导读:本文包含了核空间论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:稀疏,空间,图像,函数,模糊,光谱,线性。
核空间论文文献综述
林洋,兰蓉[1]（2019）在《核空间自适应抑制式直觉模糊图像分割算法》一文中研究指出针对直觉模糊C-均值(intuitionistic fuzzy C-means,IFCM)算法未考虑图像像素的空间邻域信息,导致对噪声较为敏感,算法运行效率较低,分割效果较差等问题,提出一种核空间自适应抑制式直觉模糊图像分割算法。以核诱导距离代替欧氏距离计算像素至聚类中心的距离,将局部空间信息融入核空间中;利用"投票模型"将模糊集扩展为直觉模糊集,减少人工参数对实验的影响;根据图像像素和聚类中心之间的分离性自适应生成抑制因子。实验结果表明,该算法对噪声鲁棒性较强,分割精度较高,提升了算法的运行效率。(本文来源于《计算机工程与设计》期刊2019年08期）
Ping,SUI,Ying,GUO,Kun-feng,ZHANG,Hong-guang,LI[2]（2019）在《基于核空间投影和联合表征的跳频信号辐射源指纹特征识别（英文）》一文中研究指出跳频作为扩频通信的一种常用技术,以其截获概率低、抗干扰能力强和保密性好等优点,在雷达和通信系统中得到广泛应用。然而,非合作条件下的跳频信号辐射源识别作为一大难题,不仅由于其对噪声影响敏感,信号的非线性、非高斯性和非平稳性使得很难在其原始信号空间实现跳频信号分类识别。现有的一些分类识别算法,如稀疏表征分类算法(SRC),仅使用单个信号样本而非整体样本表征测试数据,过分强调稀疏特性而忽略信号样本之间的相关性。为解决上述问题,本文提出一种基于核空间投影和联合表征的跳频信号辐射源指纹特征识别方法。该方法将核空间投影、相关特性表征以及个体分类学习融合到同一个联合表征框架,通过该框架实现辐射源信号分类识别。实际跳频信号的大量实验表明,与几种最先进的识别方法相比,所提算法具有可行性和有效性。(本文来源于《Frontiers of Information Technology & Electronic Engineering》期刊2019年08期）
钱猛,吕卫民[3]（2019）在《基于核空间加权稀疏表示的滚动轴承故障诊断》一文中研究指出针对核空间稀疏分类方法忽略了振动信号局部结构包含更多的区分性信息的问题,提出了一种基于核空间的加权稀疏表示轴承故障诊断方法。通过核函数将非线性振动信号映射到高维空间;利用该方法提取振动数据的局部信息并求得相似度加权矩阵;采用优化方法求解测试样本的稀疏系数,通过最小化原始样本与重构样本之间的误差获得分类结果。试验结果表明,所提出的方法具有较高的识别率和鲁棒性。(本文来源于《兵器装备工程学报》期刊2019年06期）
吴其平,吴成茂[4]（2019）在《一种快速鲁棒核空间图形模糊聚类分割算法》一文中研究指出针对现有鲁棒图形模糊聚类算法难以满足强噪声干扰下大幅面图像快速分割的需要,提出一种快速鲁棒核空间图形模糊聚类分割算法。该算法将欧氏空间样本通过核函数映射至高维空间;采用待分割图像中像素邻域的灰度和空间等信息构建线性加权滤波图像,对其进行鲁棒核空间图形模糊聚类;并引入当前聚类像素与其邻域像素均值所对应的二维直方图信息,获得鲁棒核空间图形模糊聚类快速迭代表达式。对大幅面图像添加高斯和椒盐噪声进行分割测试,实验结果表明:本文算法相比基于图形模糊聚类等分割算法的分割性能、抗噪鲁棒性和实时性有了显着提高。(本文来源于《智能系统学报》期刊2019年04期）
梁丹,于海燕,范九伦,雒僖[5]（2019）在《核空间局部自适应模糊C-均值聚类图像分割算法》一文中研究指出针对传统模糊C-均值聚类算法对在噪声干扰下图像的分割效果不理想问题,提出一种核空间与自适应中值滤波相结合的改进算法.算法利用自适应中值滤波获得像素的局部空间信息,并由此生成一种新的模糊因子加入到目标函数中,然后在核空间中对目标函数进行优化求解,得到最优聚类中心和隶属度.实验结果表明,该算法对被高椒盐噪声污染的图像具有较高的精度和鲁棒性.(本文来源于《微电子学与计算机》期刊2019年02期）
