基于PCA-SOM的混合协同过滤模型

针对推荐系统中协同过滤技术面临的数据稀疏性和推荐实时性难以保证的问题,提出一种基于主成分分析(Principle component analysis)和SOM(Self-organizing map)聚类的混合协同过滤模型.首先对原始评分数据进行全局降维,并在转换后的主成分空间上进行用户聚类,缩小了目标用户的最近邻搜索空间,减少了在线计算时间复杂度,最后对真实的电子政务门户网站Log日志数据进行了几种常用的推荐算法的比较,实验结果证明新的推荐模型具有较好的预测精度.     

基于多尺度分析的虚拟植物分枝结构三维重建

提出一种基于多尺度分析的虚拟植物分枝结构三维自动重建方法.首先建立控制分枝结构生长的二维层次自动机模型.对同种植物不同植株生长单元和叶元两级组织的形态和几何数据进行采样,用隐马尔可夫树分析生长单元的统计特征及转移关系,隐状态标记具有不同统计特征的各类生长单元,并采用半马尔可夫链描述产生各类生长单元的叶元序列.多尺度分析结果作为二维层次自动机模型的参数,自动控制三维重建过程.仿真实验表明本方法能够较真实地自动重建同种植物分枝结构的三维模型,能满足虚拟农业实验室的植物建模需求.     

CT自适应心率变速扫描研究

针对心脏运动导致CT图像的模糊,提出了自适应心率的CT变速扫描方法.该方法可根据心率和所需要的时间可分辨率自适应选择最优的扫描拔,获得理想的投影数据.为了验证该模型,通过分段线性和非线性变形模型仿真心脏运动,利用滤波反投影重建算法进行了心脏图像重建.重建结果表明:根据心率选择合适的扫描速度可得到理想的投影数据,有效地提高了心脏图像质量,从而为CT心脏成像提供新的模式.     

基于SMC的隐私保护聚类模型

隐私保护数据挖掘指在实现准确挖掘知识的同时确保敏感数据不泄露。针对垂直分布式数据存储结构的聚类隐私保护问题,提出基于全同态加密协议和数据扰乱方法的隐私保护聚类模型。该模型通过采用安全比较协议解决了垂直分布式聚类的两个隐私保护关键步骤：求解最近簇和判断质心变化,从而实现了数据的有效保护。理论证明了该模型的安全性并分析了其时间复杂度和通信耗量,实验结果表明该隐私保护聚类模型是安全有效的。     

基于约束正则化的生成聚类分析

基于现有的硬约束高斯混合模型不能处理约束违反情形,而软约束高斯混合模型又没有封闭的参数估计表达式,提出了一种基于约束正则化的生成聚类方法。该方法将约束一致正则化算子引入高斯混合模型,通过惩罚似然来处理约束违反,使满足正约束的成对样本的后验概率尽可能相似,满足负约束的成对样本的后验概率尽可能不相似;同时封闭的参数估计迭代公式降低了参数估计的计算复杂度。在一组真实数据集上的实验表明,与现有的相关方法相比,该方法能有效改善聚类性能,并对噪音约束有着更好的适应性。     

基于在线聚类的机器人自适应模糊建模

针对机器人这种具有时变、强耦合和不确定性的复杂非线性被控对象,提出一种基于在线聚类的模糊自适应方法用于机器人系统建模。建模过程中采用在线聚类算法辨识机器人T-S模型的前提参数,采用递推最小二乘算法(RLSE)辨识结论参数,根据过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新,而且该方法具有模型结构简单、建模速度快、精度高等优点。最后通过二自由度机器人仿真研究证明了该方法的有效性和优越性。     

基于可视区域间接光照聚类的虚拟点光源采样

针对间接光照计算精度问题，提出改进的可视区域敏感的虚拟点光源采样方法。设计依据可视场景点位置及其法向量对可视场景点进行聚类的方法;计算虚拟点光源对各类中心位置对应可视场景点的光照贡献与类中可视场景点个数之积的累加和，并把累加和作为该虚拟点光源对可视区域的间接光照贡献估计值；以此估计值构造累积概率分布函数，据此选取实际计算每个可视场景点间接光照时所用的虚拟点光源。实验结果表明，该方法能够以较少虚拟点光源实现真实感强的间接光照效果绘制，提高间接光照计算精度。     

一种基于互信息的词聚类算法

基于类的统计语言模型是解决统计模型数据稀疏问题的重要方法.传统的统计聚类方法基于贪婪原则,常以语料的似然函数或困惑度(perplexity)作为评价标准.这种传统的聚类方法的主要缺点是聚类速度慢,初值对结果影响大,易陷入局部最优.本文利用互信息定义了一种词相似度,在词相似度的基础上给出了词集合相似度的定义.基于相似度,提出了一种自下而上的分层聚类算法,这种方法不但能改善聚类效果,而且可根据不同的模型选择不同的相似度定义,因而提高聚类的使用效果.实验证明,该算法在计算复杂度和聚类效果上比传统的基于贪婪原则的统计聚类算法都有明显的改进.     

基于卷积长短时记忆网络的短时公交客流量预测

针对传统的短时客流预测方法没有考虑到时序特征中跨时段客流之间的相似性问题,提出一种改进k-means聚类算法与卷积神经网络和长短时记忆网络相结合的短时客流量预测模型k-CNN-LSTM。通过k-means算法对跨时段时序数据进行聚类,使用间隔统计确定k值,构建交通流矩阵模型,采用CNN-LSTM网络处理具有时空特征的短时客流。该模型能够对具有空间相关性的数据进行较为准确的预测。使用真实数据集对模型进行检验和参数调优,实验结果表明：k-CNN-LSTM模型较其他模型有相对较高的预测精度。     

基于加权局部复杂不变性的时间序列分类算法

为解决现有方法对较长、复杂度分布不均序列的错分类问题，提取序列复杂度的局部信息，提出了加权局部复杂度不变性距离（WLCID），包含复杂度局部表征和全局加权整合两个模型。利用滑窗分解序列，结合复杂度不变性距离表示方法提取局部复杂度信息；通过建立类表征模型，以类间距越大的子段对分类正确的贡献度越大为依据，通过归一化累积类间距来量化整合权重。与相似算法的对比实验表明：此方法不仅在复杂度分布不均的数据中表现突出，在大多数测试集也有较好的效果。在分类和聚类任务上精度的提升，说明方法在表示时间序列形态特征的复杂度信息上具有较好的能力。