本文基于与各自的级联环境相互耦合的两量子比特系统, 详细讨论了弱、强耦合体系下量子比特与腔之间的耦合强度κ以及腔频率与库的中心频率之间的失谐量δ对Bell非定域性和量子相干动力学的影响。结果表明: 在两种耦合体系中, 均存在Bell非定域性猝死现象, 且Bell非定域性的存活时间或量值随κ和δ的改变而改变。相比之下, 量子相干展现了塌缩、复苏等行为, 复苏的峰值随κ和δ的增大而增大。此外, 我们进一步考察了量子弱测量和测量反转操作对Bell非定域性和量子相干的有效调制作用, 获得一些有意义的结果。

相较于线性贝尔 (Bell) 不等式, 非线性 Bell 不等式作为一种判据提供了一种新的判别量子关联的方法, 利用非线性 Bell 不等式来研究纠缠态的性质具有重要的现实意义。考虑带有噪声参数的纠缠态可以模拟实际的量子通信过程, 通过 Matlab 进行数值优化找到相应态的最优测量算符, 研究了噪声参数对非线性 Bell 不等式违背的影响。研究结果表明带有噪声的纠缠态在特定情况下也可以违背非线性 Bell 不等式, 而且测量数量越多, 对纠缠态的要求越苛刻, 这对于实际实验中态的选取与制备具有重要的借鉴和参考意义。

量子非定域性是量子信息处理的重要资源。最近, I3322 不等式作为判别量子非定域性的标准引起了广泛关注。考虑实际检验过程中的非理想因素, 利用 MATLAB 数值仿真方法, 详细研究了单一纠缠态、混合纠缠态以及噪声信道等对该不等式量子违背的影响。研究发现对单一纠缠态, 当纠缠度大到一定程度, 不等式才能被违背; 对混合纠缠态, 在较大参数范围内, 不等式也能被违背; 得到 两 Kraus 算子表示的信道影响下不等式违背与不违背在噪声参数空间的相图。这些结果对基于 I3322 不等式的量子信息处理技术的应用有一定理论意义。

字典学习是图像表示的一种有效手段且在图像识别任务中具有出色的表现。大部分传统字典学习算法在多分辨率人脸图像识别中存在不同分辨率下字典判别性不强的问题。为了解决这一问题,提出一种新的带判别性局部结构约束的多分辨率字典学习算法。首先,通过分析字典原子与轮廓向量之间的一一对应关系,采用字典原子的局部几何结构,分别构造了轮廓向量的类内局部约束项与类间局部约束项;然后将这两个约束项统一在同一个正则项中,并将其增加到字典学习目标函数中进行联合优化,从而实现判别性局部几何结构的编码。该算法促使类内编码系数保持相似的局部一致性,而且能有效提高类间编码系数的局部结构的差异性。最后,在多个多分辨率人脸图像数据集上验证了本文算法的有效性,实验结果表明,与同类字典学习算法相比,本文学习的多分辨率字典能保持训练样本中的判别性局部结构,在不同分辨率的人脸图像上获得了更好的识别性能。

针对Staple算法存在的两个问题, 提出了一种基于Staple改进的目标跟踪算法。首先, 为了增强Staple算法在灰度视频序列中的判别能力, 提出一种基于局部敏感直方图的直方图分类器; 其次, 提出一种基于相对置信度的自适应融合系数, 解决了Staple算法中两个分类器无法最优融合的问题。将该算法在OTB2013测试集上与其他9个先进的算法进行了比较, 实验结果表明该算法的精确度与准确率分别为0.814和0.614, 相对于Staple算法分别提升了4.1%和3.5%, 具有很好的鲁棒性。

实现快速、 精确地鉴别玉米单倍体籽粒对玉米单倍体育种技术十分重要。 近红外光谱分析技术可在线分析、 监测, 且无损、 分析速度快、 操作简便、 测试成本低, 对实现自动化的大规模鉴定并分拣玉米单倍体非常有帮助。 通过美国JDSU的近红外光谱仪进行玉米近红外光谱的数据采集, 交叉采集玉米单倍体、 多倍体数据。 数据处理时, 将数据分为训练集和测试集两部分。 依次对数据做预处理以消除噪声影响, 做核变换将其投射到更高维度空间中增强可分性并进行特征提取, 最后建立分类模型鉴别分析。 分别统计采用不同的特征提取算法并建立模型鉴别测试的正确识别率。 实验结果表明, 采用核局部保持投影(KLPP)的特征提取算法的正确识别率更高、 稳定性更好, 在两组测试集上的正确识别率的均值分别达到95.71%和96.43%。 通过分析可以得出, 玉米种子的近红外光谱数据经过非线性变换(为高斯核变换)投影到更高维度的空间后, 表现出更易于分类的分布特点, 保持数据的局部特性也更利于后续的分类。 这为玉米单倍体鉴定进一步研究提供了新的方向。

由于高光谱图像具有波段多、波段间信息冗余、空间信息相关等特点,提出一种考虑空间相关性的半监督局部保持投影(LPP)的高光谱图像特征提取算法(LPP-SCSSFE)。该算法利用保存高光谱图像空间近邻结构的空间距离,及保持图像光谱相似性的类内判别权值和类间判别权值,定义新的同物异谱、同谱异物像元权值计算函数,结合LPP提取高光谱图像特征,从而最大化同类地物间的相似性和异类地物间的差异性。在Indian Pines和Pavia University两个数据集上,通过高光谱图像分类实验对本文提出的LPP-SCSSFE算法进行验证,算法最高总体分类精度分别达到87.50%和91.29%,优于现有的特征提取算法。结果表明,本文算法充分考虑高光谱图像的空间相关性和光谱相似性,能够有效提取出有代表性的特征,提高分类精度。

针对图像修复过程中单一的字典迭代时间长、适应性差、修复效果不理想的缺点, 提出了一种结合图像特征聚类与字典学习的改进的图像修复方式。首先破损的图像被分割成小块, 并产生索引矩阵。然后使用控制核回归权值算法, 对其进行图像聚类。通过对图像内在结构与未破损区域信息的挖掘, 分割的图像块根据SKRW的相似性进行了分类。之后针对不同类型结构的图像, 通过自适应局部明感字典学习的方式, 获取每类字典的过完备字典。然后, 通过构建自适应局部配适器, 提高字典更新的收敛速度与稀疏字典的适应性。 因为是通过多个字典匹配不同结构的图像, 因此图像的稀疏表示更为准确。各个字典在达到收敛之前不断进行更新, 而图像的稀疏因子也会随着改变。在对破损区域进行补丁更换之后, 实现了对破损图像的修复。实验结果表明, 该算法相较于目前的修复算法, 视觉效果和客观评价上更好, 且所需的修复时间更短。

三维点云配准是三维重建过程中的重要环节, PCA算法应用于点云配准时无法保留点云局部特征, 影响了配准效果, 故提出一种基于保局PCA的三维点云配准算法。为了保留点云局部特征, 采用保局投影LPP的思想, 通过K近邻准则构造点云的邻接图及其补图; 对邻近点和非邻近点采取不同的处理方式进行特征提取, 通过特征矩阵求得转换参数, 进行坐标归一化完成配准; 为了减少光照噪声影响, 对特征向量矩阵前三个主分量加权后求转换参数。实验结果表明, 改进算法在对局部特征结构明显的点云进行配准时有较好的效果, 改善了对光照噪声的鲁棒性。