带信息反馈的凝聚层次聚类算法

本文针对传统的基于相似性的层次聚类算法存在的两个问题(相似性度量中方向信息的丢失和算法的适应能力弱)提出了一种带有信息反馈的凝聚层次聚类算法.首先将无法预知的复杂数据结构描述成3个基本的结构特征单元,并对其进行建模构建一种相似性度量定义的泛型和一种凝聚的层次聚类算法.在凝聚的层次聚类算法中加入类信息的反馈机制,并在不同阶段对相似性定义的泛型进行具体化,充分利用数据点对之间的方向信息和距离信息进行聚类.该聚类算法主要有两大优势:(i)算法的适应能力较强,不需要假设的前提下可以处理无法预知的复杂数据结构;(ii)算法对噪声具有较强的鲁棒性,在不需要对数据集进行预处理的情况下能够在聚类的过程中识别噪声点或者噪声类.从人工数据和真实数据的试验结果可以看出新算法的优越性能.     

基于最大异类距离特征提取的SAR目标识别方法

合成孔径雷达自动目标识别是合成孔径雷达的一个重要的应用方面,如何在高维SAR图像中提取有效分类信息是制约自动目标识别的瓶颈问题.本文基于流形结构假设,提出了一种新的特征提取方法——最大异类距离特征提取,该方法融入了样本集类别信息和邻域信息,通过最大化异类样本的距离实现特征提取,以提高特征的可鉴别性.基于MSTAR数据库的实验已验证了本文提出的方法能够有效提高目标识别率.     

基于模块性指标优化的层次聚类算法

层次形成的正确性决定了层次聚类的质量，通常围绕对象类内类间关系评价实现。本文基于聚类目标，综合考虑类内类问关系，借鉴网络分析中模块性评价准则，设计用于层次聚类的模块性指标，并采用自底向上合并的途径实现指标优化从而完成聚类，提出一种基于模块性指标优化的层次聚类算法。仿真试验表明，和谱聚类算法相比，本文介绍的算法实现简单，能以较少的计算代价，准确地获得样本特征，实现聚类。     

一种对程序故障行为和失效行为的聚类有效性验证方法

分析软件自身故障在软件运行过程中的行为规律是分析＂故障—错误—失效＂链式效应的基础.但在研究软件故障行为特征时面临的关键问题是故障行为集合的庞大与复杂.因此,如何约简故障行为集合是研究故障行为规律的基本前提.＂当两个程序具有相似的基本属性时,其故障行为和失效行为也具有相似性＂这一推断为约简故障集提供了良好的依据,但尚未得到验证.本文核心工作即验证该推断的正确性.为此,首先提出一种针对程序基准行为、故障行为和失效行为的表征方法;其次提出一种考虑最佳聚类数的程序行为聚类方法;最后设计一组基于故障注入的程序行为聚类实验,用以验证前述推断的正确性.其中,实验分别以计算密集型程序（SPEC CPU2000和SPEC CPU2006基准程序）和I/O密集型程序（IOZONE、DEBENCH等）作为目标程序集.实验结果表明,（1）程序行为的表征方法和聚类方法具有合理性和有效性;（2）以程序基准行为聚类结果为依据的故障行为和失效行为的聚类质量良好,以此验证了推断的正确性.     

基于鸽群智能行为的大规模无人机集群聚类优化算法

未来空中战场,大规模无人机集群系统将成为主导力量.而对大规模无人机集群系统进行分组聚类是完成作战任务规划的必要步骤.在实际战场中无人机受到有限通信约束,无法得到全面而有效的全局作战信息.因此本文提出一种基于鸽群智能行为的大规模无人机集群聚类优化算法.根据聚类模型设计鸽群优化算法,研究分析导航能力优异的鸽群智能行为,将鸽群飞行过程中的层级网络机制映射到鸽群优化算法中,解决有限交互环境下的信息不完整问题.一方面,依据鸽群在飞行过程中来自临近个体的引导更为有效直接,因而在有限交互环境下,基本鸽群优化算法中的全局最优信息由交互范围内的最优个体信息替代;另一方面,鸽群的中心位置更新包括三部分:增量惯性部分、模仿部分、环境影响部分.为验证改进后鸽群优化算法在有限交互范围下的有效性,本文采用三种算法针对三个数据集进行聚类分组,仿真结果表明改进后的鸽群优化算法在最优解与平均最优解上均有改善,为实际作战环境下的无人机集群系统聚类分组提供了有效的解决方法.     

