中文摘要：

本申请结合稀疏表征和图嵌入理论，研究图像特征提取理论、方法与跨数据库的学习能力问题。主要包括（1）在分析高维图像数据低维结构的基础上，采用稀疏表征矩阵分解法和图嵌入邻域判别法，研究高维图像数据隐含的稀疏成份、流形结构及其判别特征提取，可获得图像特征提取的有效算法；（2）采用布雷格曼散度正则化和转化子空间学习理论，研究图像特征提取算法跨数据库的学习能力，使得从训练样本中获得的知识转化到测试样本中，从而增强图像特征提取方法的适用性和鲁棒性；（3）研究图像特征提取方法在经济作物根系复杂性分析中的应用，采用非负矩阵因数分解、流形子空间学习和图像稀疏表征相结合的方法，可获得识别率高、鲁棒性强的根系图像特征提取方法。图像特征提取是生物特征识别技术的核心问题之一，稀疏表征和图嵌入理论是研究高维图像数据降维处理和判别特征提取的新思路，为解决生物特征识别问题奠定特征提取和分类识别的理论基础。

结论摘要：

本项目是申请人在攻读博士学位期间所进行的科研工作的延续和提高，在实际开展过程中的研究方向主要有1.集中精力研究稀疏表征方法在人脸识别等模式识别领域的应用；2.物联网及无线传感器网络的应用研究；3. 现有模式识别算法在生物信息学领域中的应用研究。 主要内容和重要结果如下 1.提出一个新的松弛的L(1/2)正则化稀疏表征方法用于人脸识别问题，命名为L(1/2)分类，即LHC。此外，一种迭代图哈诺夫正则化（ITR）求解算法被提出用于快速求解LHC。采用ITR，可以通过迭代次数来调节联合表征和稀疏表征的作用。受益于更为稀疏的L(1/2)正则化和迭代求解机制，LHC可以获得更好的综合性能。 2.鲁棒稀疏编码（RSC）旨在获得稀疏编码问题的最大似然估计的解决方案，所以其针对伪装人脸识别问题具有鲁棒性。然而，迭代算法来解决RSC是高耗时。我们提出了一种改进的鲁棒稀疏编码（iRSC）算法用于实际应用情况。在迭代过程中，通过消除具有较大编码残差的对象，词典的规模在逐渐减小。字典的过完备属性不受影响。在AR人脸数据库的实验表明，iRSC算法的编码更稀疏，也更高效。 3.给出了物联网一个应用实例，塔吊群安全管理系统，用于建筑行业。每一个塔吊的操作状态由一组定制的传感器检测得到，传感器数据由终端设备收集和处理，局部的无线通信和远程的无线通信分别由Zigbee和GPRS完成。该系统可以视为无线传感器网络和物联网相结合的具体应用。 4.提出K跳节点距离的近似分布并且得到该分布下K跳节点距离的期望。此外，提出了一个新的基于多跳距离无偏估计的节点定位方法。仿真结果表明该方法相较于现有方法可以获得更高的距离和定位精度。 5.在生物信息学研究领域，提出了两种功能位点的识别方法。分别是一种新的植物选择性剪切位点识别计算方法，癌症基因组中lincRNA多聚腺苷化位点全基因组识别和预测建模。 本项目的研究回答了人脸识别领域一个争论的热点问题，即稀疏表征和联合表征，哪一个是有助于人脸识别？我们所提出的算法可以通过迭代次数来调节稀疏表征和联合表征之间的平衡，从而获得最优的综合性能。此外，通过一个具体的应用实例，我们给出一种有效的物联网架构。最后，我们探索了采用模式识别算法实现对两种基因功能位点的识别，积极开拓了申请人新的研究方向，为后续的研究工作打好基础。