模式识别国家重点实验室开放课题基金[003]
模式识别国家重点实验室(中科院自动化研究所)
本文由ｒｅｎｌｉａｎ１１１贡献 ｄｏｃ文档可能在ＷＡＰ端浏览体验不佳。
建议您优先选择ＴＸＴ，或下载源文件到本机查看。
模式识别国家重点实验室 简介 模式识别国家重点实验室，于 １９８４ 年由国家计委批准筹建， １９８７ 年通过国家验收并正式对外开放．依托于中国科学院自动化研究 所．实验室第一任主任是现任国家科技部副部长的马颂德研究员，现 任主任为谭铁牛研究员．实验室现有固定人员 ２２ 人，平均年龄 ３７．８ 岁，科研骨干均具有博士学位．实验室流动人员包括博士后，在读博 士生与硕士生，高级访问学者及客座研究人员．实验室计划发展规模 为固定人员 ２５－３０ 人，流动人员 １００ 人左右． 实验室以＂面向世界，面向未来，开展前瞻性的基础研究；立足国内， 面对现实，推进定向性的应用研究与技术开发＂为发展战略，追求个人事 业与集体事业共同协调发展，力争成为具有国际水准的科学研究，技术 创新和高科技人才培养基地． 实验室目前的主要研究方向为模式识别，计算机视觉，图像处理与 图形学，口语信息处理，自然语言处理以及模式识别应用与系统等． 实验室目前承担了三十余项科研项目，其中包括国家重点基础研究 规划＂９７３＂项目（图象，语音，自然语言理解与知识发掘），国家基金 委重大，重点项目，国家杰出青年科学基金项目，国家攻关项目，国 家高技术计划＂８６３＂项目，国家基金委面上项目及国际合作项目等． 实验室成员每年在国内外重要的学术期刊和国际学术会议上发表 论文百余篇，其中不少发表在国际权威刊物与国际重要会议上，如 ＩＥＥＥ 汇刊（ＰＡＭＩ 等），Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ， Ａｕｔｏｍａｔｉｃａ， ＥｕｒｏＳｐｅｅｃｈ， ＩＣＳＬＰ， ＩＣＡＳＳＰ， ＩＣＣＶ， ＩＣＰＲ， ＡＣＣＶ 等． 近年来，实验室已获准和申请发明专利 ２６ 项，获国家科技进步二 等奖 １ 项，中科院自然科学二等奖 ２ 项，其它部委级三等奖 ３ 项，国 际发明金奖与世界知识产权专项奖各 １ 项． 实验室在开展国际国内学术交流与合作方面，有着优良的传统． 实验室借各种机会，积极组织学术交流，每年一批在美国，法国，德 国，日本，英国，新加坡等地工作的优秀中国留学生，定期到实验室 从事短期客座研究，来自美国，加拿大，英国，法国，日本等二十多 个国家或地区的知名学者到实验室做学术报告达几十人次．实验室通 过中科院自动化所和法国国立信息与自动化研究院（ＩＮＲＩＡ）成立了 ＂中法信息，自动化与应用数学联合实验室＂，与香港科技大学成立 了信息技术联合实验室．实验室成员积极参与国内外学术组织的工 作，担任许多国内外学术期刊的主编，副主编或编委，以及国际重要 学术会议的大会主席或程序委员会委员等． 实验室十分重视与高新技术企业的交流与合作，希望通过与社会 资源的有效组合，促进成果转化，为我国的经济建设和社会发展服 务！ 研究方向与目标 人类具有很强的模式识别能力．通过视觉信息识别文字，图片和周围的环 境，通过听觉信息识别与理解语言．模式识别能力是人类智能的重要组成部 分．从信息处理的角度搞清它的机理，研究它的计算理论与算法，以使计算机 来实现人的视觉，听觉等模式识别能力，是人类在基础理论与应用研究中面临 最重大的挑战之一．用计算机实现模式的自动识别，是开发智能机器的一个最 关键的突破口（如果机器不能自动感知与识别周围环境，机器智能也就无从谈 起！）．它的成功应用将大大推动人工智能系统的发展，拓广计算机与各种自 动机器的应用范围． 随着数字化和网络通讯技术的飞速发展，＂信息过载＂（Ｉｎｆｏｒｍａｔｉｏｎ Ｏｖｅｒｌｏａｄ） 已 成为日益严重的问题．如何用智能化的手段处理和识别网上的海量信息（包括 文字，图像，语音等）已成为当前信息技术领域所面临的一个巨大挑战．解决 这个问题，使普通百姓能方便地获取所需信息，将互联网上丰富的信息资源转 换为发展知识经济的宝贵财富，是我国在推进国民经济和社会信息化进程中的 一个重大需求． 特别是从国家信息安全的战略高度出发，研究有害网络信息过 滤和有用信息检索中的智能信息处理与识别技术已成为当务之急． 与此同时，要进一步普及计算机的应用，加速信息技术向全社会的渗透，消除所 谓的＂数字鸿沟＂，就必须研究友好适人化的人机交互技术，以克服传统的人机 交互手段的弊端，提高计算机和信息系统的友善性和好用性．人机交互技术的 发展将支持用户通过各种手持式设备，传统 ＰＣ 终端和固定电话等形式来安全可 靠地检索各种媒体信息．美国微软公司比尔．盖茨认为人类计算的未来就是要让 比尔． 比尔 计算机会看，会听，会说，会思考（＂Ｔｈｅ ｆｕｔｕｒｅ ｏｆ ｃｏｍｐｕｔｉｎｇ ｉｓ ｔｏ ｍａｋｅ 计算机会看，会听，会说，会思考 ｃｏｍｐｕｔｅｒｓ ｓｅｅ，ｈｅａｒ，ｓｐｅａｋ ａｎｄ ｔｈｉｎｋ．＂？Ｂｉｌｌ Ｇａｔｅｓ）．１９９９ 年，美国总统 信息技术顾问委员会 ＰＩＴＡＣ（Ｐｒｅｓｉｄｅｎｔ 抯 Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ａｄｖｉｓｏｒｙ Ｃｏｍｍｉｔｔｅｅ）在其提交给联邦政府关于＂面向未来的信息技术研究＂ （Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｒｅｓｅａｒｃｈ： Ｉｎｖｅｓｔｉｎｇ ｉｎ Ｏｕｒ Ｆｕｔｕｒｅ）的咨询报告 中，建议联邦政府将人机界面和交互技术的基础研究作为优先资助的重点，并 强调模式识别和感知等方面的基础研究将极大地改善人类与机器之间的交互 模式识别和感知等方面的基础研究将极大地改善人类与机器之间的交互 （＂Ｆｕｎｄａｍｅｎｔａｌ ｒｅｓｅａｒｃｈ ｉｎ ｈｕｍａｎ ｓｅｎｓｏｒｙ－ｍｏｔｏｒ ｓｙｓｔｅｍｓ， ｐｅｒｃｅｐｔｉｏｎ， ａｔｔｅｎｔｉｏｎ， ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ ｈａｓ ｔｈｅ ｐｏｔｅｎｔｉａｌ ｒｅｃｏｇｎｉｔｉｏｎ， ｔｏ ｍａｋｅ ｄｒａｍａｔｉｃ ｉｍｐｒｏｖｅｍｅｎｔｓ ｉｎ ｔｈｅ ｉｎｔｅｒａｃｔｉｏｎ ｏｆ ｐｅｏｐｌｅ ａｎｄ ｍａｃｈｉｎｅｓ．＂－ ＰＩＴＡＣ）．因此，模式识别不仅是一个有重大科学意义的研究领 模式识别不仅是一个有重大科学意义的研究领 也是网络数字化时代诸多实际应用中需要突破的一项重大关键技术． 域，也是网络数字化时代诸多实际应用中需要突破的一项重大关键技术． 针对上述的重大科学和技术前沿问题，围绕我国国民经济，社会发展和国防安 全的战略需求，结合已有的基础和学科优势，本着＂有所为，有所不为＂的指 导思想，实验室自成立以来始终将研究方向聚焦在模式识别领域的几个有限目 标上． 实验室的研究方向为模式识别基础理论，图像处理与计算机视觉， 实验室的研究方向为模式识别基础理论，图像处理与计算机视觉，语音与语言 信息处理． 信息处理． 模式识别基础理论的研究是开展模式识别其它方向研究的基础，此方向主要研 模式识别基础理论 究内容包括脑功能成像数据分析，计算视觉理论与模型，选择性注意与主动视 觉，图像与语音识别的认知机理，机器学习与分类器设计等． 图像处理与计算机视觉是两个紧密相联的问题，有着广泛的应用领域和前景． 图像处理与计算机视觉 实验室在此方向的主要研究内容有医学图像处理，遥感图像处理，图像水印， 基于内容的图像与视频检索，三维视觉和物体识别，运动分析与理解以及生特 征识别． 语音与语言信息处理是改善人机界面和交互方式的重要手段，是推进国民经济 语音与语言信息处理 和社会信息化，实现不同语种之间的全球自由通讯的重大关键技术．实验室在 此方向的主要研究内容包括大词汇量非特定人连续语音识别，高鲁棒性语音识 别，分布式与嵌入式语音识别，口语翻译以及中文语言处理． 实验室的研究目标是在上述三个方向提出创新的理论与算法，攻克关键技术， 实验室的研究目标是在上述三个方向提出创新的理论与算法，攻克关键技术， 积累基础性数据资源，集成实用的或接近实用的原型示范系统， 积累基础性数据资源，集成实用的或接近实用的原型示范系统，并努力实现技 术转移，促进我国信息技术产业的发展． 术转移，促进我国信息技术产业的发展． 实验室的总体发展目标是＂面向国家战略需求，瞄准国际学科前沿，开展模式 识别领域的基础和应用基础研究，建设国家一流的国家重点实验室，使其成为 国内外著名的科学研究，技术创新和人才培养基地，为我国信息高科技的发展 提供知识，技术与人才储备＂ ． 在研项目 序 项目名称 号 １ 图像理解与图像库检索 ２ 口语翻译导向的高性能语音识别和理解的研究 负责人 项目来源 谭铁牛 ９７３ 计划 徐波 ９７３ 计划 ３ ４ ５ ６ ７ ８ ９ １０ １１ １２ １３ １４ １５ １６ １７ １８ １９ ２０ ２１ ２２ ２３ ２４ ２５ ２６ ２７ ２８ ２９ ３０ ３１ ３２ ３３ ３４ ３５ ３６ ３７ ３８ ３９ ４０ ４１ 基于空间数据融合的区域规划决策支持系统 普林特 不变性知觉信息表达的计算理论与计算机实验 谭铁牛 模糊 ＰＩＤ 控制器的系统化研究 胡包钢 视觉信息的群体动态时空编码和选择性注意机制 马颂德 视觉监控 谭铁牛 基于计算机视觉的三维动画 田英利 汉语话语翻译关键技术的研究 黄泰翼 几何基元提取与参数空间分解法 胡占义 单株植物生长的计算机建模与三维可视化仿真 胡包钢 虚拟现实中基于基因图象的建模和绘制 胡占义 中法联合实验室项目 胡包钢 基于卫星图象处理方法的环境监测及水灾估计的应用 马颂德 植物生长过程及其构造形态的随机功能与交互式 胡包钢 数字博物馆景物的几何，光度模型建立 王向东 对话系统的可移植性问题 徐波 ＣＳＴＡＲ－ＩＩＩ 框架下中法口语翻译研究 徐波 水灾分析和决策支持的数据融合 蒲林特 水灾分析和决策支持的数据融合－应用 马颂德 汉语会话系统 徐波 中文非特定人数字语音识别 徐波 口语语料处理 宗成庆 基于计算机三维景象重构和可视化 胡占义 Ｐｅｐｏｌｅ ｍｏｄｅｌｉｎｇ 谭铁牛 生态系统优化决策支持系统 蒲林特 基于 Ｃ－ＳＴＡＲ ＩＩＩ 多语种框架的中法口语翻译系统设计 宗成庆 与实践 人脑选择性注意和计算机主动视觉的跨学科研究 胡占义 语音网络服务器 王阳生 生物特征信息处理与识别 谭铁牛 运动图象理解与基于内容的信息检索 卢汉清 移动互联环境下的语音识别 徐波 医用虚拟内窥镜系统 卢汉清 ＬＡＭＯＳＴ 天体光谱自动识别系统的预研 胡占义 能听会说的机器人 李成荣 弹上惯测组合自主导北时间序列分析与误差模式识别 台宪青 ＩＣ 卡用指纹识别算法 蒋田仔 交通场景的视觉监控 胡卫明 几何特征提取与参数空间分析法 李泉林 语音导航 ＧＩＳ／ＧＰＳ 集成系统研究及其在 ＰＤＡ 上的实现 刘文举 强杂波背景中红外弱小目标探测与识别关键技术 唐明 ８６３ 计划 国家自然科学基金 国家自然科学基金 国家自然科学基金 国家杰出青年基金 国家自然科学基金 国家自然科学基金 国家自然科学基金 国家自然科学基金 国家自然科学基金 国际合作 国际重大项目 国际合作 国际合作 国际合作 国际合作 国际合作 国际合作 国际合作 国际合作 国际合作 国际合作 国际合作 国际合作 国际合作 院创新重大项目 省部委项目 院创新方向项目 院创新方向项目 院创新方向项目 横向合作 横向合作 横向合作 横向合作 横向合作 院其它项目 院其它项目 院其它项目 其它项目 ４２ ４３ ４４ ４５ ４６ 基于图象序列的机器人工作环境重建 天体光谱数据自动分类和识别 动态场景的视觉监控技术 面向多国语言的电视语音自动翻译技术研究 医学成像与计算 胡占义 胡占义 胡卫明 宗成庆 蒋田仔 院其它项目 院其它项目 院其它项目 院其它项目 院＂百人计划＂ 姓名 马颂德（主任） 黄熙涛（协主任） 谭铁牛 蒋田仔 张钹 李德毅 袁保宗 贾云得 李子青 陈霖 冯志伟 罗述谦 查红彬 陈武凡 徐波 王珏 任福继 Ａｎｉｌ Ｊａｉｎ Ａｌｅｘ Ｗａｉｂｅｌ 权龙 庄炳湟 学术委员会 职称 Ｅ－ｍａｉｌ 地址 ｍａｓｏｎｇｄｅ＠ｙａｈｏｏ．ｃｏｍ．ｃｎ 研究员 ｈｕａｎｇ＠ｉｆｐ．ｕｉｕｃ．ｅｄｕ 教授 ｔｎｔ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ 研究员 Ｔｉａｎｚｉ．ｊｉａｎｇ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ 研究员 ｄｃｓｚｂ＠ｍａｉｌ．ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ 教授 ｌｅｅｄｅｙｉ＠ｎｌｓｄｅ．ｂｕａａ．ｅｄｕ．ｃｎ 教授 ｂｚｙｕａｎ＠ｃｅｎｔｅｒ．ｎｊｔｕ．ｅｄｕ．ｃｎ 教授 ｊｉａｙｕｎｄｅ＠ｂｉｔ．ｅｄｕ．ｃｎ 教授 ｓｚｌｉ＠ｍｉｃｒｏｓｏｆｔ．ｃｏｍ 教授 ｌｃｈｅｎ＠ｃｏｇｓｃｉ．ｉｂｔ．ａｃ．ｃｎ 研究员 ｚｗｆｅｎｇｄｅ＠ｐｕｂｌｉｃ．ｂｔａ．ｎｅｔ．ｃｎ 教授 ｃｕｍｓｚ＠ｐｕｂｌｉｃ．ｂｔａ．ｎｅｔ．ｃｎ 教授 ｚｈａ＠ｃｉｓ．ｐｋｕ．ｅｄｕ．ｃｎ 教授 ｃｈｅｎｗｆ＠ｆｉｍｍｕ．ｃｏｍ 教授 Ｂｏ．ｘｕ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ 研究员 Ｊｕｅ．ｗａｎｇ＠ｍａｉｌ．ｉａ．ａｃ．ｃｎ 研究员 ｒｅｎ＠ｉｓ．ｔｏｋｕｓｈｉｍａ－ｕ．ａｃ．ｊｐ 教授 ｊａｉｎ＠ｃｓｅ．ｍｓｕ．ｅｄｕ 教授 ｗａｉｂｅｌ＠ｃｓ．ｃｍｕ．ｅｄｕ 教授 ｑｕａｎ＠ｃｓ．ｕｓｔ．ｈｋ 教授 ｊｕａｎｇ＠ｅｃｅ．ｇａｔｅｃｈ．