Search | Engineering

订阅投稿

首页工程期刊工程焦点工程成就工程前沿关于我们 English

资源类型

期刊论文 493

会议视频 15

会议信息 11

年份

2024 2

2023 79

2022 74

2021 69

2020 47

2019 49

2018 33

2017 37

2016 13

2015 4

2014 6

2013 2

2012 7

2011 6

2010 6

2009 6

2008 13

2007 17

2006 10

2005 8

展开︾

关键词

机器学习 27

深度学习 15

人工智能 12

能源 4

2019 3

MATLAB 3

人工神经网络 3

图像处理 3

2020 2

2023全球十大工程成就 2

3D打印 2

ACM 2

Maradbcm算法 2

OFDM 2

三点弯曲梁 2

个人热管理 2

乳液 2

区块链 2

强化学习 2

展开︾

检索范围：

排序：展示方式：

基于稀疏表示的拉普拉斯稀疏字典图像分类 Article

Fang LI, Jia SHENG, San-yuan ZHANG

《信息与电子工程前沿（英文）》 2017年第18卷第11期页码 1795-1805 doi: 10.1631/FITEE.1600039

摘要：稀疏表示作为数据表示的一种数学模型，是解决模式识别、机器学习、计算机视觉等领域问题的有力工具。字典学习是稀疏表示方法的重要组成部分，在对原始信号及其在字典学习空间中的重建误差的最小化上发挥着重要的作用。在稀疏表示模型中，直接利用训练样本作为字典可以取得良好的性能。为取得更小且表现更好的字典，本文提出一种基于流形学习及双稀疏理论的拉普拉斯稀疏字典学习方法（Laplacian sparse dictionary, LSD）。本文将拉普拉斯权重图加入稀疏表示的模型，并对字典加以范数约束。LSD是一个稀疏的过完备字典，可保持数据的内在结构，并为每个类学习一个更小的字典。学习得到的字典可以嵌入基于稀疏表示的分类框架。结果显示本文提出的LSD算法比当前基于分类的稀疏表示的方法更有优势。

关键词：稀疏表示；拉普拉斯正则子；字典学习；双稀疏；流形

HTML PDF 收藏

具有受控初始状态递归树的一致性分析及其拉普拉斯能量 Research Articles

洪美都,孙伟刚,刘苏雨,轩腾飞

《信息与电子工程前沿（英文）》 2020年第21卷第6期页码 809-962 doi: 10.1631/FITEE.1900133

摘要：由拉普拉斯谱定义的网络一致性用于刻画含有噪声线性系统的一致性动力学。基于这类递归树的规则结构，得到拉普拉斯特征值连续两次迭代的递归关系，并由此得到一阶和二阶一致性的精确解。它们由所有非零拉普拉斯特征值的倒数和与平方和来定义。一阶和二阶一致性的幂律关于网络规模N分别为ln N和N。研究表明递归树初始节点数目越少，其一致性表现越好。最后，用数值例子研究一致性和拉普拉斯能量之间的关系，结果表明一阶和二阶一致性分别随拉普拉斯能量以指数和线性速率增长。

关键词：一致性；网络一致性；拉普拉斯能量

HTML PDF 收藏

基于核稀疏表示的磁共振图像分析及其在脑肿瘤自动分割中的应用 None

Ji-jun TONG, Peng ZHANG, Yu-xiang WENG, Dan-hua ZHU

《信息与电子工程前沿（英文）》 2018年第19卷第4期页码 471-480 doi: 10.1631/FITEE.1620342

摘要：提出一种基于核稀疏编码的全自动脑肿瘤分割方法，并在3D多模态磁共振成像图（magnetic resonance imaging, MRI）上验证。首先对MRI图像进行预处理以减少噪声，然后通过核字典学习提取非线性特征，用来构建坏死组织、水肿组织、非增强肿瘤组织、增强肿瘤组织和健康组织5个适应性字典。对从原始MRI图像上肿瘤像素点周边m×m×m的小区域提取的特征向量进行稀疏编码，并通过一种基于字典学习的核聚类方法对像素点进行编码。最后通过形态滤波填充在多个相连部分间的区域，提高分割质量。