吴其平,吴成茂[6]（2018）在《快速鲁棒核空间模糊聚类分割》一文中研究指出目的传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1. 5 d B,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。(本文来源于《中国图象图形学报》期刊2018年12期）
盖建新,杜昊辰,刘琦,童子权[7]（2019）在《基于采样值随机压缩矩阵核空间的亚奈奎斯特采样重构算法》一文中研究指出针对现有调制宽带转换器亚奈奎斯特采样重构算法性能不高问题,该文提出一种基于采样值核空间的支撑重构算法和随机压缩降秩方法,将两者结合得到一种高性能采样重构算法。首先利用随机压缩变换在不改变未知矩阵稀疏特性的前提下将采样方程转化为多个新的多测量向量问题,然后利用采样值矩阵核空间与采样矩阵支撑正交的关系获取联合稀疏支撑集,最后通过伪逆完成重构。从理论和实验两个方面对所提方法进行了分析和验证。数值实验表明,与传统重构算法相比,所提算法提高了重构成功率、降低了高概率重构所需的通道数,而且重构性能总体上随压缩次数增加而提高。(本文来源于《电子与信息学报》期刊2019年02期）
王强,包晓安,张福星,高春波,桂江生[8]（2018）在《基于核空间与稠密水平条带特征的行人再识别》一文中研究指出针对不同摄像机场景中的行人图像受到光照、视角和行人姿态等变化的影响,在监控画面中容易造成较大的外观差异的问题,提出了一种基于核空间与稠密水平条带特征的行人再识别算法;该算法在XQDA(Cross-view Quadratic Discriminant Analysis)度量学习算法的基础上提出了核空间映射与稠密水平条带提取行人图像特征的思想,首先通过自顶向下的滑动水平条带提取每个水平条带的颜色特征和纹理特征,然后融合行人图像的多种特征,把获得的特征映射到核空间中,最后在核空间里学习得到一个对背景、视角、姿势的变化具有鲁棒性的相似度函数,通过比较相似度的排名来对行人进行再识别;在VIPeR和iLIDS两个行人再识别数据集上的实验结果表明,该算法具有较高的识别率,其中Rank1(排名第1的搜索结果即为待查询行人的比率)分别达到48.2%和60.8%。(本文来源于《计算机测量与控制》期刊2018年07期）
汤浩[9]（2018）在《核空间联合稀疏表示高光谱图像分类及GPU实现》一文中研究指出高光谱遥感将光谱技术与成像技术相结合,能有效提取地物图谱特征,对地物进行精确的识别与分类。其成像光谱仪能够利用很多间距较窄的相邻电磁波波段获取上百条波段光谱信息,从而使每个像素都是一个连续的谱向量。虽然高光谱图像具有图谱合一、分辨率高的优势,但由于其特征维数较高,并且受噪声影响,对图像分类过程增加了难度。此外,由于高光谱图像数据量巨大,利用传统的中央处理器(Central Processing Unit,CPU)单线程计算分类效率低下,很难满足实际应用过程中快速分类的需求。鉴于此,本文从高光谱遥感图像的特点出发,针对上述所存在的问题,以稀疏表示理论为基础,对高光谱图像的分类模型进行研究与改进,并使用图形处理器(Graphics Processing Unit,GPU)高性能计算对算法进行并行实现。本文的主要研究内容包括以下叁点:1.从信号的稀疏表示理论出发,研究了当前基于稀疏表示理论的高光谱图像分类模型:稀疏表示分类(Sparse Representation Classification,SRC)模型和联合稀疏表示分类(Joint Sparse Representation Classification,JSRC)模型,以及它们的系数求解方法:正交匹配追踪和联合正交匹配追踪算法。此外,基于高光谱图像的特点,针对空间信息对高光谱图像分类的重要性以及JSRC模型未考虑邻域像素点对中心像素点的贡献问题,本文利用高斯核函数相似性距离方法计算局部像元间相似性,对滑动窗口内邻域像素进行加权处理,建立加权机制,使分类模型对空间信息的使用更合理,分类性能更优。2.传统稀疏表示方法为线性分类方法,未考虑高光谱图像的非线性特性。因此,本文引入核映射思想,将加权处理后的JSRC模型拓展到高斯核空间,提出加权核空间联合稀疏表示分类(Weighted Kernel Joint Sparse Representation Classification,WKJSRC)模型。