一种高动态范围体数据传递函数设计方法

提出一种高动态范围体数据传递函数设计方法。该方法运用高动态范围图像领域色调映射算法(TMO)的原理,基于数据集的全局直方图统计,实现高动态范围数据集的有效压缩,使得绘制图像呈现更多的数据细节实验结果表明,这种基于TMO的传递函数能够更好的显示体数据的内部细节。     

涌现计算: 从无序掌声到有序掌声的虚拟现实

以音乐厅自发同步掌声作为研究对象，建立了一个描述复杂多个体系统集体行为的非线性涌现模型．基于这个模型，开发了一个仅仅依靠局部相互作用的涌现计算实验平台，揭示了涌现行为的不确定性和多样性．通过对多人鼓掌过程数据的分析，发现了观众的掌声在从无序转向同步过程中存在一个明显的临界区域，并得到了掌声同步的基本判据：若耦合系数c1和c2满足条件0．02≤C2≤0．965c1＋0．018，则掌声能够实现同步．     

面向数据流的加权聚类及演化分析研究

为解决无限数据流在有限内存空间中的聚类分析问题，本文提出了一种加权聚类及演化分析框架。为简要地描述此框架，给出了聚类、聚类簇的概念及其数据结构定义，接着对聚类、聚类簇的加法运算和差运算给出了清晰的描述和相应的实现算法。本框架与CluStream框架有较大的差别，这里采用聚类簇的加法运算来实现更大时间跨度内的聚类簇融合，采用聚类簇的差运算来进行聚类簇的演化分析。最后通过第一个例子来说明本框架是如何对数据流进行加权聚类及演化分析的，采用第二个例子来验证为实现本框架所需的十五个算法的正确性及有效性。     

谱聚类的扰动分析

以矩阵的扰动理论为工具对谱聚类（spectral clustering）进行了分析，通过引入图的权矩阵并对权矩阵的谱和特征向量进行分析，得到了权矩阵的谱与聚类的类数、权矩阵特征值的大小与每一类所含点的个数、以及权矩阵的特征向量与聚类之间的关系．据此，设计了一个基于权矩阵的无监督谱聚类算法（unsupervised spectral clustering algorithm based on weightmatrix，简记为USCAWM），并在模拟点集和实际的数据集上进行了实验，实验结果肯定了理论分析的正确性．     

基于RTP/RTCP协议的音视频同步算法研究

视频和音频是流媒体传输的主要数据,各个媒体流在时间上彼此关联,互相约束.针对多媒体业务传输中出现的音视频不同步问题,提出一种将RTP时间戳映射到RTCP绝对时间NTP轴的方法,建立音视频之间的同步点和同步检测判决准则.通过仿真实验,该算法能够实现音视频的基本同步.     

Multivariate Time Series Model with Hierarchical Structure for Over‐Dispersed Discrete Outcomes

In this paper, we propose a multivariate time series model for over‐dispersed discrete data to explore the market structure based on sales count dynamics. We first discuss the microstructure to show that over‐dispersion is inherent in the modeling of market structure based on sales count data. The model is built on the likelihood function induced by decomposing sales count response variables according to products' competitiveness and conditioning on their sum of variables, and it augments them to higher levels by using the Poisson–multinomial relationship in a hierarchical way, represented as a tree structure for the market definition. State space priors are applied to the structured likelihood to develop dynamic generalized linear models for discrete outcomes. For the over‐dispersion problem, gamma compound Poisson variables for product sales counts and Dirichlet compound multinomial variables for their shares are connected in a hierarchical fashion. Instead of the density function of compound distributions, we propose a data augmentation approach for more efficient posterior computations in terms of the generated augmented variables, particularly for generating forecasts and predictive density. We present the empirical application using weekly product sales time series in a store to compare the proposed models accommodating over‐dispersion with alternative no over‐dispersed models by several model selection criteria, including in‐sample fit, out‐of‐sample forecasting errors and information criterion. The empirical results show that the proposed modeling works well for the over‐dispersed models based on compound Poisson variables and they provide improved results compared with models with no consideration of over‐dispersion. Copyright © 2014 John Wiley & Sons, Ltd.     

一种基于自体集层次聚类的否定选择算法

否定选择算法是用于产生人工免疫检测器的重要算法,然而传统的否定选择过程需要将随机生成的候选检测器与全部自体数据进行匹配以排除识别了自体的无效检测器,该匹配过程导致检测器的生成效率过低,极大地限制了免疫算法的应用.为此,文中提出了一种基于自体集层次聚类的否定选择算法CB-RNSA.算法首先对自体数据进行层次聚类预处理,然后用聚类中心取代自体数据点与候选检测器进行匹配,以减少距离计算代价.在生成检测器的过程中,候选检测器被限定在非自体空间的低覆盖率区域内,以降低检测器冗余.对检测器的非自体空间覆盖率进行了概率分析,给出了中止生成检测器的条件,该条件较传统的预设检测器数量的中止条件更为合理.理论分析表明CB-RNSA的时间复杂度与自体集规模无关,从而解决了经典的否定选择算法的时间复杂度随自体数量呈指数增长这一难题,极大地提高了大自体样本空间下的检测器生成效率.对比实验结果表明:在相同的实验数据集与期望覆盖率下,CB-RNSA的检测率比经典的RNSA与V-detector算法分别提高了12.3%与7.4%,误警率分别降低了8.5%与4.9%,产生检测器的时间代价分别降低了67.6%和75.7%.     