关键词：脑肿瘤分割；核方法；稀疏编码；字典学习

HTML PDF 收藏

结合全变分最小化和稀疏字典学习后处理的低剂量CT重建 Article

Yong DING, Tuo HU

《信息与电子工程前沿（英文）》 2017年第18卷第12期页码 2001-2008 doi: 10.1631/FITEE.1700287

摘要：本文提出一种结合全变分（total variation, TV）最小化和稀疏字典学习的重建方法，不仅提高了重建效果，而且通过自适应的停止策略提高了重建速度。

关键词：低剂量CT；CT成像；全变分；稀疏字典学习

HTML PDF 收藏

一种基于锚点的谱聚类方法 None

Qin ZHANG, Guo-qiang ZHONG, Jun-yu DONG

《信息与电子工程前沿（英文）》 2018年第19卷第11期页码 1385-1396 doi: 10.1631/FITEE.1700262

摘要：谱聚类是模式识别、机器学习和数据挖掘中最流行最重要的聚类方法之一。然而，高计算复杂度妨碍了谱聚类在大规模数据集的应用。对于具有n个样本的聚类问题，谱聚类需O(n3)时间复杂度计算图拉普拉斯矩阵特征向量。首先，在数据集中选择m （m≪n）个可以基本保持原始数据内在（流形）结构的锚点。然后，构造原始数据与锚点之间的映射矩阵，并证明该映射矩阵能保持数据的聚类结构。基于该映射矩阵，近似得到原始数据谱嵌入。

关键词：聚类；谱聚类；图拉普拉斯；锚点

HTML PDF 收藏

基于变分贝叶斯多稀疏成分提取的空间碎片超高速撞击损伤重构方法研究 Research Article

黄雪刚,石安华,罗庆,罗锦阳

《信息与电子工程前沿（英文）》 2022年第23卷第4期页码 530-541 doi: 10.1631/FITEE.2000575

摘要：采用变分贝叶斯推理来求解模型参数，从而有效地从红外热图像数据中识别不同类型撞击损伤。然后，提出一种图像处理框架，包括具有能量函数的图像分割算法和具有稀疏表示的图像融合方法，以消除变异贝叶斯误差并比较不同类型损伤的位置。

关键词：超高速撞击；变分贝叶斯；稀疏表示；损伤评估

HTML PDF 收藏

结构化稀疏学习综述 Review

Lin-bo QIAO, Bo-feng ZHANG, Jin-shu SU, Xi-cheng LU

《信息与电子工程前沿（英文）》 2017年第18卷第4期页码 445-463 doi: 10.1631/FITEE.1601489

摘要：稀疏学习由于其简约特性和计算优势而获得了越来越多的关注，在具有稀疏性的条件下，许多计算问题可以在实践中得到有效的处理。而结构化稀疏学习则进一步将结构信息进行编码，在多个研究领域取得成功。随着各类型结构的发现，人们相继提出了各种结构化正则函数。这些正则函数通过利用特定的结构信息极大提高了稀疏学习算法的性能。在本文中，我们从想法、形式化、算法和应用等方面系统的回顾了结构化稀疏学习。我们将这些算法置于最小化损失函数和惩罚函数的统一框架中，总结了算法的开源软件实现，并比较了典型优化算法解决结构化稀疏学习问题时的计算复杂度。在实验中，我们给出了无监督学习在结构化信号恢复和层次化图像重建中的应用，以及具有图结构引导的逻辑回归的在监督学习中的应用。

