暂无评论
为提高谱聚类算法的鲁棒性，基于稀疏编码在图的构造中提出一种改进L1稀疏表示图模型。将每个样本表示为数据集中其他样本的稀疏线性组合，稀疏图的构造变为一个优化问题。所构造的稀疏图对数据噪声有很好的鲁棒性，
利用小波紧框架和全变分，提出了一个新的图像修复模型。该模型将稀疏和全变分作为正则项，L0范数作为数据保真项。其充分利用全变分和紧框架各自的优点，即对分片常值和光滑图像有效地逼近，同时保持图像的几何特征
针对利用稀疏表示进行高光谱图像异常目标检测效率不高的问题,基于高光谱图像成像原理和图像结构,充分利用高光谱图像的空间特性和光谱特性,并在它们之间建立协同处理机制,提出了联合空间预处理与谱聚类的协同稀疏
提出了一种基于核主分量分析(PCA)正则化的机器人实时定位算法。此算法以半监督学习完成离线训练,首先,以机器人在其预置运动路径上采集到的畸变图像中的稀疏目标面积为观察数据,将部分标定数据的坐标作为其标
对传统灰色聚类模型进行延拓,考虑了观测值和白化权函数转折点为区间灰数的情形.通过“核”和灰度来表征区间灰数,以“灰度不减公理”作为理论依据,给出区间灰数型白化权函数的表达式,并将聚类过程中区间灰数运算
通过定义子空间结构化低秩正则项，将其与子空间结构化稀疏子空间聚类模型相结合，给出一个新的统一优化模型。新模型利用数据的类别属性和相似度互相引导，使得相似度具有判别性和一致性，类别属性具有一致性。相似度
频谱聚类包括两个不同的阶段:(a)从数据集中构造一个亲和图,以及(b)通过找到亲和图的最佳划分来聚类数据点。 本文的重点是第一步。 由于易于实现,现有的频谱聚类算法采用高斯函数来定义亲和图。 但是,高
基于半监督聚类的异常用户检测,段磊,王晶,随着用户的价值逐渐被重视,作为保护用户安全的重要技术之一,异常用户检测也越来越受到人们关注。但是异常用户因为其数据稀少,
基于模糊聚类的肤色检测，周玉成，杨新年，肤色是彩色图像人脸检测中一个非常重要的特征。复杂光照往往在图像上产生高光区和阴影区域，对于具体的待测图像由于训练样本训练
基于密度的最小生成树聚类算法,将最小生成树理论与基于密度的方法相结合,不仅体现了基于密度聚类方法的优点,而且聚类结果不依赖于用户参数的选择,聚类结果更合理,特别是对大数据集,算法非常有效。因此,本文在
暂无评论