快速单像素多目独立成分设计

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

快速单像素多目独立成分设计

佘堃, 蒲红梅, 郑方伟, 周明天

文章导航 > 电子科技大学学报 > 2008 > 37(3): 421-423,449

佘堃, 蒲红梅, 郑方伟, 周明天. 快速单像素多目独立成分设计[J]. 电子科技大学学报, 2008, 37(3): 421-423,449.

引用本文:

佘堃, 蒲红梅, 郑方伟, 周明天. 快速单像素多目独立成分设计[J]. 电子科技大学学报, 2008, 37(3): 421-423,449.

SHE Kun, PU Hong-mei, ZHENG Fang-wei, ZHOU Ming-tian. Fast Design of Independent Component Based on Single Pixel under Multisensing[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(3): 421-423,449.

Citation:

SHE Kun, PU Hong-mei, ZHENG Fang-wei, ZHOU Ming-tian. Fast Design of Independent Component Based on Single Pixel under Multisensing[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(3): 421-423,449.

快速单像素多目独立成分设计

1.
电子科技大学计算机科学与工程学院成都 610054;
2.
四川省计算机软件重点实验室成都 610066;
3.
重庆通信学院第四系重庆沙坪坝区 400035

基金项目:

四川省学术带头人后备人才基金(Y02001010601011)

作者简介:
佘堃(1967-),男,教授,主要从事智能中间件方面的研究.

中图分类号: TP389.1

Fast Design of Independent Component Based on Single Pixel under Multisensing

1.
School of Computer Science and Engineering,University of Electronic Science and Technology of China Chengdu 610054;
2.
Sichuan KeyLab on Computer Software Chengdu 610066;
3.
4th Department,Chongqing Communication College Shapingba Chongqing 400035

摘要: 分析了LCNN的约束项的物理意义,认为约束项λ是有监督学习的加速度,使得整个算法无论是学习矩阵还是独立成分的求解效率都可达到O(n)。针对不同的λ和源信号、观测信号对的不同特性,提出了4种快速LCNN算法,分析了静态图像独立成分分析模型,建立了单像素内的独立模型,并总结了其优势。
- Helmholtz自由能 /
- 独立成分分析(ICA) /
- Lagrange约束神经网络 /
- 单像素内独立成分模型
Abstract: The traditional independent component analysis is based on statistics mean of all aposteriori data and dismissed geometry. The classical lagrange constraint neural network (LCNN) employs Helmholtz free energy to unify supervised and unsupervised learning, and uses aprior and multi-sensing to solve independent components in one pixel, whose geometrical grain reached single pixel. The operations among pixels can be completely run parallelly. However, the constraints of classical LCNN bring ill-conditional matrix. In this paper, the real meaning of the constraints λ is discussed, four fast LCNN algorithms are proposed, the independent component (IC) models of still image is analyzed, and a new sub-pixel IC model is presented.
- Helmholtz free energy /
- independent component /
- lagrange constraint neural network /
- sub-pixel independent component model

