结合非负张量表示与扩展隐Dirichlet分配模型的图像标注

由于"语义鸿沟"的存在,自动图像标注是一项极具挑战性的工作。考虑到图像低层视觉特征与高层语义概念的差异,分别从图像表示与语义建模两个方面来实现自动图像标注。在图像表示方面,提出了一种正则化约束下的非负张量表示方法,用以提取符合人眼视觉直观理解的图像高阶结构特征。在语义建模方面,提出了一种三层贝叶斯模型——扩展隐Dirichlet分配。该模型利用隐变量来实现图像与标注词的关联,并通过一种基于变分推理的期望最大值方法来估计参数。实验结果表明,ELDA模型在大规模数据库NUS-WIDE上的标注结果相较于现有方法有了显著的提高。     

拟共形映照的两个偏差性质

本文得到了ｎ维空间中的度量ＫＤ和ＪＤ在Ｋ－拟共形映照下的偏差估计,并且偏差的系数只与Ｋ有关而与维数ｎ无关     

一类集值映射的高阶微分

在文[1]中,H.T.Banks 与M.Q.Jacobs 讨论了集映Ω:R~m→(?)(R~n)的一阶微分,分别给出了Ω可微的充分条件与必要条件。本文改进了文[1]的工作,证明了[1]中条件(3.2)的限制是不必要的,从而得到了Ω可微的充分必要条件,及较为简洁的Ω微分解析表达式。在文中也讨论了Ω的k 阶微分,得到了Ωk 阶可微的充分必要条件及k 阶微分的解析表达式。     

采用张量方法的盲干扰抑制及信源恢复技术

针对多输入多输出系统受到有意干扰情况下的盲干扰抑制和信源恢复问题,提出一种双阵列天线接收机结构,通过差分处理,在不考虑独立性的条件下实现盲干扰抑制。消除干扰后的数据有明显的张量切片特征,将其堆积成三阶张量,并通过基于张量分解的方法不经信道估计直接恢复源信号,相较于传统基于信道估计的信源恢复方法大大降低信道估计误差的影响,提高恢复精度。仿真结果表明,所提方法较传统基于训练序列进行信道估计的方法能以更小的训练开销达到更优的信号恢复性能。     

网络异构信息的张量分解聚类方法

提出基于张量分解的聚类算法,能够同时处理网络中多类型、多语义关系的异构信息。网络信息体系中的各种异构信息被建模为一个多维张量,异构信息之间丰富的语义关系建模为张量中的元素。提出有效的张量分解方法,将不同类型的信息对象一次性划分到不同的簇中。在人工合成的数据集和真实数据集上的实验结果表明:该聚类方法可以很好地处理网络信息体系中的异构信息聚类问题,并且性能优于现有的聚类方法。