Prediction in an Unbalanced Nested Error Components Panel Data Model

This paper derives the best linear unbiased predictor for an unbalanced nested error components panel data model. This predictor is useful in many econometric applications that are usually based on unbalanced panel data and have a nested (hierarchical) structure. Examples include predicting student performance in a class in a school, or house prices in a neighborhood in a county or a state. Using Monte Carlo simulations, we show that this predictor is better in root mean square error performance than the usual fixed‐ or random‐effects predictors ignoring the nested structure of the data. This is applied to forecasting the productivity of public capital in the private sector using nested panel data of 48 contiguous American states. Copyright © 2013 John Wiley & Sons, Ltd.     

视差计算的层级模型

生物的立体感知是由一个层级网络完成的:从初级视皮层到高层区域,神经元感受野逐步增大,局部立体感知逐步变为全局立体感知.视皮层中存在大量对视差敏感的神经元,其中V1区单个神经元的视差选择特性可用视差能量模型来描述.文中从生物的立体感知过程出发,提出了一种计算图像视差的层级模型,主要贡献有:(1)提出了一种符合心理学实验结果的归一化视差能量模型,减弱了图像对比度变化对神经元视差响应能量的影响;(2)利用视皮层视差功能柱的性质,提出了一种不同倾向视差神经元的汇聚方法;(3)根据不同脑皮层之间的连接关系,提出了一种两层网络结构来解决V1区神经元编码视差的歧义问题.文中方法可以有效提高纹理重复和纹理不丰富区域的视差计算精度.     

A similarity-based approach of Kuhn’s no-overlap principle and anomalies

In their book Cognitive Structure of Scientific Revolutions, Hanne Andersen, Peter Barker, and Xiang Chen reconstruct Kuhn’s account of conceptual structure and change, based on the dynamic frame model. I argue against their reconstruction of anomalies and of the no-overlap principle and propose a competing model, based on the similarity relation. First, I introduce the concept of psychological distance between objects, and then I show that the conceptual structure of a theory consists of a set of natural families, separated by a significant empty space. I argue that, in such a conceptual structure, the ES condition, according to which the distance between natural families should be greater than the distance between any two objects belonging to the same natural family, is satisfied. Anomalous objects lead to the violation of this condition. I argue that in a conceptual structure satisfying the ES condition, a similarity relation could be defined, so that natural families would be similarity classes, satisfying the no-overlap principle. In a structure not satisfying this principle, such similarity classes could not be delimited.     

Subset selection of autoregressive time series models

We propose a solution to select promising subsets of autoregressive time series models for further consideration which follows up on the idea of the stochastic search variable selection procedure in George and McCulloch (1993). It is based on a Bayesian approach which is unconditional on the initial terms. The autoregression stepup is in the form of a hierarchical normal mixture model, where latent variables are used to identify the subset choice. The framework of our procedure is utilized by the Gibbs sampler, a Markov chain Monte Carlo method. The advantage of the method presented is computational: it is an alternative way to search over a potentially large set of possible subsets. The proposed method is illustrated with a simulated data as well as a real data. Copyright © 1999 John Wiley & Sons, Ltd.     

On the stability of cognitive processes

An empirical and mathematical model for self-organization is proposed, based on elemental properties, on unique interaction and on the combination of hierarchical elements. In the model, higher elements are stabilized by the 'cognitive' (strong) interaction of subelements, disregarding intermediate elements. This is called 'elementary reductionism' and is illustrated by the sequence quarks-elementary particles-atoms-molecules-cells-organisms- societies. Optimal dynamic interaction of nonidentical elements is called 'cognitive stability'. This is compared with thermodynamic equilibrium. The principal differences are outlined.     

一种结构自适应的聚类神经网络

为了解决聚类分析中聚类数的确定问题，在SOFM神经网络的基础上，从聚类准则出发，通过试验对聚类准则的曲线特征进行了详细的分析和论证，设计出一种结构自适应的聚类神经网络，该网络能自动确定最佳的聚类数，并提出了一种减少计算量的改进算法。