本文利用两幅实测高光谱图像进行仿真实验,通过实验结果表明,WKJSRC模型较其它传统高光谱图像分类器具有更好的分类效果和稳定性。3.高光谱图像结构复杂,数据量巨大,并且由于空间信息的引入,进一步提高了算法的复杂度,利用传统的CPU串行处理数据效率低下。为此,本文基于NVIDIA CUDA框架,利用CUDA C语言,采用CPU/GPU协同计算的方式对本文提出的WKJSRC模型进行并行化设计,充分利用GPU强大的并行计算能力,对算法中高密度、可并行处理的运算过程进行并行实现,实现WKJSRC模型的并行求解算法。从而提高该分类算法的计算效率。(本文来源于《西南交通大学》期刊2018-05-24）
孙伟伟,马俊,杨刚,李巍岳[10]（2018）在《改进核空间对称稀疏表达用于高光谱波段选择》一文中研究指出提出改进核空间对称稀疏表达(IKSSR)降维方法来解决高光谱影像(HSI)的波段选择问题.该方法利用核函数方法和稀疏系数的二值约束条件改进对称稀疏表达模型,在映射得到的核空间构建包含所有波段向量对应的数据点的凸包,通过寻找最小凸包的原型点实现波段子集的优化选择.改进核空间对称稀疏表达方法采用矢量量化策略初始化波段子集,利用块坐标下降方法将非凸问题转换为凸目标函数优化问题,实现目标波段子集选取.基于两个公开高光谱数据集,对该方法和4种主流的波段选择方法进行实验比较研究.实验结果表明,利用改进核空间的对称稀疏表达方法得到的总体分类精度优于对称稀疏表达模型和其他3种方法.(本文来源于《浙江大学学报(工学版)》期刊2018年04期）
核空间论文开题报告
（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：
跳频作为扩频通信的一种常用技术,以其截获概率低、抗干扰能力强和保密性好等优点,在雷达和通信系统中得到广泛应用。然而,非合作条件下的跳频信号辐射源识别作为一大难题,不仅由于其对噪声影响敏感,信号的非线性、非高斯性和非平稳性使得很难在其原始信号空间实现跳频信号分类识别。现有的一些分类识别算法,如稀疏表征分类算法(SRC),仅使用单个信号样本而非整体样本表征测试数据,过分强调稀疏特性而忽略信号样本之间的相关性。为解决上述问题,本文提出一种基于核空间投影和联合表征的跳频信号辐射源指纹特征识别方法。该方法将核空间投影、相关特性表征以及个体分类学习融合到同一个联合表征框架,通过该框架实现辐射源信号分类识别。实际跳频信号的大量实验表明,与几种最先进的识别方法相比,所提算法具有可行性和有效性。
（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。
核空间论文参考文献
[1].林洋,兰蓉.核空间自适应抑制式直觉模糊图像分割算法[J].计算机工程与设计.2019
[2].Ping,SUI,Ying,GUO,Kun-feng,ZHANG,Hong-guang,LI.基于核空间投影和联合表征的跳频信号辐射源指纹特征识别（英文）[J].FrontiersofInformationTechnology&ElectronicEngineering.2019
[3].钱猛,吕卫民.基于核空间加权稀疏表示的滚动轴承故障诊断[J].兵器装备工程学报.2019
[4].吴其平,吴成茂.一种快速鲁棒核空间图形模糊聚类分割算法[J].智能系统学报.2019
[5].梁丹,于海燕,范九伦,雒僖.核空间局部自适应模糊C-均值聚类图像分割算法[J].微电子学与计算机.2019
[6].吴其平,吴成茂.快速鲁棒核空间模糊聚类分割[J].中国图象图形学报.2018
[7].盖建新,杜昊辰,刘琦,童子权.基于采样值随机压缩矩阵核空间的亚奈奎斯特采样重构算法[J].电子与信息学报.2019
[8].王强,包晓安,张福星,高春波,桂江生.基于核空间与稠密水平条带特征的行人再识别[J].计算机测量与控制.2018
[9].汤浩.核空间联合稀疏表示高光谱图像分类及GPU实现[D].西南交通大学.2018
[10].孙伟伟,马俊,杨刚,李巍岳.改进核空间对称稀疏表达用于高光谱波段选择[J].浙江大学学报(工学版).2018
论文知识图