ｅｄｕ 教授 工作人员 Ｅ－Ｍａｉｌ ｔｎｔ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｘｕｂｏ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｈｕｚｙ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｌｕｈｑ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｊｉａｎｇｔｚ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｈｕｂｇ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｆｃｗｕ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｓｚｌｉ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ 姓名 谭铁牛 徐波 胡占义 卢汉清 蒋田仔 胡包钢 吴福朝 李子青 职称 研究员 研究员 研究员 研究员 研究员 研究员 研究员 研究员 电话 ６２５４５６７１ ６２６１６６２３ ６２６１６５４０ ８２６１４４６５ ８２６１４４６９ ６２６４７３１８ ６２５４２９４４ ８２６２６７８７ 杨青 刘成林 刘文举 宗成庆 胡卫明 王蕴红 普琳特 陶建华 吴毅红 唐明 臧玉峰 张晓鹏 潘春洪 侯新文 陈志义 朱朝喆 范勇 刘青山 赵微 连国臻 马丽霞 研究员 研究员 副研究员 副研究员 副研究员 副研究员 副研究员 副研究员 副研究员 副研究员 副研究员 副研究员 副研究员 副研究员 工程师 助理研究员 助理研究员 助理研究员 工程师 工程师 秘书 ｑｙａｎｇ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｌｉｕｃｌ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｌｗｊ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｃｑｚｏｎｇ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｗｍｈｕ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｗａｎｇｙｈ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｐｒｉｎｅｔ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｊｈｔａｏ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｙｈｗｕ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｔａｎｇｍ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｙｆｚａｎｇ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｘｐｚｈａｎｇ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｃｈｐａｎ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｘｗｈｏｕ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｚｙｃｈｅｎ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｃｚｚｈｕ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｙｆａｎ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｑｓｌｉｕ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｚｈａｏ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｇｚｌｉａｎ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ｌｘｍａ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ ８２６１４５０５ ８２６１４５０５ ６２５４２９４４ ６２５４２９４４ ６２５４２９４４ ８２６１４５２３ ６２５４２９４６ ６２５２７７２０ ６２５５５５１３ ８２６２９８０３ ６２５４２９４３ ６２５５５５１３ ６２６５９２７８ ６２５４２９７１ ６２５４５６７１ ６２５４５６７１ ６２５４５６７１ Ｔｉｅｎｉｕ Ｔａｎ Ｐｒｏｆｅｓｓｏｒ Ｎａｔｉｏｎａｌ Ｌａｂ ｏｆ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｅｍａｉｌ： ｔｎｔ＠ｎｌｐｒ．ｉａ．ａｃ．ｃｎ Ｐｈｏｎｅ： ８６－１０－８２６１４５１５ Ｆａｘ： ８６－１０－６２５５１９９３ Ｔｉｅｎｉｕ Ｔａｎ ｇｒａｄｕａｔｅｄ ｗｉｔｈ ａ ＢＳｃ ｆｒｏｍ Ｘｉ＇ａｎ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｉｎ １９８４， ａｎｄ ｏｂｔａｉｎｅｄ ｈｉｓ ＭＳｃ （ｉｎ １９８６） ａｎｄ ＰｈＤ （ｉｎ １９８９） ｄｅｇｒｅｅｓ ｆｒｏｍ Ｉｍｐｅｒｉａｌ Ｃｏｌｌｅｇｅ ｏｆ Ｓｃｉｅｎｃｅ，Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｍｅｄｉｃｉｎｅ， Ｌｏｎｄｏｎ， ＵＫ． Ｐｒｉｏｒ ｔｏ ｈｉｓ ｒｅｔｕｒｎ ｔｏ Ｃｈｉｎａ ｉｎ １９９８， Ｈｅ ｗｏｒｋｅｄ ａｔ ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｒｅａｄｉｎｇ， ＵＫ ａｓ Ｒｅｓｅａｒｃｈ Ｆｅｌｌｏｗ， Ｓｅｎｉｏｒ Ｒｅｓｅａｒｃｈ Ｆｅｌｌｏｗ ａｎｄ Ｌｅｃｔｕｒｅｒ． Ｈｅ ｃｕｒｒｅｎｔｌｙ ｓｅｒｖｅ ａｓ ｔｈｅ Ｐｒｅｓｉｄｅｎｔ ｏｆ ｔｈｅ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ａｕｔｏｍａｔｉｏｎ ａｓ ｗｅｌｌ ａｓ ｔｈｅ Ｄｉｒｅｃｔｏｒ ｏｆ ｔｈｅ ＮＬＰＲ． Ｈｅ ｌｅａｄ ｔｈｅ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ ＆ Ｄｉｇｉｔａｌ Ｓｅｃｕｒｉｔｙ Ｇｒｏｕｐ ｏｆ ｔｈｅ ＮＬＰＲ． Ｈｉｓ ｃｕｒｒｅｎｔ ｒｅｓｅａｒｃｈ ｆｏｃｕｓｅｓ ｏｎ ｔｈｅ ｖｉｓｕａｌ ｓｕｒｖｅｉｌｌａｎｃｅ ａｎｄ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｄｙｎａｍｉｃ ｓｃｅｎｅｓ （ｆｏｒ ｅｘａｍｐｌｅ， ｔｈｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ａｂｎｏｒｍａｌ ｂｅｈａｖｉｏｒｓ ｏｒ ｏｔｈｅｒ ｓｐｅｃｉｆｉｃ ｅｖｅｎｔｓ）， ｐｅｒｓｏｎａｌ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｕｌｔｉｐｌｅ ｂｉｏｍｅｔｒｉｃ ｆｅａｔｕｒｅｓ ｓｕｃｈ ａｓ ｆａｃｅ， ｉｒｉｓ， ｆｉｎｇｅｒｐｒｉｎｔ， ｈａｎｄｗｒｉｔｉｎｇ ａｎｄ ｇａｉｔ， ａｎｄ ｗａｔｅｒｍａｒｋｉｎｇ ｏｆ ｄｉｇｉｔａｌ ｍｕｌｔｉｍｅｄｉａ ｄａｔａ ｓｕｃｈ ａｓ ｄｉｇｉｔａｌ ｓｔａｔｉｃ ｉｍａｇｅｓ ａｎｄ ｄｉｇｉｔａｌ ｖｉｄｅｏ． Ｈｅ ａｌｓｏ ｈａｖｅ ｒｅｓｅａｒｃｈ ｐｒｏｊｅｃｔｓ ｏｎ ｉｍａｇｅ ａｎｄ ｖｉｄｅｏ ｄａｔａｂａｓｅｓ， ｉｎｖａｒｉａｎｔ ｖｉｓｕａｌ ｐｅｒｃｅｐｔｉｏｎ ａｎｄ ｍｏｂｉｌｅｒｏｂｏｔ ｎａｖｉｇａｔｉｏｎ （ｅｓｐｅｃｉａｌｌｙ ｆｏｒ ｉｎｔｅｌｌｉｇｅｎｔ ｗｈｅｅｌｃｈａｉｒｓ）． Ｓｅｌｅｃｔｅｄ Ｐｕｂｌｉｃａｔｉｏｎｓ １． Ｙ． Ｚｈｕ， Ｔ． Ｎ． Ｔａｎ ａｎｄ Ｙ． Ｗａｎｇ， Ｆｏｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｇｌｏｂａｌ Ｔｅｘｔｕｒｅ Ａｎａｌｙｓｉｓ，ＩＥＥＥ Ｔａｎｓ． Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， Ｏｃｔ． ２００１． ２． Ｊ． Ｇ． Ｗａｎｇ ａｎｄ Ｔ． Ｎ． Ｔａｎ， Ａ Ｎｅｗ Ｆａｃｅ Ｄｅｔｅｃｔｉｏｎ Ｍｅｔｈｏｄ Ｂａｓｅｄ ｏｎ Ｓｈａｐｅ Ｉｎｆｏｒｍａｔｉｏｎ，Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ， ｖｏｌ．２１， ｐｐ４６３－４７１． ２０００． ３． Ｔ．Ｎ．Ｔａｎ ａｎｄ Ｋ．Ｄ．Ｂａｋｅｒ，Ｅｆｆｉｃｉｅｎｔ Ｉｍａｇｅ Ｇｒａｄｉｅｎｔ－Ｂａｓｅｄ Ｖｅｈｉｃｌｅ Ｌｏｃａｌｉｓａｔｉｏｎ， ＩＥＥＥ Ｔｒａｎｓ． Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ｖｏｌ．９， ｎｏ．８， ｐｐ．１３４３－１３５６， Ａｕｇｕｓｔ ２０００． ４． Ｈ． Ｅ． Ｓ． Ｓａｉｄ， Ｔ． Ｎ． Ｔａｎ ａｎｄ Ｋ． Ｄ． Ｂａｋｅｒ， Ｗｒｉｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｈａｎｄｗｒｉｔｉｎｇ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ， ｖｏｌ．３３， ｎｏ．１， ２０００， ｐｐ．１３３－１４８． ５． Ｓ． Ｊ． Ｍａｙｂａｎｋ ａｎｄ Ｔ． Ｎ． Ｔａｎ， Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｓｐｅｃｉａｌ Ｓｅｃｔｉｏｎ ｏｎ Ｖｉｓｕａｌ Ｓｕｒｖｅｉｌｌａｎｃｅ， Ｉｎｔｅｒ． Ｊ． Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， ｖｏｌ．３７， ｎｏ．２， Ｊｕｎｅ ２０００． Ｐｒｏｆｅｓｓｉｏｎａｌ Ａｃｔｉｖｉｔｉｅｓ １． ＳＰＩＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｍｕｌｔｉ－ｓｐｅｃｔｒａｌ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２２－２４ Ｏｃｔｏｂｅｒ ２００１，Ｗｕｈａｎ，Ｃｈｉｎａ（Ｐｒｏｇｒａｍ Ｃｏｍｍｉｔｔｅｅ Ｍｅｍｂｅｒ） ２． Ｔｈｅ ２ｎｄ ＩＥＥＥ Ｉｎｔｅｒ． Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｅｒｆｏｒｍａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｔｒａｃｋｉｎｇ ａｎｄ Ｓｕｒｖｅｉｌｌａｎｃｅ，Ｄｅｃｅｍｂｅｒ２００１，ＵＳＡ （Ｐｒｏｇｒａｍ Ｃｏｍｍｉｔｔｅｅ Ｍｅｍｂｅｒ） ３． Ｔｈｅ Ｐｅｒｃｅｐｔｉｖｅ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅｓ Ｗｏｒｋｓｈｏｐ（ＰＵＩ＇２００１），Ｎｏｖｅｍｂｅｒ１５－１６，２００１，Ｏｒｌａｎｄｏ， ＵＳＡ （Ｐｒｏｇｒａｍ Ｃｏｍｍｉｔｔｅｅ Ｍｅｍｂｅｒ） ４． Ｔｈｅ ３ｒｄ Ｉｎｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｇｎｉｔｉｖｅ Ｓｃｉｅｎｃｅｓ（ＩＣＣＳ２００１），２７－３１ Ａｕｇｕｓｔ ２００１，Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ （Ｐｒｏｇｒａｍ Ｃｏｍｍｉｔｔｅｅ Ｃｏ－ｃｈａｉｒ） ５． Ｔｈｅ ６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｆｏｒ Ｙｏｕｎｇ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｔｉｓｔｓ（ＩＣＹＣＳ＇２００１）， ２３－２５ Ｏｃｔｏｂｅｒ ２００１，Ｈａｎｇｚｈｏｕ，Ｃｈｉｎａ（Ｍｅｍｂｅｒ ｏｆ Ｓｔｅｅｒｉｎｇ Ｃｏｍｍｉｔｔｅｅ） ６． Ａｓｓｏｃｉａｔｅ Ｅｄｉｔｏｒ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ（１９９７－），Ｐｅｒｇａｍｏｎ／Ｅｌｓｅｖｉｅｒ ７． Ａｓｉａ Ｅｄｉｔｏｒ，Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ（１９９８－），Ｅｌｓｅｖｉｅｒ ８． Ｍｅｍｂｅｒ ｏｆ Ｅｄｉｔｏｒｉａｌ Ｂｏａｒｄ，Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ（２０００－）， Ｗｏｒｌｄ Ｓｃｉｅｎｔｉｆｉｃ ９． Ｍｅｍｂｅｒ ｏｆ Ｅｄｉｔｏｒｉａｌ Ｂｏａｒｄ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ（２００１－），Ｗｏｒｌｄ Ｓｃｉｅｎｔｉｆｉｃ． １０． Ａｓｓｏｃｉａｔｅ Ｅｄｉｔｏｒ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ （２００２－） Ｒｅｓｅａｒｃｈ Ｍｉｓｓｉｏｎ Ｃｏｎｄｕｃｔ ｑｕａｌｉｔｙ ｒｅｓｅａｒｃｈ ｉｎ ｔｈｅ ｂｒｏａｄ ｆｉｅｌｄ ｏｆ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｅｓｔａｂｌｉｓｈ ａ ｃｅｎｔｅｒ ｏｆ ｅｘｃｅｌｌｅｎｃｅ ｉｎ ｓｃｉｅｎｔｉｆｉｃ ｒｅｓｅａｒｃｈ， ｔｅｃｈｎｏｌｏｇｉｃａｌ ｉｎｎｏｖａｔｉｏｎ ａｎｄ ｐｏｓｔｇｒａｄｕａｔｅ ｔｒａｉｎｉｎｇ Ｐｒｏｍｏｔｅ ｔｅｃｈｎｏｌｏｇｙ ｔｒａｎｓｆｅｒ ａｎｄ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｄｉｒｅｃｔｉｏｎｓ ＮＬＰＲ＇ｓ ｒｅｓｅａｒｃｈ ｄｉｒｅｃｔｉｏｎｓ ｉｎｃｌｕｄｅ： Ｃｏｍｐｕｔｅｒ ａｎｄ Ｒｏｂｏｔ Ｖｉｓｉｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｇｒａｐｈｉｃｓ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｙｓｔｅｍｓ Ｓｐｏｋｅｎ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ Ｓｅｌｅｃｔｅｄ Ｐｕｂｌｉｃａｔｉｏｎｓ Ｓｈａｐｅ Ｒｅｃｖｅｒｙ Ｆｒｏｍ ａ Ｃｏｌｏｒ Ｉｍａｇｅ ｆｏｒ Ｎｏｎ－Ｌａｍｂｅｒｔｉａｎ Ｓｕｒｆａｃｅｓ， Ｙｉｎｇｌｉ １ Ｔｉａｎ， Ｈ．Ｔ．Ｔｓｕｉ， Ｊ．Ｏｐｔ．Ｓｏｃ ．Ａｍ．