因素空间中的因素分析法

为提高因素库的智能水平,需要对条件因素与结果因素进行因果分析.按照因素空间的理论框架,在离散情形下定义了条件因素对结果的决定度及决定域,依次从决定域上提取出相应的推理知识,得到一种新算法-因素分析法.研究结果表明:因素分析法能在一张因素分析表中自动找出表中所含的因果关系,并画出直观的因果图,以帮助人们更好地分析、解决问题.算法可以广泛地应用到各种领域特别是数据挖掘.与数据挖掘最流行的决策树方法相比,因素分析法使用起来更简洁、贴切.     

对层次聚类算法的改进

介绍了层次聚类算法的基本思想,在原算法的基础上,通过对类间距离进行预排序从而避免合并类时重新计算类间距离,该算法降低了计算的复杂度．实验表明,改进后的算法在与原算法聚类效果相同的情况下运行速度明显提高．     

因素空间中知识挖掘的一种新算法

为提高多因素分类算法的准确性,根据集合包含与概念推理之间的内在联系,提出了有别于决策树算法的一种新的知识挖掘算法.引进因素的或操作、与操作,或操作背景空间,因素的决定域、决定度,优势因素等概念,给出基于上述原理与概念的知识挖掘算法的数学描述,研究了算法的训练和测试问题.在UCI共享数据库中的乳腺癌病例数据集上进行了算法的训练和测试,总错误率低于see5测试的结果.研究结果表明:算法的原理朴素而简单,有较好的学习能力,知识表达方式简洁.     

一种基于聚类分布的支持向量数据描述

在基于解决单类问题的支持向量数据描述算法基础上提出了基于聚类分布信息的c-SVDD算法.该算法对带野值的SVDD算法中的C值重新定义.通过增加核空间下测试样本的聚类分布信息。为每个样本定义一个特定的c值.c-SVDD算法适应于解决类别不平衡学习问题.该算法在保证少类样本高分类精度前提下,还有效提高了全样本的分类精度,更符合现实不平衡问题中对少类样本的处理要求.对UCI数据集和人工样本集进行实验.改进后的c-SVDD算法比带野值的SVDD算法AUC值平均提高0.14以上;比AdaBoost算法在正类查全率上平均提高40%,精确度也提高了至少5%.     

结合量子技术和FCM的猪肉颜色分级研究

猪肉颜色是猪肉分级评定时的一个重要指标。针对传统中值滤波存在的问题用量子理论的思想对其进行改进,改进算法不仅有较强的去噪效果而且能自适应判断模板内的像素点要不要进行处理从而能较好地保留图像细节信息。利用改进算法结合模糊C聚类(FCM)对猪肉图像进行处理分割,最后提取相应的颜色特征参数,基于这些特征参数运用多元线性逐步回归分析法建立了颜色等级预测模型。在样本测试实验中,所用方法对猪肉颜色等级的正确判定率达到94. 25%,在大幅降低算法复杂度的同时,准确率和鲁棒性都超过了其它同类算法。     

基于维样本近邻区间的分类算法研究

针对传统KNN算法忽略样本分布对分类的影响,易受到孤立样本、噪音等干扰,时间代价大等问题,提出了一种改进的近邻分类算法.该算法首先采用类维样本存储,打破了样本的整体性,转换了训练样本存储模式;其次按类维度寻求未知样本的类维近邻域,计算类维相似度进而得到未知样本的类别相似度;最后以最大类别相似度标识未知样本.该算法提高了分类效率,降低了独立样本对样本分类的影响.同时可处理连续型和标识型样本分类,并可适应各类样本分布情况,扩大了算法的应用范围.实验结果表明,该算法较传统的近邻算法与邻域分类算法在分类精度与分类时间上有了较大提升.     

因素分析法的推理模型

为解决由于样本的不完备性导致的因素分析法无法识别的问题,分别定义了因素的基础矩阵、相关性分析表、完整度、属性间的相似度等概念,提出了基于因素分析法的推理模型.实例验证结果表明:模型不但可以解决不识别问题,而且辨识率较高,与因素分析法的结合构成很好的数据挖掘方法.     

