
3.3.4 复杂工业过程当前状态识别 |
3.3.5 当前状态的工作情况分析 |
3.3.6 状态识别的完整步骤与结构图 |
3.3.7 仿真结果 |
3.4 本章小结 |
第4章 谷氨酸发酵过程的运行状态辨识 |
4.1 谷氨酸发酵工艺过程简述 |
4.2 谷氨酸发酵过程模型的建立及数据选取 |
4.2.1 谷氨酸发酵过程模型的建立 |
4.2.2 谷氨酸发酵过程数据的选取 |
4.3 对谷氨酸发酵过程进行状态辨识 |
4.3.1 对谷氨酸发酵过程进行工况划分 |
4.3.2 对谷氨酸发酵过程进行状态识别 |
4.4 本章小结 |
第5章 结论与展望 |
参考文献 |
致谢 |
四、Separativity and Stable Range for Formal Triangular Matrix Rings(论文参考文献)
- [1]大规模数据降维中迹比率问题与非负矩阵分解的快速算法研究[D]. 时文雅. 中国矿业大学, 2021
- [2]应用N版本编程技术的小型云系统的安全可靠性优化[D]. 邓蔼龄. 电子科技大学, 2021(01)
- [3]关于大规模矩阵的SVD和GSVD计算的研究[D]. 黄金枝. 清华大学, 2020(01)
- [4]成都天府新区土地利用变化及其生态效应研究[D]. 王志豪. 四川师范大学, 2020(08)
- [5]高分辨率SAR图像地物分类技术研究[D]. 管冬冬. 国防科技大学, 2019(01)
- [6]海南岛海岸带土地利用变化及驱动力分析[D]. 韩向旭. 山东农业大学, 2018(08)
- [7]基于张量分解的参数估计方法及其应用[D]. 高宇飞. 电子科技大学, 2017(01)
- [8]基于单演信号的SAR图像目标识别技术研究[D]. 董刚刚. 国防科学技术大学, 2016(01)
- [9]基于黎曼流形的图像分类算法研究[D]. 许春燕. 华中科技大学, 2015(07)
- [10]复杂工业过程运行状态辨识方法的研究[D]. 李文娜. 东北大学, 2011(03)