摘要：设计一个稳健的自动图像标注系统的重要环节是提取能够有效描述图像语义的视觉特征。由于颜色、纹理和形状等异构视觉特征在表示特定图像语义时所起作用的重要程度不同且同一类特征之间具有一定的相关性,该文提出了一种图正则化约束下的非负组稀疏(Graph Regularized Non-negative Group Sparsity,GRNGS)模型来实现图像标注,并通过一种非负矩阵分解方法来计算其模型参数。该模型结合了图正则化与2,1l-范数约束,使得标注过程中所选的组群特征能体现一定的视觉相似性和语义相关性。在Corel5K和ESP Game等图像数据集上的实验结果表明:相较于一些最新的图像标注模型,GRNGS模型的鲁棒性更强,标注结果更精确。

摘要：在工程应用中,如数据挖掘、成本预测以及风险预测等,Logistic回归是一类十分重要的预测方法.当前,大部分Logistic回归方法都是基于优化准则而设计,这类回归方法具有参数调试过程繁琐、模型解释性差、估计子没有置信区间等缺点.本文从Bayes概率角度研究Logistic组稀疏性回归的建模与推断问题.具体来说,首先利用高斯-方差混合公式提出Logistic组稀疏回归的Bayes概率模型;其次,通过变分Bayes方法设计出一个高效的推断算法.在模拟数据上的实验结果表明,本文所提出的方法具有较好的预测性能.

摘要：传统UDP算法的参数选择是一个经典问题,至今仍没有一种有效的方法从根本上解决这个问题。针对复杂的参数选择,提出一种基于组稀疏的参数自适应学习UDP算法(SUDP)。使用组稀疏来描述样本点的几何结构,自适应地构造样本点的近邻图,避免传统UDP算法中使用K-NN算法带来的弊端。由于稀疏表示带有天然判别信息的优势,SUDP算法比传统的UDP算法有着更强的判别能力。在6个广泛使用的人脸数据集上进行的实验,实验结果表明了SUDP算法的有效性和稳定性。

摘要：在非负矩阵分解算法的基础上,设计了组稀疏约束,并给出了组稀疏非负矩阵分解算法.首先,介绍了非负矩阵分解算法及其稀疏变体;其次,设计了组稀疏非负矩阵分解,推导出迭代规则,并证明了算法的收敛性;最后,将组稀疏非负矩阵算法应用于人脸识别和聚类中,得到了同类算法中较好的效果.

摘要：脑机接口系统中的个体差异问题会导致脑电分类效率不稳定,因此,设计新型的滤波器组预处理结构及特征提取组合模型,减缓个体差异给脑机接口系统带来的影响.首先在预处理阶段,对脑电信号进行多带通滤波预处理,消除个体差异导致的脑电信号频带波动影响,其次在特征提取阶段,用共空域模式(CSP)算法进行粗特征粗提取,再分别用组稀疏(GL),基于极限学习机的自编码器(ELMAE)和互信息熵(MI)进行特征筛选,提高特征可分性,最后实验结果表明本文所提方法能够突出与运动想象相关的alpha和beta波段的信息,得到高可分的特征,而且具有优秀的分类性能.