基于直觉模糊集的模糊C均值聚类改进算法

针对特征权重未知且具有直觉模糊数的特征信息的聚类分析问题,提出一种改进的基于直觉模糊集的模糊C均值聚类算法.首先,定义区域密度参数,选择高密度区域中相距最远的样本为初始聚类中心;然后,利用直觉模糊熵计算聚类样本的特征权重,对样本特征值进行加权处理.给出改进的FCM聚类算法的具体步骤,并进行了算例验证.研究结果表明,该算法不仅克服了FCM算法易陷入局部极小值的问题,同时大大减少迭代次数,加快了收敛速度,提高了聚类性能.     

因素分析法的样本培育

为解决由训练样本局限性导致因素分析法中测试样本错误识别和无法识别的问题,进一步提高因素库对样本信息的利用,采用样本培育的方法,对离散决策表的修炼培育作了具体表述:利用初始训练得到的规则集对新增样本进行测试,加入反馈机制,对训练集进行多重训练,直至初始测试准确率不变.研究结果表明:样本培育方法能及时地用新增训练数据改写推理规则,更好地实现样本信息的利用价值.     

基于改进的Fuzzy C-means聚类算法的纹理分割

提出了一种基于改进的Fuzzy c-means聚类算法的纹理分割方法．改进的Fuzzy c-mean聚类算法(MFCM)的目标函数不仅考虑了样本类内紧致性,而且还考虑了样本类间分离性,加快了MFCM算法的速度;纹理分割实验验证了MFCM算法的有效性。     

一种基于随机抽取的有限深度层次聚类

聚类是数据挖掘中的关键问题,吸取了BIRCH算法中构造簇特征树来产生初始聚类中心的方法,提出了一种基于随机抽取的有限深度层次聚类算法(RSLDCH算法),采用随机抽取样本、限制特征树深度、构建叶子节点链表技术从而提高了算法的时间效率和聚类效果.实验表明,RSLDCH较BIRCH在运行速度和聚类效果上有一定的提高.     

基于近似消息传递的小波域图像压缩感知

针对现有的基于近似消息传递的图像压缩感知算法需要构建大尺寸观测矩阵的问题,研究基于近似消息传递的小波域图像压缩感知算法。为了克服逐列观测、逐列重构的传统变换域压缩感知方案隔断图像列与列之间相关性的缺点,提出了一种基于图像行列相关性的小波域压缩观测方案。进而,基于近似消息传递设计了一种适用于在稀疏度未知的情况下重建小波系数的压缩感知重构算法,结合图像小波系数的结构化稀疏特性与近似消息传递,实现了小波域图像压缩感知重构。实验结果表明,与现有算法相比,本文提出的基于图像行列相关性与近似消息传递的小波域图像压缩感知算法具有更高的重建图像质量与更快的图像重建速度。     

基于信息熵改进的 K-means 动态聚类算法

初始聚类中心及聚类过程产生的冗余信息是影响K-means算法聚类性能的主要因素,也是阻碍该算法性能提升的主要问题.因此,提出一个改进的K-means算法.改进算法通过采用信息熵对聚类对象进行赋权来修正聚类对象间的距离函数,并利用初始聚类的赋权函数选出质量较高的初始聚类中心点;然后,为算法的终止条件设定标准阈值来减少算法迭代次数,从而减少学习时间;最后,通过删除由信息动态变化而产生的冗余信息来减少动态聚类过程中的干扰,以使算法达到更准确更高效的聚类效果.实验结果表明,当数据样本数量较多时,相比于传统的K-means算法和其他改进的K-means算法,提出的算法在准确率和执行效率上都有较大提升.     

半监督模糊聚类及其应用

提出了一种拓展的半监督模糊聚类模型,给出求解这个模型的迭代公式.这种半监督聚类能够合理、有效地利用部分已标识样本的类别信息对未标识样本产生影响,从而提高半聚类算法的聚类效果.其隶属度和聚类中心的迭代公式具有和FCM算法一样简洁的表示.在黄瓜数据集上的聚类分析表明,新提出的半监督聚类优于未改进的两种半监督算法、FCM算法和线性判别方法.     

