基于集合论的光谱相似性度量及在影像检索中的应用

将高光谱遥感中光谱向量相似性度量转换为相应的集合相似性度量,提出了两种适用于光谱的相似性度量方法,即基于光谱多边形面积和基于特征波段位置匹配度量.实验结果表明,基于光谱多边形的方法能够更有效地综合应用反射率和波长二维信息,有效度量光谱向量相似性.     

一种基于积的vague集合相似性度量方法

为便于度量同一论域vague集合之间的相似性,定义vague集合之间的内积、外积、下积和上积等运算,在此基础上提出一种基于积运算的vague集合相似性度量方法,证明该方法的合理性,并通过实例验证了该方法的可行性和有效性。     

基于相互隶属度的云模型相似性度量方法

针对现有云模型相似性度量方法计算复杂度高、结果不稳定、适用性有限等问题,提出了一种基于相互隶属度的云模型相似性度量方法.依据云模型期望曲线以公共面积与自身面积之比定义云模型之间的隶属度,进而利用相互隶属度计算云模型之间的相似度.讨论了不同交点及半云情形下相应面积的计算方法,并给出了相似度的计算公式及性质证明.仿真实验表明,该方法能够在多种情形下合理地度量云模型的相似性,并且具有较高的结果准确度和较低的计算复杂度,基于云模型的评估实例进一步验证了该方法的有效性.      

基于改进ADPP的多变量时间序列异常检测

针对多变量时间序列异常检测问题进行研究,提出基于改进ADPP的多变量时间序列异常检测算法IADPP.IADPP算法引入适用于多变量时间序列的张量相似性度量SSOTPCA,并以此相似性度量构造序列集的k-近邻图,在构造的k-近邻图上计算多变量时间序列的异常系数.研究结果表明,IADPP算法克服了原有ADPP算法不支持多变量时间序列和要求密度均匀的缺陷,取得了较好的检测结果.     

软件成本数据的相似性度量

软件成本数据常常表现为高维混合属性数据,传统的相似性度量已不再适用.文中通过建立软件成本数据的高维模糊C均值(FCM)聚类算法对数据相似性进行度量.首先,定义由序数属性到数值属性的初始映射;然后,通过建立改进的迭代高维FCM聚类算法对序数 数值映射进行修正,优化聚类效果;最后,利用得到的模糊划分矩阵对软件成本数据的相似性进行度量.实验结果表明,通过对聚类效果进行优化,文中定义的相似性度量能够提高软件成本估算精度.     

基于双度量约束的拉普拉斯特征映射

针对传统的拉普拉斯特征映射(LE:Laplacian Eigenmaps)算法采用欧氏距离度量样本点之间的位置关系只适用于线性数据集,但实际工程中的数据常表现出强烈的非线性导致最终的嵌入结果难以反映出原始数据的本质特征问题,提出了一种基于双度量约束的拉普拉斯特征映射(D-LE:Double metric constraint Laplace Eigenmaps)的算法.该算法采用余弦相似性评估样本间的相似性,并融合样本间以及样本与局部流形的度量关系,构建降维模型.通过在3个轴承数据集上进行实验,实验结果表明,该方法对处理非线性数据集能明显提高降维效果.     

曲线形态相似性的定义与度量

提出了曲线形态相似性的定义与度量问题.介绍了一种曲线的划分方法,得到一个曲线的比值样本,基于统计学原理,给出了曲线相似性的定义与度量方法.并通过算例验证了该相似性度量方法的可行性.     

多传感器遥感图像配准方法研究

目的对来自多传感器的同质或异质遥感图像进行自动配准。方法对传统的相关系数相似性量度进行深入分析,通过对其推广,提出一种也适用于异质遥感图像相似性度量的基于联合概率的方法,并通过具体的图像进行实验验证。结果利用基于联合概率的相似性度量方法分别实现了同质图像间、异质图像间的配准。结论利用基于联合概率的相似性度量方法可以很好地对多传感器异质图像进行自动配准,并且自动寻找同名点的精度,使其可达到子像素级。     

双论域粗糙集的不确定性度量

为了进一步扩展粗糙集的应用范围和灵活性,利用构造性方法研究了双论域粗糙集的不确定性度量,分析了双论域粗糙集不确定性度量与由双论域粗糙集诱导的Pawlak粗糙集的粒度之间的关系.通过比较Pawlak近似空间中粒度的大小,定义了不同信息系统中关系的粗细程度,给出了反映信息系统分类能力的双论域粗糙集信息熵和信息粒度的定义,研究了双论域粗糙集信息熵和信息粒度与信息系统中关系的粗细程度之间的关系.结果表明：双论域粗糙集的信息熵越大,信息系统的不确定性越强,信息系统中关系的区分能力越弱;信息系统的关系越精细,双论域粗糙集的信息熵越小,双论域粗糙集的信息粒度越小.     