[1]	钱夔, 宋爱国, 田磊. 基于频域控制约束的物理神经网络非线性系统预测方法 . 电子科技大学学报, 2024, 53(2): 227-234. doi: 10.12178/1001-0548.2023036
[2]	刘勇国, 高攀, 兰荻, 朱嘉静. ECA-SKNet：玉米单倍体种子的卷积神经网络识别模型 . 电子科技大学学报, 2023, 52(6): 866-871. doi: 10.12178/1001-0548.2022361
[3]	张强, 朱刘涛, 王彦琦. 基于改进胶囊神经网络的示功图诊断模型 . 电子科技大学学报, 2022, 51(1): 117-122. doi: 10.12178/1001-0548.2021132
[4]	范兴奎, 刘广哲, 王浩文, 马鸿洋, 李伟, 王淑梅. 基于量子卷积神经网络的图像识别新模型 . 电子科技大学学报, 2022, 51(5): 642-650. doi: 10.12178/1001-0548.2022279
[5]	张晓旭, 高振涛, 吴磊, 李鑫, 卢明静. 基于混合量子−经典神经网络模型的股价预测 . 电子科技大学学报, 2022, 51(1): 16-23. doi: 10.12178/1001-0548.2021394
[6]	胡旺, 张建, 陈维锋, 胡斌, 郭红梅. 基于神经网络的烈度衰减融合模型研究 . 电子科技大学学报, 2018, 47(2): 224-229. doi: 10.3969/j.issn.1001-0548.2018.02.010
[7]	冯平兴, 魏平. 多类型噪声中的独立成分分离算法 . 电子科技大学学报, 2017, 46(2): 352-356. doi: 10.3969/j.issn.1001-0548.2017.02.006
[8]	邓召学, 郑玲, 郭敏敏, 张自伟. 基于遗传BP神经网络的磁流变悬置模型辨识 . 电子科技大学学报, 2014, 43(6): 955-960. doi: 10.3969/j.issn.1001-0548.2014.06.028
[9]	徐戎, 王文杰, 周四新. 神经网络与领域知识结合的纳税评估预警模型 . 电子科技大学学报, 2009, 38(1): 122-125.
[10]	陈文宇, 刘井波, 孙世新. 层次分析的神经网络集成方法 . 电子科技大学学报, 2008, 37(3): 432-435.
[11]	王勇, 许录平. 独立成分分析和支持向量机的虹膜识别方法 . 电子科技大学学报, 2007, 36(3): 583-586.
[12]	佘堃, 蒲红梅, 郑方伟, 周明天. 自适应多目独立成分分析 . 电子科技大学学报, 2007, 36(1): 11-13.
[13]	汤志伟, 符萍. 基于小波神经网络的信息系统综合评价模型 . 电子科技大学学报, 2005, 34(5): 672-675.
[14]	张智林, 皮亦鸣, 孙志坚. 基于独立分量分析的降噪技术 . 电子科技大学学报, 2005, 34(3): 296-299.
[15]	翟东海, 李力, 靳蕃. 模糊神经网络用于非线性系统模型辨识 . 电子科技大学学报, 2004, 33(5): 577-581.
[16]	徐军, 张春凤, 钟守铭. 一类神经网络模型的解及其渐近性态 . 电子科技大学学报, 2002, 31(5): 534-538.
[17]	陈中柘. 神经网络定性分析 . 电子科技大学学报, 2002, 31(3): 250-254.
[18]	胡香荣, 徐军, 薛良金. 对称单面鳍线的人工神经网络模型 . 电子科技大学学报, 2001, 30(5): 454-457.
[19]	唐普英, 陈永倩, 黄顺吉. 一种基于Lagrange神经网络的多用户检测器 . 电子科技大学学报, 2001, 30(1): 9-12.
[20]	王秉中, 洪劲松. 非对称带状线间隙的人工神经网络模型 . 电子科技大学学报, 1999, 28(4): 362-365.

WeChat

点击查看大图

计量

文章访问数: 4393
HTML全文浏览量: 91
PDF下载量: 75
被引次数: 0

快速单像素多目独立成分设计

1. 电子科技大学计算机科学与工程学院成都 610054;

2. 四川省计算机软件重点实验室成都 610066;

3. 重庆通信学院第四系重庆沙坪坝区 400035

基金项目:

四川省学术带头人后备人才基金(Y02001010601011)

作者简介:
佘堃(1967-),男,教授,主要从事智能中间件方面的研究.

收稿日期: 2006-11-18
修回日期: 2007-04-05
刊出日期: 2008-06-15

中图分类号: TP389.1

关键词:

摘要: 分析了LCNN的约束项的物理意义,认为约束项λ是有监督学习的加速度,使得整个算法无论是学习矩阵还是独立成分的求解效率都可达到O(n)。针对不同的λ和源信号、观测信号对的不同特性,提出了4种快速LCNN算法,分析了静态图像独立成分分析模型,建立了单像素内的独立模型,并总结了其优势。

English Abstract

佘堃, 蒲红梅, 郑方伟, 周明天. 快速单像素多目独立成分设计[J]. 电子科技大学学报, 2008, 37(3): 421-423,449.

引用本文:

佘堃, 蒲红梅, 郑方伟, 周明天. 快速单像素多目独立成分设计[J]. 电子科技大学学报, 2008, 37(3): 421-423,449.

SHE Kun, PU Hong-mei, ZHENG Fang-wei, ZHOU Ming-tian. Fast Design of Independent Component Based on Single Pixel under Multisensing[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(3): 421-423,449.

Citation:

SHE Kun, PU Hong-mei, ZHENG Fang-wei, ZHOU Ming-tian. Fast Design of Independent Component Based on Single Pixel under Multisensing[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(3): 421-423,449.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发