Ａ ． １４（２）：３９７－４０４，１９９７ Ｍｏｄｅｌ－Ｉｎｄｅｐｅｎｄｅｎｔ Ｏｂｊｅｃｔ Ｏｒｉｅｎｔａｔｉｏｎ Ｄｅｔｅｒｍｉｎａｔｉｏｎ， Ｔｉｅｎｉｕ Ｔａｎ， Ｋ． Ｄ． ２ Ｂａｋｅｒ， Ｇ． Ｄ． Ｓｕｌｌｉｖａｎ， ＩＥＥＥ Ｔｒａｎｓ． Ｒｏｂｏｔｉｃｓ ａｎｄ Ａｕｔｏｍａｔｉｏｎ， １３（４）：６０２６０６，１９９７ Ｎｏｉｓｅ Ｒｏｂｕｓｔｎｅｓｓ ｏｆ Ｔｅｘｔｕｒｅ Ｆｅａｔｕｒｅｓ， Ｔｉｅｎｉｕ Ｔａｎ， Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ ３ Ｃｏｍｐｕｔｉｎｇ １５（１１）：１１５－１１８，１９９７ Ａ Ｔａｂｕ Ｓｅａｒｃｈ Ｍｅｔｈｏｄ ｆｏｒ Ｇｅｏｍｅｔｒｉｃ Ｐｒｉｍｉｔｉｖｅ Ｅｘｔｒａｃｔｉｏｎ， Ｑｉｆａ Ｋｅ， ４ Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｓｏｎｇｄｅ Ｍａ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ １９（１４）：１４４３１４５２，１９９７ Ｄｙａｄｉｃ Ｓｃａｌｅ Ｓｐａｃｅ， Ｇｅ Ｃｏｎｇ， Ｓｏｎｇｄｅ Ｍａ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ５ ３０（２）：３３９－３５２，１９９７ Ｔｈｅ Ｕｎｉｔｅｄ Ａｄａｐｔｉｖｅ Ｌｅａｒｎｉｎｇ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｔｈｅ Ｌｉｎｋ Ｗｅｉｇｈｔｓ ａｎｄ Ｓｈａｐｅ Ｐａｒａｍｅｔｅｒ ｉｎ Ｒｂｆｎ ｆｏｒ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， Ｄｅｓｈｕａｎ Ｈｕａｎｇ， Ｉｎｔｅｒ． ６ Ｊｏｕｒｎａｌ ｏｆ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ １１（６）：８７３８８８，１９９７ Ａ Ｎｅｗ Ｅｉｇｅｎｓｔｒｕｃｔｕｒｅ Ｍｅｔｈｏｄ ｆｏｒ Ｓｉｎｕｓｏｉｄａｌ Ｓｉｇｎａｌ Ｒｅｔｒｉｅｖａｌ ｉｎ Ａ Ｂｒｏａｄ ７ Ｂａｎｄ Ｎｏｉｓｅ － Ｅｓｔｉｍａｔｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， Ｂａｏｇａｎｇ Ｈｕ， Ｇｏｓｉｎｅ， Ｒ．Ｇ．， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ４５（１２）：３０７３－３０８３，１９９７ Ｐｅｒｆｏｒｍａｎｃｅ Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｈｅ Ｈｏｕｇｈ Ｔｒａｎｓｆｏｒｍ， Ｚｈａｎｙｉ Ｈｕ， Ｓｏｎｇｄｅ Ｍａ， ８ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ １２（１）：４９－５７，１９９７ Ｃｏｎｔｏｕｒ Ｍａｔｃｈｉｎｇ Ｕｓｉｎｇ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ ａｎｄ Ｍｕｌｔｉｇｒｉｄ Ｍｅｔｈｏｄｓ， ９ Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｓｏｎｇｄｅ Ｍａ， Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ １２（６）：５６４－５７０，１９９７ Ａ Ｐａｒａｌｌｅｌ Ｉｎｆｏｒｍａｔｉｏｎ－Ｂａｓｅｄ Ｃｏｍｐｌｅｘｉｔｙ Ａｐｐｒｏａ－ｃｈ ｔｏ Ｖｉｓｕａｌ Ｓｕｒｆａｃｅ １０ Ｒｅｃｏｇ－ｎｉｔｉｏｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊ． Ｃｏｍｐｕｔｅｒ ａｎｄ Ｍａｔｈｅｍａｔｉｃｓ ６８（３－４）：１６５－１７７，１９９８ Ｄｅｒｉｖａｔｉｖｅ Ｃｏｍｐｕｔａｔｉｏｎ ｂｙ Ｍｕｌｔｉｓｃａｌｅ Ｆｉｌｔｅｒｓ， Ｓｏｎｇｄｅ Ｍａ， Ｂｉｎｇｃｈｅｎｇ Ｌｉ， １１ Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ １６：４３－５３，１９９８ Ｒｏｂｕｓｔ Ｅｐｉｐｏｌａｒ Ｇｅｏｍｅｔｒｙ Ｅｓｔｉｍａｔｉｏｎ Ｆｒｏｍ Ｔｗｏ Ｕｎｃａｌｉｂｒａｔｅｄ Ｉｍａｇｅｓ， １２ Ｊｉｎｘｉａｎｇ Ｃｈａｉ ， Ｓｏｎｇｄｅ Ｍａ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒ １９（９），１９９８ Ｍｕｌｔｉ－Ａｇｅｎｔ Ｖｉｓｕａｌ Ｓｕｒｖｅｉｌｌａｎｃｅ ｏｆ Ｄｙｎａｍｉｃ Ｓｃｅｎｅｓ， Ｐ．Ｒｅｍａｇｎｉｎｏ， １３ Ｔｉｅｎｉｕ Ｔａｎ， Ａ．Ｄ．Ｗｏｒｒａｌｌ Ｋ．Ｄ．Ｂａｋｅｒ， Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ １６（８）：５２９－５３２，１９９８ Ｍｏｄｅｌ－Ｂａｓｅｄ Ｌｏｃａｌｉｚａｔｉｏｎ ａｎｄ Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ Ｒｏａｄ Ｖｅｈｉｃｌｅｓ， Ｔｉｅｎｉｕ １４ Ｔａｎ， Ｇ． Ｄ． Ｓｕｌｌｉｖａｎ， Ｋ． Ｄ． Ｂａｋｅｒ， Ｉｎｔ． Ｊ． Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ２７（１）：５２５，１９９８ Ｆｒｏｍ Ｉｍａｇｅ Ｑｕａｄｒｉｌａｔｅｒａｌｓ ｔｏ Ｂｉｌａｔｅｒａｌ Ｓｙｍｍｅｔｒｉｃ Ｔｒａｐｅｚｉａ， Ｔｉｅｎｉｕ Ｔａｎ， １５ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ３１（８）：１１１７，１９９８ Ｌｏｃａｔｉｎｇ ａｎｄ Ｒｅｃｏｇｎｉｓｉｎｇ Ｒｏａｄ Ｖｅｈｉｃｌｅｓ， Ｔｉｅｎｉｕ Ｔａｎ， Ｏｐｔｉｃａｌ １６ Ｅｎｇｉｎｅｅｒｉｎｇ ３７（１）：２０２－２０７，１９９８ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｆｕｚｚｙ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅ ｉｎ Ｃｏｍｐｕｔｅｒ Ｇｒａｄｉｎｇ ｏｆ １７ Ｆｉｓｈ Ｐｒｏｄｕｃｔ， Ｂａｏｇａｎｇ Ｈｕ， Ｇｏｓｉｎｅ， Ｒ．Ｇ．， Ｃａｏ Ｌ．Ｘ 等， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ ６（１）： １４４－１５２，１９９８ Ｅｆｆｉｃｉｅｎｔ Ｒｏｔａｔｉｏｎ Ｉｎｖａｒｉａｎｔ Ｔｅｘｔｕｒｅ Ｆｅａｔｕｒｅｓ ｆｏｒ Ｃｏｎｔｅｎｔ－Ｂａｓｅｄ Ｉｍａｇｅ １８ Ｒｅｔｒｉｅｖａｌ， Ｔｉｅｎｉｕ Ｔａｎ， Ｓ．Ｒ．Ｆｏｕｎｔａｉｎ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ３１（１１）：１７２５１７３２， １９９８ Ｒｏｔａｔｉｏｎ Ｉｎｖａｒｉａｎｔ Ｔｅｘｔｕｒｅ Ｆｅａｔｕｒｅｓ ａｎｄ Ｔｈｅｉｒ Ｕｓｅ ｉｎ Ａｕｔｏｍａｔｉｃ Ｓｃｒｉｐｔ １９ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ， Ｔｉｅｎｉｕ Ｔａｎ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ ２０（７）：７５１－７５６，１９９８ Ｃｏｒｎｅｒ Ｅｎｈａｎｃｅｍｅｎｔ ｉｎ Ｃｕｒｖａｔｕｒｅ Ｓｃａｌｅ Ｓｐａｃｅ， Ｇｅ Ｃｏｎｇ， Ｓｏｎｇｄｅ Ｍａ， ２０ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ３１（１０）：１４９１－１５０１，１９９８ Ａ Ｌｉｓｔ－Ｐｒｏｃｅｓｓｉｎｇ Ａｐｐｒｏａｃｈ ｔｏ Ｃｏｍｐｕｔｅ Ｖｏｒｏｎｏｉ Ｄｉａｇｒａｍｓ ａｎｄ ｔｈｅ Ｅｕｃｌｉｄｅａｎ Ｄｉｓｔａｎｃｅ Ｔｒａｎｓｆｏｒｍ， ｗｅｉｇｕａｎｇ Ｇｕａｎ， Ｓｏｎｇｄｅ Ｍａ， ＩＥＥＥ ２１ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ ２０（７）：７５７７６１，１９９８ Ｌｏｃａｌ Ｉｎｔｅｒａｃｔｉｏｎ Ｆｉｅｌｄｓ ａｎｄ Ａｄａｐｔｉｖｅ Ｒｅｇｕｌａｒｉｚｅｒｓ ｆｏｒ Ｓｕｒｆａｃｅ ２２ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ａｎｄ Ｉｍａｇｅｓ Ｒｅｌａｘａｔｉｏｎ， ＺｈｉｙｏｎｇＹａｎｇ ， Ｓｏｎｇｄｅ Ｍａ， Ｎｅｔｗｏｒｋ： Ｃｏｍｐｕｔ． Ｎｅｕｒａｌ Ｓｙｓｔ ９：１９－３７，１９９８ Ｔｈｅ Ａｖｅｒａｇｅ Ｃａｓｅ Ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｔｈｅ Ｓｈｉｆｔ－Ｉｎｖａｒｉａｎｔ Ｐｒｏｂｌｅｍ， Ｔ．Ｚ．Ｊｉａｎｇ， ２３ ＡｒｔｈｕｒＧ．Ｗｅｒｓｃｈｕｌｚ， Ａｐｐｒｏｘ． Ｔｈｅｏｒｙ ＆ ｉｔｓ Ａｐｐｌ． １４（１）：１－７，１９９８ Ｔｈｅ Ｗｏｒｓｔ Ｃａｓｅ Ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｔｈｅ Ｆｒｅｄｈｏｌｍ Ｅｑｕａｔｉｏｎ ｗｉｔｈ Ｎｏｎ－Ｐｅｒｉｏｄｉｃ ２４ Ｆｒｅｅ Ｔｅｒｍ ａｎｄ Ｎｏｉｓｅ Ｉｎｆｏｒｍａｔｉｏｎ， Ｔ．Ｚ．Ｊｉａｎｇ， Ｎｕｍｅｒ． Ｆｕｎｃｔ． Ａｎａｌ． ａｎｄ Ｏｐｔｉｍｉｚ １９（３＆４）：３２９－３４３，１９９８ Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ａｎａｌｙｓｉｓ ｏｆ Ｇａｌｅｒｋｉｎ－ｌｉｋｅ Ｍｅｔｈｏｄｓ ｆｏｒ ｔｈｅ Ｆｒｅｄｈｏｌｍ ２５ Ｅｑｕａｔｉｏｎ， Ｔ．Ｚ．Ｊｉａｎｇ， Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｍａｔｈｅｍａｔｉｃｓ １６（５）：４４５４５６，１９９８ Ｏｎ Ｍｕｌｔｉｖａｒｉａｔｅ Ａｐｐｒｏｘｉｍａｔｉｏｎ ｂｙ Ｍｅｊｅｒ－Ｋｏｎｉｇ－Ｚｅｌｌｅｒ Ｔｙｐｅ ２６ Ｐｏｌｙｎｏｍｉａｌｓ， Ｔ．Ｚ．Ｊｉａｎｇ， Ｓｏｕｔｈｗｅｓｔ Ｊｏｕｒｎａｌ ｏｆ Ｐｕｒｅ ａｎｄ Ａｐｐｌｉｅｄ Ｍａｔｈｅｍａｔｉｃｓ （７）：１－８，１９９８ Ｄｅｆｏｒｍａｂｌｅ Ｒｅｇｉｓｔｒａｔｉｏｎ ｏｆ Ｄｉｇｉｔａｌ Ｉｍａｇｅｓ， Ｗｅｉｇｕａｎｇ Ｇｕａｎ， Ｘｉｅ Ｌｉｎ ， ２７ Ｓｏｎｇｄｅ Ｍａ， Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ １３（３）：２４６２６０，１９９８ Ａ Ｎｅｗ Ｄｅｆｉｎｉｔｉｏｎ ｏｆ ｔｈｅ Ｈｏｕｇｈ Ｔｒａｎｓｆｏｒｍ， Ｚｈａｎｙｉ Ｈｕ， Ｗｅｉ Ｗａｎｇ， Ｙｉ ２８ Ｙａｎｇ ， Ｓｏｎｇｄｅ Ｍａ， Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ １３（５）： ３８５－３９２， １９９８ Ａｎａｌｙｓｉｓ ｏｎ Ａｔｔｒｉｂｕｔｅ Ｒｅｄｕｃｔｉｏｎ Ｓｔｒａｔｅｇｉｅｓ ｏｆ Ｒｏｕｇｈ Ｓｅｔ， Ｊ．Ｗａｎｇ， ２９ Ｄ．Ｑ．Ｍｉａｏ， Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ １３（２）：１８９１９３，１９９８ Ｎｅｗ Ｍｅｔｈｏｄｏｌｏｇｙ ｆｏｒ Ａｎａｌｙｔｉｃａｌ ａｎｄ Ｏｐｔｉｍａｌ Ｄｅｓｉｇｎ ｏｆ Ｆｕｚｚｙ ＰＩＤ ３０ Ｃｏｎｔｒｏｌｌｅｒｓ， Ｂ．－Ｇ． Ｈｕ， Ｇ．Ｋ．Ｉ． Ｍａｎｎ， Ｒ．Ｇ． Ｇｏｓｉｎｅ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ ７： ５２１－５３９， １９９９ Ａｎａｌｙｓｉｓ ｏｆ Ｄｉｒｅｃｔ Ａｃｔｉｏｎ Ｆｕｚｚｙ ＰＩＤ Ｃｏｎｔｒｏｌｌｅｒ Ｓｔｒｕｃｔｕｒｅｓ， Ｇ．Ｋ．Ｉ． Ｍａｎｎ， ３１ Ｂ．－Ｇ． Ｈｕ， Ｒ．Ｇ Ｇｏｓｉｎｅ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ， Ｍａｎ， ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ， Ｐａｒｔ Ｂ： Ｃｙｂｅｒｎｅｔｉｃｓ ２９（３）： ３７１－３８８，１９９９ Ａ Ｔａｂｕ Ｓｅａｒｃｈ Ａｐｐｒｏａｃｈ ｔｏ Ｏｐｔｉｍａｌ Ｓｔｒｕｃｔｕｒｉｎｇ Ｅｌｅｍｅｎｔ Ｅｘｔｒａｃｔｉｏｎ ｆｏｒ ３２ ＭＳＴ－Ｂａｓｅｄ Ｓｈａｐｅｓ Ｄｅｓｃｒｉｐｔｉｏｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊ． Ｃｏｍｐｕｔｅｒ Ｍａｔｈｅｍａｔｉｃｓ ７１：４３７－４４５１９９９ Ｔｈｅ Ｗｏｒｓｔ Ｃａｓｅ Ｃｏｍｐｌｅｘｉｔｙ ｏｆ Ｔｈｅ Ｆｒｅｄｈｏｌｍ Ｅｑｕａｔｉｏｎ ｗｉｔｈ Ｐｅｒｉｏｄｉｃ ３３ Ｆｒｅｅ Ｔｅｒｍ ａｎｄ Ｎｏｉｓｙ Ｉｎｆｏｒｍａｔｉｏｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊ． Ｃｏｍｐｕｔｅｒ Ｍａｔｈｅｍａｔｉｃｓ ７３（１－２）：１－１４，１９９９ Ｔｈｅ Ｗｏｒｓｔ Ｃａｓｅ Ｃｏｍｐｌｅｘｉｔｙ ｏｆ Ｔｈｅ Ｆｒｅｄｈｏｌｍ Ｅｑｕａｔｉｏｎ ｗｉｔｈ Ｐｅｒｉｏｄｉｃ ３３ Ｆｒｅｅ Ｔｅｒｍ ａｎｄ Ｎｏｉｓｙ Ｉｎｆｏｒｍａｔｉｏｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊ． Ｃｏｍｐｕｔｅｒ ３５ ３６ ３７ ３８ ３９ ４０ ４１ ４２ ４３ ４４ ４５ ４６ ４７ ４８ ４９ ５０ ５１ Ｍａｔｈｅｍａｔｉｃｓ Ｍａｔｃｈｉｎｇ Ｕｓｉｎｇ Ｓｃｈｗａｒｚ Ｉｎｔｅｇｒａｌｓ， ＱｉｎｇＹａｎｇ ， Ｓｏｎｇｄｅ Ｍａ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ６： １０３９－１０４７，１９９９ Ｉｎｔｒｉｎｓｉｃ Ｍｕｌｔｉｓｃａｌｅ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ Ｕｓｉｎｇ Ｏｐｔｉｃａｌ Ｆｌｏｗ ｉｎ ｔｈｅ ＳｃａｌｅＳｐａｃｅ， Ｑｉｎｇ Ｙａｎｇ， Ｓｏｎｇｄｅ Ｍａ， ＩＥＥＥ Ｔｒａｎｓ． ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ３： ４４４４４７， １９９９ Ｃｏｎｄｉｔｉｏｎａｌ Ｓｔｏｃｈａｓｔｉｃ Ｄｅｃｏｍｐｏｓｉｔｉｏｎｓ ｉｎ ｔｈｅ Ｍ／Ｍ／ｃ Ｑｕｅｕｅ ｗｉｔｈ Ｓｅｒｖｅｒ Ｖａｃａｔｉｏｎｓ， Ｎａｉｓｈｕｏ Ｔｉａｎ， ｑｕａｎｌｉｎ Ｌｉ， Ｊｉｎｈｕａ Ｃａｏ， Ｓｔｏｃｈａｓｔｉｃ Ｍｏｄｅｌｓ １５（２）：３６７￣３７８，１９９９ Ｇｅｏｍｅｔｒｉｃ Ｐｒｉｍｉｔｉｖｅ Ｅｘｔｒａｃｔｉｏｎ ｂｙ ｔｈｅ Ｃｏｍｂｉｎａｔｉｏｎ ｏｆ Ｔａｂｕ Ｓｅａｒｃｈ ａｎｄ Ｓｕｂｐｉｘｅｌ Ａｃｃｕｒａｃｙ， Ｔ． Ｊｉａｎｇ， Ｊ． Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， １４（１）：７４－８０，１９９９ Ａｎ Ｉｎｈｅｒｅｎｔ Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ａｓｐｅｃｔ ｏｆ ｔｈｅ Ｈｏｕｇｈ Ｔｒａｎｓｆｏｒｍ， ＺｈａｎｙｉＨｕ， Ｃｈａｎｇｊｉａｎｇ Ｙａｎｇ， Ｙｉ Ｙａｎｇ ， Ｓｏｎｇｄｅ Ｍａ， Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ １４（１）：４４－４８，１９９９ Ｂａｙｅｓｉａｎ Ｌｅａｒｎｉｎｇ， Ｇｌｏｂａｌ Ｃｏｍｐｅｔｉｔｉｏｎ ａｎｄ Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ， Ｇｕｏｄｏｎｇ Ｇｕｏ， ＳｏｎｇＤｅ ＭＡ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒ ２１：１０７－１１６，２０００ Ａ Ｇｅｎｅｒａｌｉｚａｔｉｏｎ ｏｆ ２－Ｐｅｒｉｏｄｉｃ Ｔｒｉｇｏｎｏｍｅｔｒｉｃ Ｉｎｔｅｒｐｏｌａｔｉｏｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｓｏｕｔｈｗｅｓｔ Ｊｏｕｒｎａｌ ｏｆ Ｐｕｒｅ ａｎｄ Ａｐｐｌｉｅｄ Ｍａｔｈｅｍａｔｉｃｓ ５（１）：７４－８１，２０００ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ Ｕｓｉｎｇ ａ Ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅ Ｇｅｎｔｉｃ Ｌｏｃａｌ Ｓｅａｒｃｈ Ａｌｇｏｒｉｔｈｍ， Ｘｉａｏｄｏｎｇ Ｌｉ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｄａｖｉｄ Ｊ．， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｍａｔｈｅｍａｔｉｃｓ ７４：３０１－３１４，２０００ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｓｐｅｃｉａｌ Ｓｅｃｔｉｏｎ ｏｎ Ｖｉｓｕａｌ Ｓｕｒｖｅｉｌｌａｎｃｅ， Ｓ．Ｊ．Ｍａｙｂａｎｋ， Ｔ．Ｎ．Ｔａｎ， Ｉｎｔｅｒ． Ｊ． Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ３７（２）：１７３，２０００ Ｅｆｆｉｃｉｅｎｔ Ｉｍａｇｅ Ｇｒａｄｉｅｎｔ－Ｂａｓｅｄ Ｖｅｈｉｃｌｅ Ｌｏｃａｌｉｓａｔｉｏｎ， Ｔ． Ｎ． Ｔａｎ， Ｋ． Ｄ． Ｂａｋｅｒ， ＩＥＥＥ Ｔｒａｎｓ． Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ９（８）：１３４３－１３５６，２０００ Ｐｅｒｓｏｎａｌ Ｉｎｄｅｎｔｉｆｉｃａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｈａｎｄｗｒｉｔｉｎｇ， Ｈ．Ｅ．Ｓ．Ｓａｉｄ， Ｔ．Ｎ．Ｔａｎ ， Ｋ．Ｄ．Ｂａｋｅｒ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ３３（１）：１４９－１５９，２０００ Ａ Ｎｅｗ Ｆａｃｅ Ｄｅｔｅｃｔｉｏｎ Ｍｅｔｈｏｄ Ｂａｓｅｄ ｏｎ Ｓｈａｐｅ Ｉｎｆｏｒｍａｔｉｏｎ， Ｊ．Ｇ．Ｗａｎｇ Ｔ．Ｎ．Ｔａｎ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ ２１（６－７）：４６３－４７１，２０００ Ｅｍｂｅｄｄｉｎｇ Ｉｍａｇｅ Ｗａｔｅｒｍａｒｋｓ ｉｎ ＤＣ Ｃｏｍｐｏｎｅｎｔｓ， Ｊｉｗｕ Ｈｕａｎｇ， Ｙｕｎ Ｑ． Ｓｈｉ， Ｙｉ Ｓｈｉ， ＩＥＥＥ Ｔｒａｎｓ． ｏｎ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｖｉｄｅｏ Ｔｅｃｈｎｏｌｏｇｙ １０（６）： ９７４－９７９，２０００ Ａｕｔｏｍａｔｅｄ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｓｙｍｍｅｔｒｙ ｉｎ ＣＢＥＤ Ｐａｔｔｅｒｎｓ： Ａ Ｇｅｎｅｔｉｃ Ａｐｐｒｏａｃｈ， Ｇ．Ｂ． ＨＵ， Ｌ．－Ｍ． Ｐｅｎｇ， Ｑ．Ｆ． Ｙｕ， Ｈ．Ｑ． ＬＵ， Ｕｌｔｒａｍｉｃｒｏｓｃｏｐｙ ８４：４７－５６，２０００ Ｍｏｄｅｌ－ｂａｓｅｄ Ａｄａｐｔｉｖｅ Ｅｎｈａｎｃｅｍｅｎｔ ｏｆ Ｆａｒ Ｉｎｆｒａｒｅｄ Ｉｍａｇｅ Ｓｅｑｕｅｎｃｅｓ， Ｍｉｎｇ Ｔａｎｇ， Ｓｏｎｇｄｅ Ｍａ， Ｊｉｎｇ Ｘｉａｏ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ ２１：８２７８３５，２００１ Ｇｅｎｅｒａｌ Ｓｃｈｅｍｅ ｏｆ Ｒｅｇｉｏｎ Ｃｏｍｐｅｔｉｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｓｃａｌｅ Ｓｐａｃｅ， Ｍｉｎｇ Ｔａｎｇ， Ｓｏｎｇｄｅ Ｍａ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ ２３（１２）：１３６６－１３７８，２００１ Ｆｏｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｇｌｏｂａｌ Ｔｅｘｔｕｒｅ Ａｎａｌｙｓｉｓ， Ｙ． Ｚｈｕ， Ｔ． Ｔａｎ， Ｙ． Ｗａｎｇ， ＩＥＥＥ Ｔａｎｓ． Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ ５２ ５３ ５４ ５５ ５６ ５７ ５８ ５９ ６０ ６１ ６２ ６３ ６４ ６５ ６６ ６７ ６８ ２３（１０）：１１９２－１２００，２００１ Ｓｐａｔｉｏ－ｔｅｍｐｏｒａｌ Ｓｅｇｍｅｎｔａｔｉｏｎ ｆｏｒ ｖｉｄｅｏ ｓｕｒｖｅｉｌｌａｎｃｅ， Ｈ． Ｚ． Ｓｕｎ， Ｔ． Ｎ． Ｔａｎ， Ｅｌｅｃｔｒｏｎｉｃｓ Ｌｅｔｔｅｒｓ ３７（１）：２０－２１，２００１ Ａ Ｄｉｓｃｒｅｔｅ Ｔｒｉｇｏｎｏｍｅｔｒｉｃ Ｉｎｔｅｒｐｏｌａｔｉｏｎ Ｍｅｔｈｏｄ， Ｔｉａｎｚｉ Ｊｉａｎｇ Ｄ．Ｊ． Ｅｖａｎｓ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｍａｔｈｅｍａｔｉｃｓ ７８（３－４）：１３－２２，２００１ Ｃｅｌｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ ｗｉｔｈ Ｋｅｒｎｅｌ－Ｂａｓｅｄ Ｄｙｎａｍｉｃ Ｃｌｕｓｔｅｒｉｎｇ ａｎｄ ａｎ Ｅｌｌｉｐｓｏｉｄａｌ Ｃｅｌｌ Ｓｈａｐｅ Ｍｏｄｅｌ， Ｆａｇｕｏ Ｙａｎｇ ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ ３４（２）：６７－７３，２００１ Ｐｉｘｏｎ－Ｂａｓｅｄ Ｉｍａｇｅ Ｄｅｎｏｉｓｉｎｇ ｗｉｔｈ Ｍａｒｋｏｖ Ｒａｎｄｏｍ Ｆｉｅｌｄｓ， Ｑｉｎｇ Ｌｕ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ３４（１０）：２０２９－２０３９，２００１ Ｉｍａｇｅ Ｒｅｓｔｏｒａｔｉｏｎ ｂｙ Ｃｏｍｂｉｎｉｎｇ Ｌｏｃａｌ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ ｗｉｔｈ Ａｄａｐｔｉｖｅ Ｐｒｅ－ｃｏｎｄｉｔｉｏｎｉｎｇ， Ｔｉａｎｚｉ Ｊｉａｎｇ ， Ｄ． Ｊ． Ｅｖａｎｓ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｍａｔｈｅｍａｔｉｃｓ ７６（３）：２７９－２９５，２００１ Ａｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｔａｂｕ Ｓａｅｒｃｈ Ａｐｐｒｏａｃｈ ｔｏ Ｏｐｔｉｍａｌ Ｓｔｒｕｃｔｕｒｉｎｇ Ｅｌｅｍｅｎｔ Ｅｘｔｒａｃｔｉｏｎ ｆｏｒ ＭＳＴ－Ｂａｓｅｄ Ｓｈａｐｅｓ Ｄｅｓｃｒｉｐｔｉｏｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｍａｔｈｅｍａｔｉｃｓ， ７６（３）：３０７－３１５，２００１ Ｔｉｍｅ－ｄｏｍａｉｎ Ｂａｓｅｄ Ｄｅｓｉｇｎ ａｎｄ Ａｎａｌｙｓｉｓ ｏｆ Ｎｅｗ ＰＩＤ Ｔｕｎｉｎｇ Ｒｕｌｅｓ， Ｍａｎｎ， Ｇ．Ｋ．Ｉ．， Ｈｕ， Ｂ．－Ｇ．， Ｇｏｓｉｎｅ， Ｒ．Ｇ．， ＩＥＥ Ｐｒｏｃｅｅｄｉｎｇｓ － Ｃｏｎｔｒｏｌ Ｔｈｅｏｒｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ １４８（３）：２５１－ ２６２，２００１ Ｔｗｏ－ｌｅｖｅｌ ｔｕｎｉｎｇ ｏｆ ｆｕｚｚｙ ＰＩＤ ｃｏｎｔｒｏｌｌｅｒｓ， Ｍａｎｎ， Ｇ．Ｋ．Ｉ．， Ｈｕ， Ｂ．－Ｇ． ， Ｇｏｓｉｎｅ， Ｒ．Ｇ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ Ｍａｎ， ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ Ｐａｒｔ Ｂ： Ｃｙｂｅｒｎｅｔｉｃｓ ３（２）：２６３－２６９，２００１ Ａ ｓｙｓｔｅｍａｔｉｃ ｓｔｕｄｙ ｏｆ ｆｕｚｚｙ ＰＩＤ ｃｏｎｔｒｏｌｌｅｒｓ？ Ｆｕｎｃｔｉｏｎ－ｂａｓｅｄ ｅｖａｌｕａｔｉｏｎ ａｐｐｒｏａｃｈ， Ｈｕ， Ｂ．－Ｇ．， Ｍａｎｎ， Ｇ．Ｋ．Ｉ．， Ｇｏｓｉｎｅ， Ｒ．Ｇ．， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ ７（５）： ６９９－７１２，２００１ Ｒｏｂｏｔ Ｓｅｌｆ－Ｌｏｃａｔｉｏｎ ｂｙ Ｌｉｎｅ Ｃｏｒｒｅｓｐｏｎｄｅｎｃｅｓ， Ｚｈａｎｙｉ Ｈｕ， Ｃｈｅｎ Ｌｅｉ， Ｈ．Ｔ． Ｔｓｕｉ， Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ １６（２）：９７１１３，２００１ Ａ ＳＶＤ－Ｂａｓｅｄ Ｗａｔｅｒｍａｒｋｉｎｇ Ｓｃｈｅｍｅ ｆｏｒ Ｐｒｏｔｅｃｔｉｎｇ Ｒｉｇｈｔｆｕｌ Ｏｗｎｅｒｓｈｉｐ， Ｒ． Ｚ． Ｌｉｕ ａｎｄ Ｔ． Ｎ． Ｔａｎ，， ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｖｏｌｕｍｅ： ４ Ｉｓｓｕｅ： １， ｐｐ．１２１－１２８，Ｍａｒｃｈ ２００２． Ｂｒｉｅｆ Ｒｅｖｉｅｗ ｏｆ Ｉｎｖａｒｉａｎｔ Ｔｅｘｔｕｒｅ Ａｎａｌｙｓｉｓ Ｍｅｔｈｏｄｓ， Ｊｉａｎｇｕｏ Ｚｈａｎｇ ａｎｄ Ｔｉｅｎｉｕ Ｔａｎ， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｖｏｌ．３５， Ｎｏ．３， ｐｐ．７３５－７４４， ２００２． Ａ Ｎｏｔｅ ｏｎ ｔｈｅ Ｎｕｍｂｅｒ ｏｆ Ｓｏｌｕｔｉｏｎｓ ｏｆ ｔｈｅ Ｎｏｎ－Ｃｏｐｌａｎａｒ Ｐ４Ｐ Ｐｒｏｂｌｅｍ， Ｚ． Ｙ． ＨＵ ａｎｄ Ｆ． Ｃ． ＷＵ， ＩＥＥＥ－Ｔｒａｎｓ． ＰＡＭＩ， Ｖｏｌ．２４， Ｎｏ．４， ｐｐ．５５０－５５５， ２００２ Ｖｉｓｕａｌ Ｖｅｈｉｃｌｅ Ｔｒａｃｋｉｎｇ Ａｌｇｏｒｉｔｈｍ， Ｊｉａｎｇｕａｎｇ Ｌｏｕ， Ｔｉｅｎｉｕ Ｔａｎ ａｎｄ Ｗｅｉｍｉｎｇ Ｈｕ， Ｅｌｅｃｔｒｏｎｉｃ ｌｅｔｔｅｒｓ Ｖｏｌ．３８ Ｎｏ．１８， ２００２． Ｍｏｓａｉｃ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｏｆ Ｖｉｄｅｏ Ｓｅｑｕｅｎｃｅｓ ｂａｓｅｄ ｏｎ Ｓｌｉｃｅ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ， Ｓａｏｌｅｉ Ｆｅｎｇ， Ｈａｎｑｉｎｇ Ｌｕ ａｎｄ Ｓｏｎｇｄｅ Ｍａ，， Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒ Ｖｏｌ．２３．ｐｐ．５１３－５２１， ２００２． Ｈｅａｄ ｔｒａｃｋｉｎｇ Ｕｓｉｎｇ Ｓｈａｐｅ ａｎｄ ａｄａｐｔｉｖｅ ｃｏｌｏｒ ｈｉｓｔｏｇｒａｍ， Ｑｉｎｇｓｈａｎ Ｌｉｕ， Ｓｏｎｇｅｄ Ｍａ ａｎｄ Ｈａｎｑｉｎｇ Ｌｕ， Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｖｏｌ．６， ２００２ Ａ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ａｐｐｒｏａｃｈ ｔｏ Ｓｈａｐｅ ｆｒｏｍ Ｓｈａｄｉｎｇ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｂｉｎｇ ６９ ７０ ７１ ７２ ７３ Ｌｉｕ， Ｙｉｎｇｌｉ Ｌｕ ａｎｄ Ｄａｖｉｄ Ｊ． Ｅｖａｎｓ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｍａｔｈｅｍａｔｉｃｓ Ｖｏｌ． ８０， Ｎｏ． ５／６， ｐｐ．１－６， ２００２． Ａ？Ｃｏｍｐａｒａｔｉｖｅ Ｓｔｕｄｙ ｏｆ Ｇｌｏｂａｌ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｐｐｒｏａｃｈｅｓ ｔｏ ＭＥＧ Ｓｏｕｒｃｅ Ｌｏｃａｌｉｚａｔｉｏｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ， Ａｎ Ｌｕｏ， Ｘｉａｏｄｏｎｇ Ｌｉ ａｎｄ Ｆｒｉｔｈｊｏｆ Ｋｒｕｇｇｅｌ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｍａｔｈｅｍａｔｉｃｓ Ｖｏｌ． ８０， Ｎｏ． ３／４， ｐｐ．１－２０， ２００２． Ａｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｔａｂｕ Ｓｅａｒｃｈ ｆｏｒ Ｃｅｌｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ ａｎｄ Ｆａｇｕｏ Ｙａｎｇ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ， Ｍａｎ ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ Ｐａｒｔ Ｂ， Ｃｙｂｅｒｎｅｔｉｃｓ Ｖｏｌ． ３２， Ｎｏ．