改进遗传算法优化模糊均值聚类中心的图像分割

针对传统模糊均值聚类算法存在的问题, 提出一种改进遗传算法优化模糊均值聚类中心的图像分割算法. 首先在标准遗传算法的交叉操作中引入方向因子, 使参与交叉的个体向最佳个体靠近, 加快算法的收敛速度, 并通过增强群体间的信息共享机制提高算法的全局搜索能力, 避免了早熟收敛, 改善了全局解的精度; 然后采用改进遗传算法选择模糊均值聚类算法的初始聚类中心, 实现图像分割; 最后采用仿真实验测试算法性能. 实验结果表明, 相对于传统模糊均值聚类算法及其他图像分割算法, 本文算法在分割正确率、 分割速度及鲁棒性上均更优.     

基于四元数的彩色人脸检测

针对彩色图像提出基于四元数的人脸检测算法,从数学上解决传统方法将肤色检测与人脸最后确定分开进行而导致检测率较低、程序复杂度高的弱点,将人脸肤色信息与反映轮廓形状的灰度信息进行融合同时作计算处理,提高了检测速度,且增强了算法的鲁棒性.首先简单概述作者提出的检测系统,然后按算法流程分块说明系统每部分的主要内容,其中包括:定义于实数域的广义瑞利商以及Fisher鉴别分析法在四元数体上的推广;基于四元数的Fisher鉴别分析法在人脸检测中的应用原理;彩色人脸样本集的收集与预处理;彩色非人脸样本的收集及其分类的原因和分类原理;多尺度检测中的融合问题;多组检测结果的综合判断问题.数学上严密的推导表明,基于四元数的检测算法合理可行,满足实时性要求.大量实验测试结果显示,此算法快速有效,具有较强的鲁棒性.     

适用于样本分布差异的迁移学习调制识别算法

针对大量有标签样本的数据驱动模型方法存在数据分布不完备问题,结合实际环境中通信信号样本差异大的特点,提出一种对抗域适应迁移算法.通过类判别器和域判别器对抗训练,使特征提取器能够提取到既具有类差异性又具有域不变性的特征.以无监督学习方式对目标域信号进行分类,以提升调制识别算法在实际环境中拟合存在分布差异数据集的自适应能力.对实际信号样本集中调制方式相近的9类调制信号在不同信噪比条件下进行测试,域适应迁移方法通过对抗训练有标签高信噪比的源域样本和无标签低信噪比的目标域样本,结果发现该算法的平均识别准确率较以往直接训练的平均识别准确率大幅提升.     

改进型稀疏表示的图像分类方法

在图像分类问题中,传统的稀疏表示算法只考虑样本整体信息,忽略样本局部结构信息;此外,稀疏表示算法要求测试样本与训练样本的人脸图像要一致对齐,当姿势与角度发生变化时分类效果明显下降.针对这些问题,提出了一种改进L2正则化稀疏表示算法.首先,通过求解最小二乘法得到稀疏系数矩阵;然后,计算样本重构残差,用稀疏度量公式量化样本之间的稀疏性;最后,在保持样本稀疏性的同时增加了样本类与类之间的局部判别信息,进而提高样本的分类性能.为了验证算法的有效性,在ORL、FERET和FEI人脸数据库与Stanford 40 Actions数据库和Caltech-UCSD Birds (CUB200-2011)数据库上进行实验.实验结果表明,该方法在不同的人脸数据库和扩展视觉数据集上取得的分类结果均优于传统稀疏表示算法及其他常用分类算法.     

基于改进群组层次分析法的机场Ⅱ/Ⅲ类运行效益影响因素研究

为研究运输机场Ⅱ/Ⅲ类运行效益影响因素，参考相关规则及机场调研建立了Ⅱ/Ⅲ类运行效益影响因素指标体系，采用群组层次分析法，通过改进打分方式和k均值聚类算法对其进行优化。对比改进前后两种方法得出的指标权重结果，发现改进的群组层次分析法得出的权重差异明显，适合关键影响因素提取。最后分析场地改造、灯光系统升级改造等关键影响因素，对国内Ⅱ/Ⅲ类运行建设效益问题给出了相关建议。     

基于分层聚类的FCM算法

为了更好地实现聚类,在分析分层聚类和FCM算法优缺点的基础上提出了一种改进的聚类算法。改进算法将分层聚类和FCM聚类算法的优点相结合,首先采用分层聚类,得到一初始聚类结果,然后应用FCM聚类算法重聚类。实验结果表明,改进算法较原传统的聚类算法,不但算法执行速度较快、效率较高,而且聚类效果也较好。