关键词：结构化稀疏学习；算法；应用

HTML PDF 收藏

基于RGBD和稀疏学习的鲁棒目标跟踪 Article

Zi-ang MA, Zhi-yu XIANG

《信息与电子工程前沿（英文）》 2017年第18卷第7期页码 989-1001 doi: 10.1631/FITEE.1601338

摘要：本文提出了一种基于RGBD和稀疏学习的跟踪算法，从三个方面将深度信息应用到稀疏学习跟踪框架。首先将深度图像特征结合现有的基于彩色图像的视觉特征用于目标外观的鲁棒特征描述。为了适应跟踪过程中的各种遮挡情况，我们设计了一种特殊的遮挡物模板用于增广现有的超完备字典。最后，我们进一步提出了一种基于深度信息的遮挡物检测方法用于有效地指示模板更新。基于KITTI和Princeton数据集的大量实验证明了所提出算法的跟踪效果优于时下最先进的多种跟踪器，包括基于稀疏学习的跟踪以及基于RGBD的跟踪。

关键词：目标跟踪；稀疏学习；深度视角；遮挡物模板；深度图像特征

HTML PDF 收藏

联合局部学习和组稀疏回归的无监督特征选择 Regular Papers

Yue WU, Can WANG, Yue-qing ZHANG, Jia-jun BU

《信息与电子工程前沿（英文）》 2019年第20卷第4期页码 538-553 doi: 10.1631/FITEE.1700804

摘要：通过挑选特征子集，可有效提升学习算法效率。由于难以获取标签信息，无监督特征选择算法相较于有监督特征选择算法应用更为广泛，其关键在于找出更能反映数据分布的特征集合。为解决这一问题，本文提出联合局部学习和组稀疏回归的无监督特征选择算法。将基于局部学习聚类方法与组稀疏回归算法有机整合，选出有效反映数据流形分布同时保持组稀疏结构的特征。

关键词：无监督；局部学习；组稀疏回归；特征选择

HTML PDF 收藏

稀疏快速Clifford傅里叶变换 Article

Rui WANG, Yi-xuan ZHOU, Yan-liang JIN, Wen-ming CAO

《信息与电子工程前沿（英文）》 2017年第18卷第8期页码 1131-1141 doi: 10.1631/FITEE.1500452

摘要：稀疏快速傅里叶变换（sparse fast Fourier transform, sFFT）理论通过选择性地使用输入数据来处理大数据问题。受之启发，我们提出一个称为稀疏快速Clifford傅里叶变换（sparse fast CFT, SFCFT）的算法，该算法能够大幅度提高在标量场和矢量场中的计算性能。

关键词：稀疏快速傅里叶变换（sFFT）；Clifford傅里叶变换（CFT）；稀疏快速Clifford傅里叶变换（SFCFT）；Clifford代数

HTML PDF 收藏

不使用任何信任关系构建信任网络 Article

Xin WANG, Ying WANG, Jian-hua GUO

《信息与电子工程前沿（英文）》 2017年第18卷第10期页码 1591-1600 doi: 10.1631/FITEE.1601341

摘要：由于用户信任关系具有一定稀疏性和动态性，准确预测在线社交媒体中的信任关系变得较为困难；此外，大多数社交媒体平台都没有提供明确的信任关系。这些因素使得预测信任关系并构建信任网络具有一定挑战性。首先，验证了利用稀疏学习模型能够较好实现信任关系预测；然后，提出一个新颖框架bTrust，不使用任何信任关系，仅仅利用交互数据和同质性效应构建信任网络；最后，在Epinions和Ciao两个真实数据集上验证了

关键词：信任网络；稀疏学习；同质效应；交互行为

HTML PDF 收藏

基于Wilkinson矩阵提升稀疏自适应匹配追踪重构效率 None

Rasha SHOITAN, Zaki NOSSAIR, I. I. IBRAHIM, Ahmed TOBAL

《信息与电子工程前沿（英文）》 2018年第19卷第4期页码 503-512 doi: 10.1631/FITEE.1601588

摘要：稀疏自适应匹配追踪（sparsity adaptive matching pursuit，SAMP）是压缩感知信号的一种贪婪重构算法。SAMP可以在没有稀疏先验信息的情况下重构信号，与其他贪婪算法相比对噪声信号具有更好的重构性能。但SAMP在重建质量方面，特别是在高压缩比时，仍有不足。