５， ｐｐ． ６７５－６７８， ２００２． Ｏｎ ｔｈｅ Ａｃｃｅｌｅｒａｔｅｄ Ｒｉｃｈａｒｄｓｏｎ Ｍｅｔｈｏｄ （ＡＲＭ） ｆｏｒ Ｓｏｌｖｉｎｇ Ｐｏｓｉｔｉｖｅ Ｄｅｆｉｎｉｔｅ Ｌｉｎｅａｒ Ｓｙｓｔｅｍｓ， Ｄａｖｉｄ Ｊ． Ｅｖａｎｓ， Ｙｏｎｇ Ｆａｎ ａｎｄ Ｔｉａｎｚｉ Ｊｉａｎｇ， Ｎｅｕｒａｌ， Ｐａｒａｌｌｅｌ ＆ Ｓｃｉｅｎｔｉｆｉｃ Ｃｏｍｐｕｔａｔｉｏｎｓ Ｖｏｌ． １０， Ｎｏ． ２， ２００２． Ｔｈｅ Ｐａｒａｌｌｅｌ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ Ｉｎｖｅｒｓｅ Ｓｃａｔｔｅｒｉｎｇ ｏｆ ａ Ｃｏｎｄｕｃｔｏｒ， Ｙｏｎｇ Ｆａｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ ａｎｄ Ｄａｖｉｄ Ｊ． Ｅｖａｎｓ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｍａｔｈｅｍａｔｉｃｓ Ｖｏｌ． ７９， Ｎｏ． ５， ｐｐ． ５７３－５８６， ２００２． Ｖｏｌｕｍｅｔｒｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ Ｖｅｎｔｒｉｃｌｅｓ Ｆｒｏｍ Ｂｒａｉｎ ＭＲＩ Ｕｓｉｎｇ Ｐａｒａｌｌｅｌ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ， Ｙｏｎｇ Ｆａｎ， Ｔｉａｎｚｉ Ｊｉａｎｇ ａｎｄ Ｄａｖｉｄ Ｊ． Ｅｖａｎｓ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｖｏｌ． ２１， Ｎｏ．８， ｐｐ．９０４－９０９， ２００２． 面向口语翻译的汉语语句改写方法， 宗成庆， 张玉洁， 山本和英， 坂本 ７４ 仁， 白井谕， Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ Ｌａｎｇｕａｇｅ ａｎｄ ｃｏｍｐｕｔｉｎｇ Ｖｏｌ．１２， Ｎｏ．１， ｐｐ６３－６７， ２００２． Ｃｈａｉｒｍａｎ Ｓｏｎｇｄｅ ＭＡ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｃｏ－Ｃｈａｉｒｍａｎ Ｔｈｏｍａｓ Ｓ Ｈｕａｎｇ Ｍｅｍｂｅｒｓ Ｔｉｅｎｉｕ ＴＡＮ Ｔｉａｎｚｉ ＪＩＡＮＧ Ｂｏ ＺＨＡＮＧ Ｄｅｙｉ ＬＩ Ｂａｏｚｏｎｇ ＹＵＡＮ Ｙｕｎｄｅ ＪＩＡ Ｚｉｑｉｎｇ ＬＩ Ｌｉｎ ＣＨＥＮ Ｚｈｉｗｅｉ ＦＥＮＧ Ｓｈｕｑｉａｎ ＬＵＯ Ｈｏｎｇｂｉｎ Ｚｈａ Ｗｕｆａｎ ＣＨＥＮ Ｂｏ ＸＵ Ｊｕｅ ＷＡＮＧ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｆｕｊｉ ＲＥＮ Ａｎｉｌ Ｊａｉｎ Ａｌｅｘ Ｗａｉｂｅｌ Ｌｏｎｇ ＱＵＡＮ Ｂｉｎｇｈｕａｎｇ ＺＨＵＡＮＧ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｐｒｏｆｅｓｓｏｒ Ｄｉｒｅｃｔｏｒ Ｔｉｅｎｉｕ Ｔａｎ Ｄｅｐｕｔｙ Ｄｉｒｅｃｔｏｒｓ Ｔｉａｎｚｉ Ｊｉａｎｇ Ｈａｎｑｉｎｇ Ｌｕ Ｂｏ Ｘｕ Ｒｅｓｅａｒｃｈｅｒｓ Ｚｈａｎｙｉ Ｈｕ Ｃｈｅｎｇｑｉｎｇ Ｚｏｎｇ Ｗｅｉｍｉｎ Ｈｕ Ｊｉａｎｈｕａ Ｔａｏ Ｘｉａｏｐｅｎｇ Ｚｈａｎｇ Ｂａｏｇａｎｇ Ｈｕ Ｚｉｑｉｎｇ Ｌｉ Ｙｕｎｈｏｎｇ Ｗａｎｇ Ｙｉｈｏｎｇ Ｗｕ Ｃｈｕｎｈｏｎｇ Ｐａｎ Ｆｕｃｈａｏ Ｗｕ Ｑｉｎｇ Ｙａｎｇ Ｖｅｒｏｎｉｑｕｅ Ｐｒｉｎｅｔ Ｙｕｆｅｎｇ Ｚａｎｇ Ｑｉｎｇｓｈａｎ Ｌｉｕ Ｗｅｎｊｕ Ｌｉｕ Ｃｈｅｎｇｌｉｎ Ｌｉｕ Ｍｉｎｇ Ｔａｎｇ Ｘｉｎｗｅｎ Ｈｏｕ Ｃａｏｚｈｅ Ｚｈｕ Ｔｅｃｈｎｉｃｉａｎ Ｚｈｉｙｉ Ｃｈｅｎ Ｓｅｃｒｅｔａｒｉｅｓ Ｇｕｏｚｈｅｎ Ｌｉａｎ Ｗｅｉ Ｚｈａｏ Ｌｉｘｉａ Ｍａ Ｐｏｓｔ－Ｄｏｃｔｏｒｓ Ｘｉｎｇ Ｚｈａｏ Ｃｈｕｎｈｏｎｇ Ｐａｎ Ｚｈｉｇａｎｇ Ｚｈａｎ Ｒｕｉｚｈｅｎ Ｚｈａｏ Ｇｅｘｉａｎ Ｈｏｕ Ｙｉｈｏｎｇ Ｗｕ Ｘｉａｎｇｄｏｎｇ Ｗａｎｇ１。
模式识别国家重点实验室
模式识别国家重点实验室
佚名
【期刊名称】《实验室研究与探索》
【年(卷),期】1993(000)001
【摘要】模式识别国家重点实验室是我国第一批建成、对外开放的国家重点实验室之一,依托于中国科学院自动化研究所,于1984年创建,1987年建成。
实验室的研究工作相对独立进行。
实行主任负责、学术委员会评审制,自主地开展研究和学术活动。
实验室主任为自动化所马颂德教授(法国国家博士);
【总页数】5页(P98-101,109)
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1."慧眼"识别世界——记中国科学院自动化研究所模式识别国家重点实验室刘成林研究员
2.仿生模式识别(拓扑模式识别)——一种模式识别新模型的理论与应用
3.“以人为本”：新一代生物识别核心理念--专访国际模式识别学会第一副主席、模式识别国家重点实验室主任谭铁牛研究员
4.面向世界面向未来——模式识别国家重点实验室
5.我国虹膜识别技术取得新进展——访中国科学院自动化研究所模式识别国家重点实验室孙哲南博士
因版权原因，仅展示原文概要，查看原文内容请购买。
心电 T 波电交替检测算法综述
中
国
生
物
医
学
工
程
学
报
29 卷
得到的能量谱图计 算 T 波 交 替 率， 以此来判断是否 存在 TWA 现象 。 由于不同 形 态 的 T 波 波 形 可 能 具 有 同 样 的 能 量， 因此能量谱法的 缺 点 是 不 能 有 效 地 反 映 波 形 形 同 时 也 对 TWA 现 象 的 非 稳 态 特 征 态变化的 情 形， 无法有效识别 。 针对能 量 谱 方 法 不 能 有 效 地 反 映 波 形 形 态 变 Smith 等 人 提 出 了 一 种 改 进 的 方 法：谱 分 化的缺点， 析法（ SM ） 有 谱， P j = FFT （ x i， j） （ i = 1， 2， …， m APS = 1 ≤ j ≤ n）
图1 Fig. 1
TWA 示意图
究
［ 5］
， 使得针 对 体 表 心 电 图 上 微 伏 级 TWA 的 进 一
TWA Diagram
步研究成 为 可 能 。 从 此 之 后， 无 论 是 在 TWA 病 理 TWA 临 床 价 值， 成因 、 还 是 在 TWA 检 测 算 法 方 面，
doi ： 10. 3969 / j. issn. 02588021 . 2010 . 03. 021 0126 ，修回日期： 201003 25 收稿日期： 2010 基金项目：模式识别国家重点实验室开放课题基金资助 * 通讯作者 。 E-mail ： shelihuang@ ise. neu. edu. cn
［ 2］
。1948 年， 在 Kaher 和 Schwartz 的研究中， 首
［ 3］ 次报道 TWA 的出 现 与 猝 死 有 一 定 的 关 系 。 1950
基于CS和神经网络的传感器网络模式识别研究
摘
要 ：当前 ， 传感器 网络快速地发 展 ， 其节点不断增多 ， 需要传 输和储存 的数 据量也就不断增大 ， 同时现
有传感器节点尺寸与复杂度 限制 了传感器 网络 的数据存储 、 数据 的计算速度及频宽 。针对此类 问题 ， 将压 缩感知技术应用于传感器网络 ， 对传感器 网络中传 输的数据进 行压缩 ， 降低传输数 据量 ， 然后 在接收端 重 构数据 ， 将该数据样本作为 Ｂ Ｐ网络 的输入进行识别 。实 验证 明 ： 该方法 可 以提高 网络数据存储能力 和带 宽利用率 。 关键词 ：压缩感知 ； 传感器 网络 ； Ｐ神经网络 Ｂ
．
ｐｏｌ ｓ ｃｍｐｅｓｄｓｎｉｇｔｃｎｌｇ ｓａｐｉ ｅｓｒｎｔｏｋ ，ａ ｓｔ ｎｍ ｔｄ ｉ ｓｎｏ ｅ ｏｋ ｒ ｒ ｅ ， ｒｓｅ ｅ ｓ ｈ ｏｏｙｉ ｐｌ ｄｔ ｓｎｏ ｅ ｒｓ ｄｔ ｒ ｓ ｉｅ ｎ ｅ ｓｒ ｔ ｒｓａ ｂｍ ｏ ｎ ｅ ｅ ｏ ｗ ａ ａ ｔ ｎｗ ｅ
收 稿 日期 ：０ １ ｏ ＿６ ２ １ ＿ １２
Ｉ ］任意信号 都可 以表示为 ，
基金项 目： 国家 自 然科学基金资助项 目（ ０ ７０ ４ 国家重点实验室开放课题项 目（ ＦＪ０９ ５ ６ ８ １２ ）； Ｋ Ｊ ０ １） ２
第ｌ ２期
龚
静， ： 等 基于 ｃ ｓ和神经 网络 的传感器 网络模式识别研究
２， ９ 即采样 、 存 及 传 递 的数 据 量 还 不 到原 始 数 据量 的 储
式中
Ｃ为很 小 的系数 。那 么 ， 就要 设计 一个 平稳 的且 与
不相关的 Ｍ × Ｎ维 的观测矩 阵 Ｊ， Ｐ 对 进行观测 ， Ｄ投 将
电力视觉技术的概念、研究现状与展望
第36卷第1期电力科学与工程V ol. 36, No. 1 2020年1月Electric Power Science and Engineering Jan., 2020 doi: 10.3969/j.ISSN.1672-0792.2020.01.001电力视觉技术的概念、研究现状与展望赵振兵a，张薇a，翟永杰b，赵文清b，张珂a，孔英会a，戚银城a （华北电力大学a. 电气与电子工程学院；b. 控制与计算机工程学院，河北保定071003）摘要：随着我国新一代电力系统建设的快速发展，发输变电设备作为电力系统的重要组成部分，实现其缺陷的智能检测与分析变得愈发重要。
紧跟国家新一代人工智能的步伐，与当今较热的计算机视觉相结合，提出电力视觉技术的概念，分析其研究对象和难点问题，在电力系统、计算机视觉和人工智能等领域之间建立了桥梁，并系统地总结了电力视觉技术在发电、输电和变电3大场景中的研究现状。
最后从泛在电力物联网、少样本或零样本学习、生成式对抗网络、电力知识图谱和视觉推理等方面来分析电力视觉技术及其应用的未来发展趋势。
关键词：电力视觉；新一代电力系统；机器学习；模式识别；图像处理中图分类号：TN911.73；TM726 文献标识码：A 文章编号：1672-0792(2020)01-0001-08 Concept, Research Status and Prospect of Electric PowerVision TechnologyZHAO Zhenbing a, ZHANG Wei a, ZHAI Yongjie b, ZHAO Wenqing b, ZHANG Ke a,KONG Yinghui a, QI Yincheng a(a. School of Electrical and Electronic Engineering; b. School of Control and Computer Engineering,North China Electric Power University, Baoding 071003, China)Abstract: With the rapid development of China's new generation power system construction, power generation, transmission and transformer equipments are an important part of the power system, and intelligent detection and analysis of their defects has become increasingly important. Keeping pace with China's new generation of artificial intelligence and combining with today's hot computer vision, this收稿日期：2019-12-06基金项目：国家自然科学基金项目（61871182，61773160）；北京市自然科学基金项目（4192055）；河北省自然科学基金项目（F2017502016）；中央高校基本科研业务费专项资金项目（2018MS095，2018MS094）；模式识别国家重点实验室开放课题基金项目（201900051）；国家留学基金项目（201906735011）作者简介：赵振兵（1979—），男，博士，副教授，主要研究方向为电力视觉；张薇（1995—），女，硕士研究生，主要研究方向为图像检测与深度学习；翟永杰（1972—），男，博士，教授，主要研究方向为模式识别与电力视觉；赵文清（1973—），女，博士，教授，主要研究方向为数据挖掘与电力视觉；张珂（1980—），男，博士，副教授，主要研究方向为计算机视觉；孔英会（1965—），女，博士，教授，主要研究方向为计算机视觉；戚银城（1968—），男，博士，教授，主要研究方向为电力系统通信与信息处理。
文本特征提取的研究进展
ＤＯＩ：１０．１３８７８／ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０１９．０６．００８曾明睿１㊀袁梦奇１㊀邵曦１㊀鲍秉坤１㊀徐常胜１，２文本特征提取的研究进展摘要文本理解是人工智能的一个重要分支，其技术推动了人与计算机之间在自然语言上的有效交互．为了让计算机准确地理解和感知文本数据，文本特征提取是最为基础和关键的步骤之一．基于此，本文介绍文本特征提取研究的发展历史，以及近年来主流特征提取的方法，并对未来的研究方向进行展望．首先，介绍语义最底层的词级表示；接着，总结在词级表示基础上衍生出的句级表示上的研究进展；随后，介绍比词级表示和句级表示更高层的篇分析；最后，通过文本特征提取的一个典型应用 问答系统的介绍，阐述文本特征提取的最新方法和技术在问答系统上的应用，并对未来的研究方向做了展望．关键词自然语言处理；文本特征提取；问答系统中图分类号ＴＰ３９１ １文献标志码Ａ收稿日期２０１９⁃１０⁃１５资助项目国家自然科学基金（６１５７２５０３，６１８７２４２４，６１９３０００３８８，６１８７２１９９）；南京邮电大学高层次人才启动基金（ＮＹ２１８００１）；模式识别国家重点实验室开放课题（２０１９０００１５）作者简介曾明睿，男，硕士生，主要研究方向为多媒体计算．８９４６０６９３２＠ｑｑ．ｃｏｍ鲍秉坤（通信作者），女，博士，教授，博士生导师，主要研究方向为多媒体计算和计算机视觉．ｂｉｎｇｋｕｎｂａｏ＠ｎｊｕｐｔ．ｅｄｕ．ｃｎ１南京邮电大学通信与信息工程学院，南京，２１００４４２中国科学院自动化研究所模式识别国家重点实验室，北京，１００１９００ 引言㊀㊀互联网技术的高速发展，以及硬件产品的不断更新换代，使得网络上的数据呈现出 爆炸式 的增长态势．特别是作为信息主要载体的文本数据，一方面数量迅速增长，另一方面其表现形式和结构也变得复杂多样，为文本理解带来了巨大的挑战．文本理解的核心是将文本数据通过数学运算转换为计算机可以感知和分析的信号，并根据任务的不同，对其进行自动处理以反馈结果．在文本理解中，最基础和最关键的步骤之一就是文本特征提取．文本特征提取是为文本数据集寻找一个具有判别力的特征空间，并将所有的文本数据映射到这一空间上，以抽取有代表性的㊁鲁棒的特征表示向量．互联网上涌现的海量文本数据，既带来了丰富的语料资源，同时也使文本感知㊁分析和处理面临了巨大的挑战．首先，每个用户都可以产生和传播数据，而其中文本的占比又最大，这导致了文本语料规模的迅速增长，因此 大数据 是面临的第一个挑战；其次，在大数据的背后隐藏了大量重复且无意义的数据，这些数据良莠不齐，价值密度低，因此 大噪声 是面临的第二个挑战；最后，数据存在于各种各样的平台中，其类型包括了结构化数据㊁半结构化数据和非结构化数据等，因此 结构复杂 是面临的第三个挑战．近年来，许多学者针对新环境下文本数据的这三个挑战，在文本特征提取上提出了大量有效的方法和技术．本文将对这些研究成果进行归纳和总结，为该方向的研究人员快速了解文本特征提取提供参考．依据语义单元的大小，本文首先介绍词上的特征提取方法和技术，包括利用上下文信息和外部知识引入；随后介绍比词级更高一层的句级特征表示，主要基于词级表示的方法，通过引入词和词之间的关联，对句子进行更高层语义的理解；再次，对语篇表示的研究成果进行总结，主要关注语篇关系挖掘的方法和技术．最后，介绍文本特征提取在问答系统上的典型应用，将结合双向Ｔｒａｎｓｆｏｒｍｅｒ的编码表示㊁注意力模型和卷积神经网络的方法展开阐述．新时代背景下所面临的大数据㊁大噪声和结构复杂三个挑战，也是词级表示㊁句级表示㊁语篇表示和问答系统需要解决的难点，因此本文在文献总结的过程中将侧重这三个方面详细阐述相关的应对方法和解决方案．本文第１章到第３章将依次详细阐述在对于词级表示㊁句级表示和语篇关系三层语义做特征提取时所采用的技术，并对每层语义级㊀㊀㊀㊀再次细分做介绍．第４章是对文本特征提取方法进行结合和实际在问答系统的应用．最后，展望了文本特征提取的未来研究方向并对全文进行总结．１㊀词级表示词作为文本中最基础的单位，是构成句子和语篇的最小元素．对词的特征提取通常称为词级表示，但在文本中，不管是英文单词还是中文词汇的数量都是非常庞大的，仅仅对这些词进行顺序编码，不仅人力花费高昂，还难以揭示词与词之间的语义关系，因此对词级进行语义距离可度量的向量化表示是非常必要的．具体来说，在给定某一语义度量准则下，将每个词或词组投影为高维的向量，这些向量形成的空间称为词级的向量空间，以此将非结构化的文本转化为了可处理的结构化形式．然而这种工作是属于预训练的范畴的，当我们把词级表示应用到实际问题的时候，无须从零开始训练一个新的模型，这为后面的训练大大节省了时间．目前关于词的预训练方法，可以分为两条思路：利用上下文相关信息和外部知识关系的结合．１ １㊀利用上下文相关信息在自然语言中，很多单词有着多种含义，而其真实含义是根据所在的上下文语境来决定的．因此在设计词的特征提取模型时，需要引入上下文相关信息，以消除一词多义的影响．根据模型种类的不同，基于上下文信息的词级表示方法可以分为基于ＬＳＴＭ模型和基于Ｔｒａｎｓｆｏｒｍｅｒ模型两类．基于ＬＳＴＭ模型这类方法，是针对于传统方法（如ｗｏｒｄ２ｖｅｃ等）忽略词的上下文关系，无法建模词的一词多义的缺陷所提出的．具体实现是通过将整句的单词，输入进ＬＳＴＭ神经网络中，通过ＬＳＴＭ建模目标词和句子里其他单词的上下文的语义关联，来获得融合其他单词信息的词级表征．根据融合单词与目标词的位置不同，这类词级表示的方法可以分为两类：前向融合［１］（图１）和双向融合［２］（图２）．前向融合只考虑目标词之前的词对其产生的语义影响，如图１所示，对 ｉｎｔｏ 进行词级表示，将 ｉｎｔｏ 之前的单词 ｐｒｏｂｌｅｍｓ ㊁ ｔｕｒｎｉｎｇ 等依次输入至ＬＳＴＭ模型中，根据单词与目标词的远近，进行有选择的记忆存储和遗忘，并将记忆信息融合至 ｉｎｔｏ 的词级表示中．很显然，不仅 ｉｎｔｏ 之前的单词对其有语义影响，其之后的单词 ｂａｎｋｉｎｇ ㊁ ｃｒｉｓｅｓ ㊁ ａｓ 等也会有影响，因此学者又在前向融合的基础上，考虑目标词之后的词，提出双向融合的方法（图２）．具体而言，建模由两个ＬＳＴＭ构成的Ｂｉ⁃ＬＳＴＭ模型，分别从前往后和从后往前对单词进行输入，以融合目标词前后的所有单词的语义．基于Ｂｉ⁃ＬＳＴＭ模型，Ｍｅｌａｍｕｄ等［２］改进了基于ｗｏｒｄ２ｖｅｃ的ＣＢＯＷ图，提出ｃｏｎ⁃ｔｅｘｔ２ｖｅｃ．其中，基于ｗｏｒｄ２ｖｅｃ的ＣＢＯＷ图计算窗口内所有词嵌入的平均值（图３），而ｃｏｎｔｅｘｔ２ｖｅｃ是基于Ｂｉ⁃ＬＳＴＭ融合目标词的上下文（图４）．为了建模更为复杂的上下文语义关系，Ｐｅｔｅｒｓ等［３］提出了ＥＬＭｏ（ＥｍｂｅｄｄｉｎｇｓｆｒｏｍＬａｎｇｕａｇｅＭｏｄｅｌｓ）模型，这是一种深度语境化词表示方法，由两层Ｂｉ⁃ＬＳＴＭ组成的语言模型内部状态函数生成的词向量，通过Ｂｉ⁃ＬＳＴＭ连接的语言模型将每个输入字上方堆叠的向量的线性组合以组合表示多样的文字特征，表示更加丰富的语义．相比于基于ＬＳＴＭ模型的方法，Ｔｒａｎｓｆｏｒｍｅｒ模型不仅不需要通过循环来并行处理句中的单词，还能结合上下文的信息，因此在处理长语句时，效率较高．Ｒａｄｆｏｒｄ等［４］最先基于Ｔｒａｎｓｆｏｒｍｅｒ提出了ＯｐｅｎＡＩＧＰＴ，该模型克服了ＬＳＴＭ的短期预测能力，通过捕捉长距离的语言结构，来学习一个通用表示．２０１８图１㊀前向融合［１］Ｆｉｇ １㊀Ｆｏｒｗａｒｄｃｏｎｖｅｒｇｅｎｃｅ［１］图２㊀双向融合［２］Ｆｉｇ ２㊀Ｂｉ⁃ｄｉｒｅｃｔｉｏｎｃｏｎｖｅｒｇｅｎｃｅ［２］７０７学报（自然科学版），２０１９，１１（６）：７０６⁃７１５ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１９，１１（６）：７０６⁃７１５图３㊀ＣＢＯＷ模型［２］Ｆｉｇ ３㊀ＣＢＯＷｍｏｄｅｌ［２］图４㊀Ｃｏｎｔｅｘｔ２ｖｅｃ模型Ｆｉｇ ４㊀Ｃｏｎｔｅｘｔ２ｖｅｃｍｏｄｅｌ年，Ｄｅｖｌｉｎ等［５］提出了基于深度双向Ｔｒａｎｓｆｏｒｍｅｒ的ＢＥＲＴ（ＢｉｄｉｒｅｃｔｉｏｎａｌＥｎｃｏｄｅｒＲｅｐｒｅｓｅｎｔａｔｉｏｎｆｒｏｍＴｒａｎｓｆｏｒｍｅｒ）模型，与ＯｐｅｎＡＩＧＰＴ单方向的预训练模型不同的是，ＢＥＲＴ提出了一种遮蔽语言模型图５㊀遮蔽语言模型［５］Ｆｉｇ ５㊀Ｍａｓｋｌａｎｇｕａｇｅｍｏｄｅｌ［５］（ＭａｓｋＬａｎｇｕａｇｅＭｏｄｅｌ）来训练出上下文的特征（图５），它通过遮蔽一个单词，训练一个深度双向Ｔｒａｎｓ⁃ｆｏｒｍｅｒ模型，从单词的左右两个方向来预测遮蔽单词．２０１９年，Ｄａｉ等［６］通过引入相对位置编码和片段循环机制对Ｔｒａｎｓｆｏｒｍｅｒ模型进行改进，提出Ｔｒａｎｓ⁃ｆｏｒｍｅｒ⁃ＸＬ模型，循环机制在每处理完一个片段之后都会将输出保留在隐藏层中以便后面循环，建立长期的依赖关系．而相对位置编码则是通过对隐藏状态的相对位置进行编码，克服了不同片段编码可能导致编码一样的问题．两种方法的融合解决了由于固定上下文的长度所带来的无法获取超出定义长度的依赖关系的问题．１ ２㊀外部知识的引入传统的词级表示方法在情感分类㊁文本分类等任务上取得了令人满意的结果，但当处理稀疏词汇时，由于词汇出现的频率较低，无法对其抽取得到准确的语义，甚至容易受到噪声的干扰．因此，学者们提出通过加入维基百科等其他语料库，引入外部的知识，以获得更为准确的词级表示．如何将外部语料库有效地引入到目标语料库中，生成融合外部知识的词嵌入，是目前这部分工作面临的挑战．２０１７年，Ｃａｏ等［７］建模文本和知识库之间的关联，以解决多义词引起的歧义的问题．Ｓａｒｍａ等［８］分别在目标语料库上训练一个通用词嵌入和在外部语料库上训练一个外来词嵌入，然后对两组嵌入使用线性ＣＣＡ［９］或非线性ＣＣＡ［１０］，沿着最大相关的方向投射，再取平均值，最终得到引入外部知识的词级特征表示．Ｘｕ等［１１］将通用词嵌入和外来词嵌入的双重嵌入机制与ＣＮＮ网络结合，让ＣＮＮ网络决定两种嵌入中可用信息的比重，从而使文本特征提取更加高效㊁简单．相较于ＢＥＲＴ的ＭａｓｋＬａｎｇｕａｇｅＭｏｄｅｌ无法对显式语义单元进行建模，百度的Ｐａｄｄｌｅ发布了知识增强的预训练模型ＥＲＮＩＥ［１２］（ＥｎｈａｎｃｅｄＬａｎｇｕａｇｅＲｅｐｒｅｓｅｎｔａｔｉｏｎｗｉｔｈＩｎｆｏｒｍａｔｉｖｅＥｎｔｉｔｉｅｓ），该模型通过将知识图谱在编码输入至预训练模型，从而有效地挖掘了图谱中实体间关系，最终增强了模型语义表示能力．例如在图６中， 哈尔滨 作为一个整体被抹去时，则需要通过更长的依赖性来预测学习，而ＥＲＮＩＥ可以通过先验知识 黑龙江的省会 预测表示出遮掩词 哈尔滨 ．２㊀句级表示仅依靠词级表示，无法获得对文本的准确理解，８０７曾明睿，等．文本特征提取的研究进展．ＺＥＮＧＭｉｎｇｒｕｉ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｎｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．图６㊀ＥＲＮＩＥ的学习Ｆｉｇ ６㊀ＬｅａｒｎｔｂｙＥＲＮＩＥ需要考虑词和词之间的关联对语义的影响，因此句子级表示的研究就应运而生了．句级表示方法最常用的是句子嵌入，具体来说是用向量来表示自然语言中的语句，使其携带句子中的语义信息．句子嵌入方法可分为基于词向量的线性组合和基于深度学习两类方法．图７㊀ＳｉａｍｅｓｅＣＢＯＷ网络结构［１４］Ｆｉｇ ７㊀ＳｉａｍｅｓｅＣＢＯＷｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ［１４］２ １㊀基于词向量的线性组合把句子中所有词的词嵌入取平均值是一种非常成功和高效的获得句子嵌入的方法［１３］．具体来说，是将句子中每个词嵌入相加除以句中词数得到的向量值作为句嵌入．这一方法的缺陷在于忽略了句中词的权重和顺序．Ｋｅｎｔｅｒ等［１４］基于ｗｏｒｄ２ｖｅｃ中的ＣＢＯＷ提出了ＳｉａｍｅｓｅＣＢＯＷ（图７），与ＣＢＯＷ有着相同的原理，只不过该模型是将句中的词向量先做平均值处理表征句向量，然后通过周围的句子对目标句子进行预测来学习词嵌入以便达到优化的目的，最后对优化之后的词嵌入做平均值处理形成句向量．Ａｒｏｒａ等［１５］仅计算句子中词向量的加权平均，然后删除第一个向量上的平均投影，权重的计算来自于作者提出的ＳＩＦ，即一个词的权重：ｗ＝ａａ＋ｐ（ｗ），其中，ａ为参数，ｐ（ｗ）为预测词的词频．这样的加权方案具有十分不错的鲁棒性：使用从不同语料库得出的单词频率不会损害性能并且ａ的取值很广，可以让结果达到最佳．２ ２㊀基于深度学习的句级表示近年来，随着深度学习在文本领域的广泛应用，越来越多的学者在句级表示上尝试引入深度学习模型，以建模词与词之间的复杂关系．目前基于深度学习的方法主要基于循环神经网络㊁卷积神经网络和ｅｎｃｏｄｅｒ⁃ｄｅｃｏｄｅｒ．在基于循环神经网络方面，Ｚｈａｎｇ等［１６］提出ｓｅｎｔｅｎｃｅ⁃ｓｔａｔｅＬＳＴＭ，每次循环都对所有单词语义特征的隐藏状态进行建模，而不再是一次一个单词输入．将整个句子看成一个状态，这个状态是由各个词的子状态和一个整体的句子层状态组成．在每次循环时，单词的隐藏状态都能捕捉到越来越大的ｎ⁃ｇｒａｍ信息，并与句子状态进行信息交换．最终，循环得到一句话的表示．卷积神经网络方法在图像处理上已经取得了非常不错的效果，要求输入值是一个固定的图像分辨率．近年来，学者也在尝试将卷积神经网络应用在自然处理上，但是输入的文本或者句子长度不固定会９０７学报（自然科学版），２０１９，１１（６）：７０６⁃７１５ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１９，１１（６）：７０６⁃７１５造成多余的卷积结果丢失，从而对模型结果产生影响．Ｋｉｍ［１７］先将词表示变成矩阵，然后通过一个仅有一层卷积层的简单ＣＮＮ，对其进行Ｍａｘ⁃ｏｖｅｒｔｉｍｅｐｏｏ⁃ｌｉｎｇ，最后经过全连接层得到句向量．Ｓａｎｔｏｓ等［１８］让词嵌入和字符嵌入通过卷积神经网络联合表示形成句向量，其创新之处在于利用两层卷积层去提取词和句中的相关特征．第一层提取句子级的特征，第二层获取每个单词字符周围生成的局部特征用最大化的方式将其组合，最终生成一个固定大小的向量．在ｅｎｃｏｄｅｒ⁃ｄｅｃｏｄｅｒ方面，句级表示主要是将词级表示中的ｗｏｒｄ２ｖｅｃ模型推广到句子上．Ｋｉｒｏｓ等［１９］提出了Ｓｋｉｐ⁃ＴｈｏｕｇｈｔＶｅｃｔｏｒｓ，通过大量连续的语料库训练出一个ｅｎｃｏｄｅｒ⁃ｄｅｃｏｄｅｒ模型，将多个词向量编码成句向量，并同时用一个句子来预测上下文另一个的句子．模型如图８，模型中是用一个三元组（ｓｉ－１，ｓｉ，ｓｉ＋１）表示连续的三句话，将来自连续语库ｓｉ编码重建前一句ｓｉ－１和后一句ｓｉ＋１．图中未连接的箭头连接到编码器输出，颜色指示了共享参数的组件．受到ＢＯＷ编码思想的启发，Ｈｉｌｌ等［２０］提出了对数线性语句模型 ＦａｓｔＳｅｎｔ，将一个连续句子的三元组（ｓｉ－１，ｓｉ，ｓｉ＋１），对于中间的句子ｓｉ进行编码，编码方式是将ｓｉ中的词向量求和即ðｗɪｓｉｓｉ，这种方法没有考虑句中的词序，因此使得ＦａｓｔＳｅｎｔ的训练速度大幅提升．根据实验用Ｓｋｉｐ⁃ＴｈｏｕｇｈｔＶｅｃｔｏｒｓ［１９］和ＦａｓｔＳｅｎｔ两种模型训练得到参数的数据如表１所示，图８㊀Ｓｋｉｐ⁃ＴｈｏｕｇｈｔＶｅｃｔｏｒｓ模型［１９］Ｆｉｇ ８㊀Ｓｋｉｐ⁃ＴｈｏｕｇｈｔＶｅｃｔｏｒｓｍｏｄｅｌ［１９］其中∗表示在ＧＰＵ上进行训练．表１㊀两种模型参数比较［２０］Ｔａｂｌｅ１㊀Ｐａｒａｍｅｔｅｒｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｔｗｏｍｏｄｅｌｓ［２０］句向量维度／维词向量维度／维训练时间／ｈＳｋｉｐ⁃ＴｈｏｕｇｈｔＶｅｃｔｏｒｓ４８００６２０３３６∗ＦａｓｔＳｅｎｔ１００１００２㊀注：∗表示在ＧＰＵ上进行训练．３㊀语篇分析事实上，句子之间也会存在着复杂的逻辑关系，因此需要引入语篇分析挖掘来进一步理解文本．语篇分析又称篇章分析，是通过对文本内部实体关系的挖掘和理解，对语篇整体进行分析，从而获得整个文档的高层语义．本章将分别介绍语篇分析中文本关系和隐式语篇表示嵌入两部分的研究．文本关系抽取需要深入理解语篇内所有实体之间的关系，由此学习到的文本关系嵌入可以用来扩充现有的关系提取模型，并能显著地提高它们的性能．Ｘｕ等［２１］通过卷积神经网络从实体间最短依赖路径学习更稳健的关系表示文本关系．但是这一方法需要依赖大量的标注句子作为训练集生成嵌入模型．Ｓｕ等［２２］提出ＧｌｏＲＥ，通过定义句子依赖图中两个实体的最短路径去改进关系提取，同时将文本关系和知识库关系的全局共现统计来学习文本关系的嵌入．可是由于手工标注的训练集太少，这一方面仅适用于小规模的训练数据的关系提取．２０１９年，Ｃｈｅｎ等［２３］将ＧｌｏＲＥ方法与可以从缺少标签的数据中提取关系的远程监督方法［２４］相结合进一步应用于大规模㊁领域无关的数据，目的是学习通用文本关系嵌入．作为语篇分析另一重要分支，隐式语篇分析是在没有显式连接词的情况下提取关系，这很难从输入句子对的表面特征派生出来，所以需要从文本语义理解的角度中去寻找关系．近几年不少学者已经提出了基于神经网络的方法或高级表示的模型：ＣＮＮ［２５］㊁注意神经张量网络［２６］㊁记忆网络（ｍｅｍｏｒｙｎｅｔｗｏｒｋ）［２７］和ＲＮＮ［２８］等．还有一些方法考虑到了上下文段落和段落间相关性［２９］．