关键词：块压缩传感；稀疏自适应匹配追踪；贪婪算法；Wilkinson矩阵

HTML PDF 收藏

考虑设计参数扰动的芯片多元参数成品率预测算法 Article

Xin LI,Jin SUN,Fu XIAO

《信息与电子工程前沿（英文）》 2016年第17卷第12期页码 1344-1359 doi: 10.1631/FITEE.1601225

摘要：随着芯片制造工艺的进步，工艺参数、供电电压及片上温度（Process, voltage, and temperature, PVT）等设计参数扰动已成为芯片设计过程的棘手问题，其所产生的性能指标间相关性将导致芯片参数成品率显著下降。但是，当前芯片参数成品率预测算法主要局限于单一性能指标成品率预测或对多个单性能指标成品率进行均衡优化，而不能同时针对多个性能指标约束进行多元参数成品率预测，易造成参数成品率精度缺失。基于以上问题，本文将多个性能指标同时作为约束条件，提出一种芯片多元参数成品率预测方法。该方法首先考虑PVT参数扰动，利用自适应弹性网（Adaptive elastic net, AEN）对芯片性能指标进行建模。然后，基于乘法定理及马尔科夫链蒙特卡罗法，通过求解累积分布函数（Cumulative distribution function, CDF）对单一性能指标的芯片参数成品率进行预测。最后，同时考虑多个芯片性能指标约束，根据Copula方法准确预测芯片多元参数成品率。实验结果表明，本文方法可以在指定性能指标约束下对芯片多元参数成品率进行有效预测，并可为芯片设计人员提供任意性能指标约束下的多元参数成品率预测曲面。

关键词：成品率预测；参数扰动；多元参数成品率；性能建模；稀疏表示

HTML PDF 收藏

数据驱动的随机微分方程辨识 Article

王亚森, 方华臻, 金骏阳, 马贵君, 何心, 代星, 岳作功, 程骋, 张海涛, 浦栋麟, 伍冬睿, 袁烨, Jorge Gonçalves, Jürgen Kurths, 丁汉

《工程（英文）》 2022年第17卷第10期页码 244-252 doi: 10.1016/j.eng.2022.02.007

摘要：本研究提出了一种通过稀疏贝叶斯学习（SBL）技术从候选基函数空间中搜索简洁但物理必需的表示形式来辨识SDE的新框架。

关键词：数据驱动方法系统辨识稀疏贝叶斯学习随机微分方程随机现象

HTML PDF 收藏

一种用于工业过程监测的鲁棒迁移字典学习算法 Article

阳春华, 梁慧平, 黄科科, 李勇刚, 桂卫华

《工程（英文）》 2021年第7卷第9期页码 1262-1273 doi: 10.1016/j.eng.2020.08.028

摘要：因此，当将从训练数据中学习的模型应用于实际的在线监测时，很难实现精确的过程监测。为了解决操作环境变化导致的历史训练数据和在线测试数据之间的分布差异问题，提出了一种鲁棒的迁移字典学习（RTDL）算法用于工业过程监测。RTDL是表示学习和域自适应迁移学习的协同方法。该方法将历史训练数据和在线测试数据分别作为迁移学习问题的源域和目标域。然后将最大均值差异正则化和线性判别分析正则化引入字典学习框架，可以减少源域和目标域之间的分布差异。这样，即使源域和目标域的特征在实际变化的操作环境的干扰下明显不同，仍可以学习鲁棒的字典。这样的字典可以有效地提高过程监测和模态识别的性能。通过数值仿真和两个工业系统的实验验证了该方法的有效性和优越性。

关键词：过程监测多模态过程字典学习迁移学习