但是对于机器来说，如何更好地理解文本成为了隐式语篇关系识别研究前进的障碍．因此，Ｂａｉ等［３０］通过字词和ＥＬＭｏ［２］的增强嵌入和深度剩余双注意力编码器，让表示更加丰富和深入模型结构（图９）．０１７曾明睿，等．文本特征提取的研究进展．ＺＥＮＧＭｉｎｇｒｕｉ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｎｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．图９㊀增强嵌入和深度剩余双注意力编码器［３０］Ｆｉｇ ９㊀Ｅｎｈａｎｃｅｄｅｍｂｅｄｄｉｎｇａｎｄｄｅｅｐｒｅｍａｉｎｉｎｇｄｕａｌａｔｔｅｎｔｉｏｎｅｎｃｏｄｅｒ［３０］４㊀文本特征提取结合实际的应用问答系统是文本特征提取的一个典型应用，任务是能够准确地理解用户用自然语言提出的问题，并通过检索语料库㊁知识图谱或问答知识库返回简洁㊁准确的答案．相较于搜索引擎，问答系统能够根据已有语料库学习问答知识，进而更有效地满足用户的信息需求．将文本特征提取的技术应用在问答系统中可以很好地帮助计算机理解人类语言的重点，同时在提高训练速度㊁检索答案质量等方面都会有很好的表现．在问答系统领域方面，有效的提取问句的意图识别和填槽可以为快速准确匹配出答案和使其更加人性化奠定基础．表２显示了一个用户查询的意图分类和填槽的实例．表２㊀用户查询的意图分类和填槽的实例Ｔａｂｌｅ２㊀Ａｎｅｘａｍｐｌｅｏｆｉｎｔｅｎｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｓｌｏｔｆｉｌｌｉｎｇｏｆｕｓｅｒｑｕｅｒｙ今天南京天气怎么样？意图查询天气信息槽具体查询哪里的天气？哪一天的天气？Ｃｈｅｎ等［３１］将之前ＢＥＲＴ［５］扩展到一个联合意图分类和槽填充模型．基于第一个特殊ｔｏｋｅｎ的隐藏状态ｈ１的意图被表示为ｙｉ＝ｓｏｆｔｍａｘ（Ｗｉｈｉ＋ｂｉ），而对于槽填充模型，将会提供除去第一个ｔｏｋｅｎ的最终隐藏状态：ｈ２， ，ｈＴ进入Ｓｏｆｔｍａｘ层，对槽填充标签进行分类．当两个任务联合训练时，使目标函数ｐｙｉ，ｙｓ｜ｘ()＝ｐ（ｙｉ｜ｘ）ᵑＮｎ＝１ｐｙｓｎ｜ｘ()最大化．经过在Ｓｎｉｐｓ和ＡＴＩＳ数据集上测试的结果如表３，可以看出基于ＢＥＲＴ的意图分类和槽填充在准确率方面相较于其他方法都取得了最好的结果．表３㊀不同测试集上的实验结果［３１］Ｔａｂｌｅ３㊀Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｄｉｆｆｅｒｅｎｔｔｅｓｔｓｅｔｓ［３１］％ＳｎｉｐｓＡＴＩＳ意图分类槽填充意图分类槽填充ＲＮＮ⁃ＬＳＴＭ９６ ９８７ ３９２ ６９４ ３Ａｔｔｅｎ⁃Ｂｉ⁃ＬＳＴＭ９６ ７８７ ８９１ １９４ ２Ｓｌｏｔ⁃Ｇａｔｅｄ９７ ０８８ ８９４ １９５ ２ＪｏｉｎｔＢｅｒｔ９８ ６９７ ０９７ ５９６ １此外，对于问题的理解对于问答系统来说也是１１７学报（自然科学版），２０１９，１１（６）：７０６⁃７１５ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１９，１１（６）：７０６⁃７１５十分重要的．Ｄｏｎｇ等［３２］介绍了多列卷积神经网络，模型不依赖于手工特征和规则，通过共享相同的词向量来表示问题单词，使用不同列的网络来提取答案类型㊁关系和上下文信息．同时，也会在知识库中共同学习实体和关系的低维嵌入．使用问题⁃答案组合对模型进行训练，以对候选答案进行排序．如图１０不同网络列获取得问题表示．２０１７年，Ｓｅｏ等［３３］提出ＢＩＤＡＦ（ＢｉｄｉｒｅｃｔｉｏｎａｌＡｔ⁃ｔｅｎｔｉｏｎＦｌｏｗｆｏｒＭａｃｈｉｎｅＣｏｍｐｒｅｈｅｎｓｉｏｎ）双向注意力矩阵来计算上下文的每个字与查询问题之间的相关性，从而建立查询感知的上下文表示．然而这种模型却不能像人类一样对候选答案进行反思，因此Ｇｏｎｇ等［３４］将ＢＩＤＡＦ扩展成ＲｕｍｉｎａｔｉｎｇＲｅａｄｅｒ使其能够进行第二遍阅读和推理，通过门控机制让第一遍和第二遍阅读的内容进行融合（模型框架如图１１），在选择答案的时候能够有效地使用上下文并更好地权衡答案．５ 展望本文根据语义层面的由低到高依次总结了词㊁句和篇章三个层次上文本特征提取方法的研究进展．近年来，学者们注意到图作为一种特殊的数据结构，能够面对一组对象和对象之间的联系进行建模．由于这一强大的优点，把基于图神经网络的方法用于机器学习的方向越来越受人追捧．同时，现在数据平台的多样性使得数据结构变得极为复杂，给文本特征提取带来了不小的挑战，而图神经网络作为一种可以在图结构上运行的神经网络，能够保存图形嵌入中的全局结构信息，因此在处理具有丰富关系结构的任务时可以得到很好的效果．所以，利用图神经网络来应对结构复杂的文本信息也成为了一个新的研究方向．在问答系统方面，生成的回答也更加人性化，因此，在未来的文本特征提取中，应该建立新的文本特征表示模型，并结合领域知识快速定位用户的兴趣反馈，以达到更加流畅的使用感受．图１０㊀使用不同列网络获得的问题表示来查询最近的上下文［３２］Ｆｉｇ １０㊀Ｕｓｉｎｇｑｕｅｓｔｉｏｎｒｅｐｒｅｓｅｎｔａｔｉｏｎｓｏｂｔａｉｎｅｄｂｙｄｉｆｆｅｒｅｎｔｃｏｌｕｍｎｎｅｔｗｏｒｋｓｔｏｑｕｅｒｙｔｈｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｓ［３２］２１７曾明睿，等．文本特征提取的研究进展．ＺＥＮＧＭｉｎｇｒｕｉ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｎｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．图１１㊀反思器模型结构［３４］Ｆｉｇ １１㊀ＭｏｄｅｌｓｔｒｕｃｔｕｒｅｏｆＲｕｍｉｎａｔｉｎｇＲｅａｄｅｒ［３４］参考文献Ｒｅｆｅｒｅｎｃｅｓ［１］㊀ＨｏｃｈｒｅｉｔｅｒＳ，ＳｃｈｍｉｄｈｕｂｅｒＪ．Ｌｏｎｇｓｈｏｒｔ⁃ｔｅｒｍｍｅｍｏｒｙ［Ｊ］．ＮｅｕｒａｌＣｏｍｐｕｔａｔｉｏｎ，１９９７，９（８）：１７３５⁃１７８０［２］㊀ＭｅｌａｍｕｄＯ，ＧｏｌｄｂｅｒｇｅｒＪ，ＤａｇａｎＩ．Ｃｏｎｔｅｘｔ２ｖｅｃ：ｌｅａｒｎｉｎｇｇｅｎｅｒｉｃｃｏｎｔｅｘｔｅｍｂｅｄｄｉｎｇｗｉｔｈｂｉｄｉｒｅｃｔｉｏｎａｌＬＳＴＭ［Ｃ］ʊＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０ｔｈＳＩＧＮＬＬＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍ⁃ｐｕｔａｔｉｏｎａｌＮａｔｕｒａｌＬａｎｇｕａｇｅＬｅａｒｎｉｎｇ，２０１６：５１⁃６１［３］㊀ＰｅｔｅｒｓＭＥ，ＮｅｕｍａｎｎＭ，ＩｙｙｅｒＭ，ｅｔａｌ．Ｄｅｅｐｃｏｎｔｅｘｔｕａｌ⁃ｉｚｅｄｗｏｒｄｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１８，ａｒＸｉｖ：１８０２．０５３６５［４］㊀ＲａｄｆｏｒｄＡ，ＮａｒａｓｉｍｈａｎＫ，ＳａｌｉｍａｎｓＴ，ｅｔａｌ．Ｉｍｐｒｏｖｉｎｇｌａｎｇｕａｇｅｕｎｄｅｒｓｔａｎｄｉｎｇｂｙｇｅｎｅｒａｔｉｖｅｐｒｅ⁃ｔｒａｉｎｉｎｇ［ＥＢ／ＯＬ］．［２０１９⁃１０⁃１２］．ｈｔｔｐｓ：ʊｓ３⁃ｕｓ⁃ｗｅｓｔ⁃２．ａｍａｚｏｎａｗｓ．ｃｏｍ／ｏｐｅｎａｉ⁃ａｓｓｅｔｓ／ｒｅｓｅａｒｃｈｃｏｖｅｒｓ／ｌａｎｇｕａｇｅｕｎｓｕｐｅｒｖｉｓ⁃ｅｄ／ｌａｎｇｕａｇｅｕｎｄｅｒｓｔａｎｄｉｎｇｐａｐｅｒ．ｐｄｆ，２０１８［５］㊀ＤｅｖｌｉｎＪ，ＣｈａｎｇＭＷ，ＬｅｅＫ，ｅｔａｌ．Ｂｅｒｔ：ｐｒｅ⁃ｔｒａｉｎｉｎｇｏｆｄｅｅｐｂｉｄｉｒｅｃｔｉｏｎａｌｔｒａｎｓｆｏｒｍｅｒｓｆｏｒｌａｎｇｕａｇｅｕｎｄｅｒｓｔａｎｄｉｎｇ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１８，ａｒＸｉｖ：１８１０．０４８０５［６］㊀ＤａｉＺ，ＹａｎｇＺ，ＹａｎｇＹ，ｅｔａｌ．Ｔｒａｎｓｆｏｒｍｅｒ⁃ｘｌ：ａｔｔｅｎｔｉｖｅｌａｎｇｕａｇｅｍｏｄｅｌｓｂｅｙｏｎｄａｆｉｘｅｄ⁃ｌｅｎｇｔｈｃｏｎｔｅｘｔ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１９，ａｒＸｉｖ：１９０１．０２８６０［７］㊀ＣａｏＹＸ，ＨｕａｎｇＬＦ，ＪｉＨ，ｅｔａｌ．Ｂｒｉｄｇｅｔｅｘｔａｎｄｋｎｏｗｌｅｄｇｅｂｙｌｅａｒｎｉｎｇｍｕｌｔｉ⁃ｐｒｏｔｏｔｙｐｅｅｎｔｉｔｙｍｅｎｔｉｏｎｅｍ⁃３１７学报（自然科学版），２０１９，１１（６）：７０６⁃７１５ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１９，１１（６）：７０６⁃７１５ｂｅｄｄｉｎｇ［Ｃ］ʊＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５５ｔｈＡｎｎｕａｌＭｅｅｔｉｎｇｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ（Ｖｏｌｕｍｅ１：ＬｏｎｇＰａｐｅｒｓ），２０１７：１６２３⁃１６３３［８］㊀ＳａｒｍａＰＫ，ＬｉａｎｇＹ，ＳｅｔｈａｒｅｓＷＡ．Ｄｏｍａｉｎａｄａｐｔｅｄｗｏｒｄｅｍｂｅｄｄｉｎｇｓｆｏｒｉｍｐｒｏｖｅｄｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１８，ａｒＸｉｖ：１８０５．０４５７６［９］㊀ＨｏｔｅｌｌｉｎｇＨ．Ｒｅｌａｔｉｏｎｓｂｅｔｗｅｅｎｔｗｏｓｅｔｓｏｆｖａｒｉａｔｅｓ［Ｊ］．Ｂｉｏｍｅｔｒｉｋａ，１９３６，２８（３／４）：３２１．［１０］㊀ＨａｒｄｏｏｎＤＲ，ＳｚｅｄｍａｋＳ，Ｓｈａｗｅ⁃ＴａｙｌｏｒＪ．Ｃａｎｏｎｉｃａｌｃｏｒ⁃ｒｅｌａｔｉｏｎａｎａｌｙｓｉｓ：ａｎｏｖｅｒｖｉｅｗｗｉｔｈａｐｐｌｉｃａｔｉｏｎｔｏｌｅａｒｎｉｎｇｍｅｔｈｏｄｓ［Ｊ］．ＮｅｕｒａｌＣｏｍｐｕｔａｔｉｏｎ，２００４，１６（１２）：２６３９⁃２６６４［１１］㊀ＸｕＨ，ＬｉｕＢ，ＳｈｕＬ，ｅｔａｌ．ＤｏｕｂｌｅｅｍｂｅｄｄｉｎｇｓａｎｄＣＮＮ⁃ｂａｓｅｄｓｅｑｕｅｎｃｅｌａｂｅｌｉｎｇｆｏｒａｓｐｅｃｔｅｘｔｒａｃｔｉｏｎ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１８，ａｒＸｉｖ：１８０５．０４６０１［１２］㊀ＺｈａｎｇＺ，ＨａｎＸ，ＬｉｕＺ，ｅｔａｌ．ＥＲＮＩＥ：ｅｎｈａｎｃｅｄｌａｎｇｕａｇｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｗｉｔｈｉｎｆｏｒｍａｔｉｖｅｅｎｔｉｔｉｅｓ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１９，ａｒＸｉｖ：１９０５．０７１２９［１３］㊀ＦａｒｕｑｕｉＭ，ＤｏｄｇｅＪ，ＪａｕｈａｒＳＫ，ｅｔａｌ．Ｒｅｔｒｏｆｉｔｔｉｎｇｗｏｒｄｖｅｃｔｏｒｓｔｏｓｅｍａｎｔｉｃｌｅｘｉｃｏｎｓ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１４，ａｒＸｉｖ：１４１１．４１６６［１４］㊀ＫｅｎｔｅｒＴ，ＢｏｒｉｓｏｖＡ，ＤｅＲｉｊｋｅＭ．ＳｉａｍｅｓｅＣＢＯＷ：ｏｐｔｉｍｉ⁃ｚｉｎｇｗｏｒｄｅｍｂｅｄｄｉｎｇｓｆｏｒｓｅｎｔｅｎｃｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１６，ａｒＸｉｖ：１６０６．０４６４０［１５］㊀ＡｒｏｒａＳ，ＬｉａｎｇＹ，ＭａＴ．Ａｓｉｍｐｌｅｂｕｔｔｏｕｇｈ⁃ｔｏ⁃ｂｅａｔｂａｓｅ⁃ｌｉｎｅｆｏｒｓｅｎｔｅｎｃｅｅｍｂｅｄｄｉｎｇｓ［Ｃ］ʊＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒ⁃ｅｎｃｅｏｎＬｅａｒｎｉｎｇＲｅｐｒｅｓｅｎｔａｔｉｏｎｓ，２０１７［１６］㊀ＺｈａｎｇＹ，ＬｉｕＱ，ＳｏｎｇＬ．Ｓｅｎｔｅｎｃｅ⁃ｓｔａｔｅＬＳＴＭｆｏｒｔｅｘｔｒｅｐｒｅｓｅｎｔａｔｉｏｎ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１８，ａｒＸｉｖ：１８０５．０２４７４［１７］㊀ＫｉｍＹ．Ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｓｅｎｔｅｎｃｅｃｌａｓｓｉ⁃ｆｉｃａｔｉｏｎ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１４，ａｒＸｉｖ：１４０８．５８８２［１８］㊀ＤｏｓＳａｎｔｏｓＣ，ＧａｔｔｉＭ．Ｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓｏｆｓｈｏｒｔｔｅｘｔｓ［Ｃ］ʊＰｒｏ⁃ｃｅｅｄｉｎｇｓｏｆＣＯＬＩＮＧ２０１４，ｔｈｅ２５ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒ⁃ｅｎｃｅｏｎＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ：ＴｅｃｈｎｉｃａｌＰａｐｅｒｓ，２０１４：６９⁃７８［１９］㊀ＫｉｒｏｓＲ，ＺｈｕＹ，ＳａｌａｋｈｕｔｄｉｎｏｖＲＲ，ｅｔａｌ．Ｓｋｉｐ⁃ｔｈｏｕｇｈｔｖｅｃｔｏｒｓ［Ｃ］ʊＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ，２０１５：３２９４⁃３３０２．［２０］㊀ＨｉｌｌＦ，ＣｈｏＫ，ＫｏｒｈｏｎｅｎＡ．Ｌｅａｒｎｉｎｇｄｉｓｔｒｉｂｕｔｅｄｒｅｐｒｅｓｅｎ⁃ｔａｔｉｏｎｓｏｆｓｅｎｔｅｎｃｅｓｆｒｏｍｕｎｌａｂｅｌｌｅｄｄａｔａ［Ｊ］．ａｒＸｉｖＰｒｅ⁃ｐｒｉｎｔ，２０１６，ａｒＸｉｖ：１６０２．０３４８３［２１］㊀ＸｕＫ，ＦｅｎｇＹＳ，ＨｕａｎｇＳＦ，ｅｔａｌ．Ｓｅｍａｎｔｉｃｒｅｌａｔｉｏｎｃｌａｓ⁃ｓｉｆｉｃａｔｉｏｎｖｉａｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｗｉｔｈｓｉｍｐｌｅｎｅｇａｔｉｖｅｓａｍｐｌｉｎｇ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１５，ａｒＸｉｖ：１５０６．０７６５０［２２］㊀ＳｕＹ，ＬｉｕＨＬ，ＹａｖｕｚＳ，ｅｔａｌ．Ｇｌｏｂａｌｒｅｌａｔｉｏｎｅｍｂｅｄｄｉｎｇｆｏｒｒｅｌａｔｉｏｎｅｘｔｒａｃｔｉｏｎ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１７，ａｒＸｉｖ：１７０４．０５９５８［２３］㊀ＣｈｅｎＺＹ，ＺｈａＨＷ，ＬｉｕＨＬ，ｅｔａｌ．Ｇｌｏｂａｌｔｅｘｔｕａｌｒｅｌａｔｉｏｎｅｍｂｅｄｄｉｎｇｆｏｒｒｅｌａｔｉｏｎａｌｕｎｄｅｒｓｔａｎｄｉｎｇ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１９，ａｒＸｉｖ：１９０６．００５５０［２４］㊀ＭｉｎｔｚＭ，ＢｉｌｌｓＳ，ＳｎｏｗＲ，ｅｔａｌ．Ｄｉｓｔａｎｔｓｕｐｅｒｖｉｓｉｏｎｆｏｒｒｅ⁃ｌａｔｉｏｎｅｘｔｒａｃｔｉｏｎｗｉｔｈｏｕｔｌａｂｅｌｅｄｄａｔａ［Ｃ］ʊＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅ４７ｔｈＡｎｎｕａｌＭｅｅｔｉｎｇｏｆｔｈｅＡＣＬａｎｄｔｈｅ４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇｏｆｔｈｅＡＦＮＬＰ：Ｖｏｌｕｍｅ２⁃ＡＣＬ⁃ＩＪＣＮＬＰ，２００９：１００３⁃１０１１［２５］㊀ＱｉｎＬＨ，ＺｈａｎｇＺＳ，ＺｈａｏＨ．Ａｓｔａｃｋｉｎｇｇａｔｅｄｎｅｕｒａｌａｒ⁃ｃｈｉｔｅｃｔｕｒｅｆｏｒｉｍｐｌｉｃｉｔｄｉｓｃｏｕｒｓｅｒｅｌａｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］ʊＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１６ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｉｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ，２０１６：２２６３⁃２２７０［２６］㊀ＧｕｏＦＹ，ＨｅＲＦ，ＪｉｎＤ，ｅｔａｌ．Ｉｍｐｌｉｃｉｔｄｉｓｃｏｕｒｓｅｒｅｌａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｎｅｕｒａｌｔｅｎｓｏｒｎｅｔｗｏｒｋｗｉｔｈｉｎｔｅｒａｃｔｉｖｅａｔｔｅｎｔｉｏｎａｎｄｓｐａｒｓｅｌｅａｒｎｉｎｇ［Ｃ］ʊＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２７ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓ⁃ｔｉｃｓ，２０１８：５４７⁃５５８［２７］㊀ＪｉａＹＹ，ＹｅＹ，ＦｅｎｇＹＳ，ｅｔａｌ．Ｍｏｄｅｌｉｎｇｄｉｓｃｏｕｒｓｅｃｏｈｅ⁃ｓｉｏｎｆｏｒｄｉｓｃｏｕｒｓｅｐａｒｓｉｎｇｖｉａｍｅｍｏｒｙｎｅｔｗｏｒｋ［Ｃ］ʊＰｒｏ⁃ｃｅｅｄｉｎｇｓｏｆｔｈｅ５６ｔｈＡｎｎｕａｌＭｅｅｔｉｎｇｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ（Ｖｏｌｕｍｅ２：ＳｈｏｒｔＰａｐｅｒｓ），２０１８：４３８⁃４４３［２８］㊀ＪｉＹＦ，ＥｉｓｅｎｓｔｅｉｎＪ．Ｏｎｅｖｅｃｔｏｒｉｓｎｏｔｅｎｏｕｇｈ：ｅｎｔｉｔｙ⁃ａｕｇ⁃ｍｅｎｔｅｄｄｉｓｔｒｉｂｕｔｅｄｓｅｍａｎｔｉｃｓｆｏｒｄｉｓｃｏｕｒｓｅｒｅｌａｔｉｏｎｓ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎ⁃ｇｕｉｓｔｉｃｓ，２０１５，３：３２９⁃３４４［２９］㊀ＤａｉＺＹ，ＨｕａｎｇＲＨ．Ｉｍｐｒｏｖｉｎｇｉｍｐｌｉｃｉｔｄｉｓｃｏｕｒｓｅｒｅｌａｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｂｙｍｏｄｅｌｉｎｇｉｎｔｅｒ⁃ｄｅｐｅｎｄｅｎｃｉｅｓｏｆｄｉｓｃｏｕｒｓｅｕｎｉｔｓｉｎａｐａｒａｇｒａｐｈ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１８，ａｒＸｉｖ：１８０４．０５９１８［３０］㊀ＢａｉＨＸ，ＺｈａｏＨ．Ｄｅｅｐｅｎｈａｎｃｅｄｒｅｐｒｅｓｅｎｔａｔｉｏｎｆｏｒｉｍｐｌｉｃｉｔｄｉｓｃｏｕｒｓｅｒｅｌａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１８，ａｒＸｉｖ：１８０７．０５１５４［３１］㊀ＣｈｅｎＱ，ＺｈｕｏＺ，ＷａｎｇＷ．ＢＥＲＴｆｏｒｊｏｉｎｔｉｎｔｅｎｔｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎａｎｄｓｌｏｔｆｉｌｌｉｎｇ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１９，ａｒＸｉｖ：１９０２．１０９０９［３２］㊀ＤｏｎｇＬ，ＷｅｉＦＲ，ＺｈｏｕＭ，ｅｔａｌ．Ｑｕｅｓｔｉｏｎａｎｓｗｅｒｉｎｇｏｖｅｒｆｒｅｅｂａｓｅｗｉｔｈｍｕｌｔｉ⁃ｃｏｌｕｍｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｃ］ʊＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５３ｒｄＡｎｎｕａｌＭｅｅｔｉｎｇｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓａｎｄｔｈｅ７ｔｈＩｎ⁃ｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏ⁃ｃｅｓｓｉｎｇ（Ｖｏｌｕｍｅ１：ＬｏｎｇＰａｐｅｒｓ），２０１５：２６０⁃２６９［３３］㊀ＳｅｏＭ，ＫｅｍｂｈａｖｉＡ，ＦａｒｈａｄｉＡ，ｅｔａｌ．Ｂｉｄｉｒｅｃｔｉｏｎａｌａｔｔｅｎｔｉｏｎｆｌｏｗｆｏｒｍａｃｈｉｎｅｃｏｍｐｒｅｈｅｎｓｉｏｎ［Ｊ］．ａｒＸｉｖＰｒｅ⁃ｐｒｉｎｔ，２０１６，ａｒＸｉｖ：１６１１．０１６０３［３４］㊀ＧｏｎｇＹＣ，ＢｏｗｍａｎＳＲ．Ｒｕｍｉｎａｔｉｎｇｒｅａｄｅｒ：ｒｅａｓｏｎｉｎｇｗｉｔｈｇａｔｅｄｍｕｌｔｉ⁃ｈｏｐａｔｔｅｎｔｉｏｎ［Ｊ］．ａｒＸｉｖＰｒｅｐｒｉｎｔ，２０１７，ａｒＸｉｖ：１７０４．０７４１５４１７曾明睿，等．文本特征提取的研究进展．ＺＥＮＧＭｉｎｇｒｕｉ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｎｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．ＲｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｎｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎＺＥＮＧＭｉｎｇｒｕｉ１㊀ＹＵＡＮＭｅｎｇｑｉ１㊀ＳＨＡＯＸｉ１㊀ＢＡＯＢｉｎｇｋｕｎ１㊀ＸＵＣｈａｎｇｓｈｅｎｇ１，２１Ｓｃｈｏｏｌｏｆｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｉｎｆｏｒｍａｔｉｏｎｅｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｎａｎｊｉｎｇ㊀２１００４４２ＩｎｓｔｉｔｕｔｅｏｆＡｕｔｏｍａｔｉｏｎ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓＩｎｓｔｉｔｕｔｅｏｆＡｕｔｏｍａｔｉｏｎ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ㊀１００１９０Ａｂｓｔｒａｃｔ㊀Ｔｅｘｔｕｎｄｅｒｓｔａｎｄｉｎｇｉｓａｎｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｂｒａｎｃｈｉｎａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ，ｗｈｉｃｈａｖａｉｌｓｔｈｅｅｆｆｅｃｔｉｖｅｉｎｔｅｒａｃｔｉｏｎｂｅｔｗｅｅｎｈｕｍａｎａｎｄｃｏｍｐｕｔｅｒｗｉｔｈｎａｔｕｒａｌｌａｎｇｕａｇｅ．Ｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｓｏｎｅｏｆｔｈｅｂａｓｉｃａｎｄｋｅｙｓｔｅｐｓｆｏｒｃｏｍｐｕｔｅｒｓｔｏｕｎｄｅｒｓｔａｎｄａｎｄｐｅｒｃｅｉｖｅｔｈｅｔｅｘｔｕａｌｄａｔａ．Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅｉｎｔｒｏｄｕｃｅｔｈｅｄｅｖｅｌｏｐｍｅｎｔｈｉｓｔｏｒｙｏｆｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｔｈｅｍａｉｎｓｔｒｅａｍｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓｉｎｒｅｃｅｎｔｙｅａｒｓ，ａｎｄｐｒｏｓｐｅｃｔｓｔｈｅｆｕｔｕｒｅｒｅ⁃ｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｓｏｆｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．Ｔｈｅｔｈｒｅｅｓｅｍａｎｔｉｃｈｉｅｒａｒｃｈｉｅｓ，ｎａｍｅｌｙｗｏｒｄｒｅｐｒｅｓｅｎｔａｔｉｏｎ，ｓｅｎｔｅｎｃｅｒｅｐ⁃ｒｅｓｅｎｔａｔｉｏｎａｎｄｄｉｓｃｏｕｒｓｅｒｅｌａｔｉｏｎｓｈｉｐｍｉｎｉｎｇａｒｅｅｌａｂｏｒａｔｅｄ，ｔｈｅｎａｃａｓｅｉｓｇｉｖｅｎｔｏｓｈｏｗｔｈｅｔｙｐｉｃａｌａｐｐｌｉｃａｔｉｏｎｏｆｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｏｎｑｕｅｓｔｉｏｎａｎｓｗｅｒｉｎｇｓｙｓｔｅｍ．Ｋｅｙｗｏｒｄｓ㊀ｎａｔｕｒａｌｌａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇ；ｔｅｘｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｑｕｅｓｔｉｏｎａｎｓｗｅｒｉｎｇｓｙｓｔｅｍ５１７学报（自然科学版），２０１９，１１（６）：７０６⁃７１５ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１９，１１（６）：７０６⁃７１５。
基于神经网络的遥感图像分类
收稿日期:2000-10-18基金项目:模式识别国家重点实验室开放课题基金项目作者简介:毛建旭(1974—),男,江西安义人,现为湖南大学电气与信息工程学院博士生,主要研究方向为人工智能、遥感图像处理与分析、计算机视觉检测、计算机应用等。
文章编号:1000-8829(2001)05-0029-02基于神经网络的遥感图像分类Remote Sensing Image Cla ssification Ba sed on Neural Network(湖南大学电气与信息工程学院,湖南长沙 410082) 毛建旭,王耀南摘要:针对传统的遥感图像分类方法分类精度低的缺点,提出了一种基于神经网络的分类方法。
实验结果表明,这种基于神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。
关键词:遥感;图像分类;神经网络中图分类号:TP753文献标识码:AAbstract :The main drawback of traditional rem ote sensing image classification methods is its low precision.A neural netw ork 2based rem ote sensing image classification technique has been presented.Experimental results show that the neu 2ral netw ork classification system can be used in rem ote sens 2ing image classification ,and its classification precision is superior to that of the conventional maximum 2likelihood.K ey w ords :rem ote sensing ;image classification ;neural net 2w ork 遥感图像的计算机分类,是模式识别技术在遥感技术领域的具体应用[1]。
基于光学变换和经典置乱变换的图像复合加密方法
１ 基 于 光 学 变换 的 图像 加 密 原理
基 于 光 学 变换 的双 随机 相位 加 密数 据 的 实部 、
维普资讯
２ｏ ０ ８年 ５月 第１ ３卷 第 ３期
西
安
邮
电
学
院
学
报
Ｍａ ０ ８ ｙ２ ０
Ｖｏ ．３ Ｎｏ ３ １１ ．
Ｊ ＯＵＲＮＡＬ ＯＦＸＩＡＮ ＵＮＩ ’ ＶＥＲＳ ＴＹ ＯＦＰ Ｔ ＡＮＤ ＴＥＬ Ｉ ＯＳ ＥＣＯＭＭＵＮＩ ＡＴＩ Ｃ ＯＮＳ
虚部或相位信息都可直接用来恢复原数据或者图像 信息 ， 同于光学 全息 原理 。 等 与光学 全息相 对应 ， 此 以 ｚ （ Ｙ） 在 ‘ ， 表示要 加 ｏ 密 的数 字 图像 ， 一个 随机 位相 函数 与 ｕ （ Ｙ） 用 ｏ ｘ， 相 乘 随机 位相 函数用 ａ ， ）＝ ｅ （，） （ Ｙ ｉ 表示 ， ， ｍ 优（ ） 为随机位相 ， 二者 的乘积为 （ ）则 ， ， ｖ ｘ， （ Ｙ）＝ ｚ （ ， ａ ， ）＝ ‘ ｙ） （ Ｙ ｏ ｚ （ Ｙ）ｉ（， ‘ ， ｅ ｏ ｍ ） （） １ 它相当于光学全息中物光波前。 （ ） 对 １ 式进行傅里 叶变换 ：
乱加 密方 法， 最后将 这三大类加密方法进行组合 实现 图像 复合加 密。实验结果表 明， 本文方法具有更强的安全性 。
关 键 词 ： 字 图像 加 密 ； 随 机 相 位 加 密 ； ｎｏｄ变换 ； 沌 加 密 数 双 Ａｒ ｌ 混 中 图 分 类 号 ： Ｐ ９ Ｔ ３１ 文献标识码 ： Ａ 文 章 编 号 ：０ ７ ２ ４２ ０ ） ３ ０ ５ ４ １０ —３ ６ （０ ８ ０ —０ ８ —０
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
4
会议/差旅/国际合作与交流费
5
出版/文献/信息传播/知识产权事务费
6
专家咨询费
7
劳务费
合计
（万元）
五．申请人所在单位学术主管部门意见：
单位公章
年 月 日
申请人签名：
六．重庆市电磁兼容工程技术研究中心意见
中心主任签名：
年月日
工作简历
近期主要学术成就：（发表论文、从事过的研究项目、获奖和专著）（限10项）
二．申 请 课 题
课题名称
课题开展时间
课题国内外现状综述：
三．研究任务
1．主要研究内容、研究重点
2．预期成果
3．创新之处
4．技术路线与方法
四．申请经费及预算1
试验材料费
2
仪器设备费
3
重庆市电磁兼容工程技术研究中心
开放课题申请书
课题名称
：
申 请 人 姓 名
：
国 籍
：
职 称
：
学 历
：
申请人所在单位
：
课题起止年限
：
申请人通讯地址
：
邮 政 编 码
：
联 系 电 话
：
E － Mail
：
重庆市电磁兼容工程技术研究中心
二〇一九年 制
一．申 请 人 简 历
姓名
性别
年龄
身份证号码
学习简历（大学以上）