基于等价关系的双粒度粗糙集模型

Pawlak粗糙集模型主要关注的是论域上一个等价关系导出的集合的近似,是单粒度的.通过用论域上的2个等价关系定义集合的近似,把单粒度的Pawlak粗糙集模型扩展到双粒度粗糙集模型.研究了双粒度粗糙集模型的一些数学性质,定理表明Pawlak粗糙集的许多性质是双粒度粗糙集性质的特殊情况,并且使用双粒度定义的近似度量优于单粒度定义的近似度量,该度量更适合描述概念的精度并更利于解决用户的需求.     

一种Vague集相似度量新方法及其应用

分析了影响Vague集相似度量的因素,并充分考虑了未知度对Vague集相似度量的影响,提出了一个新的Vague集相似度量方法,证明该方法满足相似度量的基本准则,通过分析影响相似度量的因素,探讨了现有Vague集相似度量方法存在不足之处,与现有相似度量方法比较证明新的相似度量方法能够有效和合理的区分数据,具有一定的优越性,最后在模式识别的应用实例中,给出了该相似度量方法的模式识别应用过程,实验结果表明了该方法的实用性。     

基于Lukasiewicz蕴涵算子的Vague集相似度量

分析了Vague集存在未知度,表明了存在不确定性的原因。指出了现有Vague集相似度量方法存在的不足。在充分考虑了Vague集不确定性和对Lukasiewicz蕴涵算子进行研究后,提出了一个基于Lukasiewicz蕴涵算子的Vague集相似度量新方法;并证明该方法满足相似度量基本准则。通过与现有相似度量方法的比较,说明新的相似度量方法克服了现有相似度量方法的不足,考虑了未知度因素对相似度量的影响,能够有效合理地区分数据。     

一种新的Vague集相似度量方式

在分析比较当前几种Vague集相似度量方法及其优缺点的基础上,提出一种新的Vague集相似度量方法.该方法充分考虑支持度以及真隶属度差距和假隶属度差距,并且区分隶属度差距的方向.该方法更符合实际,它为Vague集之间的相似度提供了一种更好的度量方法.     

基于Hausdroff距离的扩展模糊数相似性测度

提出了一种新的度量扩展模糊数相似性的新方法．在分析了现有几种相似性测度原理的基础上,指出了它们的不足之处,通过将每个扩展模糊数当作图像样本,并引入了模式识别领域中Hausdroff距离,构造了新的相似性测度公式．多组数值算例表明,该方法可以有效地度量扩展模糊数之间的相似性．     

基于可拓的Vague相似度计算

在Vague的各种理论和应用中,相似度占据着不可低估的重要作用。笔者针对目前相似度的不同研究方法,通过引入点与区间"距"的概念,借助可拓关联函数构建了一种新的相似度度量公式,进而为Vague的研究提供了一种新的思路。最后通过实例验证了该方法的可行性。     

改进的Vague值间相似度量一般公式及其地标排序应用

针对现有Vague值间相似度量一般公式以常数为调节系数存在的不足,提出对其未知度子项调节系数增加与Vague值自身有关的函数的改进方法,给出了该函数应满足的条件。提出了一种包含该函数的新的Vague集间相似度量,对其性质进行讨论;并基于现有Vague集间相似度量,给出了一种该函数的选取方法。与现有相似度量比较表明,提出的相似度量明显改善度量结果的合理性和区分能力。与多准则模糊决策方法相结合,将提出的相似度量用于地标排序,表明其有效性、可行性和优越性,同时为地标排序提供了一种新方法。     

基于拉普拉斯矩阵的DNA序列集相似性分析

研究两个序列集合之间相似性度量,提出基于拉普拉斯矩阵特征值的分离度概念和公式表示.基于人工序列和真实DNA序列上的实验结果,证实了分离度能够度量序列间的相似程度.     

一种由三角模诱导的粗糙集间的相似性度量方法

首先介绍了粗糙集、模糊集与三角模的概念,接着指出利用三角模可以诱导出相应的包含度,进而可得到一个相似度,提出了一种利用三角模对粗糙集间的相似性进行度量的新方法.最后借助算例验证了该方法的可行性.     

Vague集在软件成本估算中的应用

类比估算方法是软件成本估算的常用方法之一,而估算中选择的相似度函数则是估算结果准确有效的关键.由于Vague集可以较好地处理数据中的未知信息与不确定性,因此可使用Vague集来提高软件成本估算的准确性,为项目管理人员提供更加科学的预算保障.为此充分考虑未知度的因素,提出了一个新的基于未知度的Vague集相似度量方法,结合Vague集模糊熵与熵值法来确定不同指标的权重,以获取不同项目之间的相似度.最后将该方法应用在Desharnais数据集进行成本估算,实验结果表明,该相似度量方式较现有方法能够进一步降低估计过程中产生的误差.     

基于非对称相似度的文本聚类方法

文本聚类具有数据稀疏性的特点,常见的聚类方法采用基于距离的相异度,为了增强文档的区分特征,提出一种基于非对称相似度的方法,来度量文档对象之间的关联。定义了文本对象之间的非对称相似度度量。利用文本非对称相似度矩阵的稀疏特性,采用强连通构件的划分方法对文本对象进行聚类分析。并通过迭代的方法形成聚类结果的概念层次。实验结果表明:非对称相似度比距离相异度具有更高的准确率和更少的执行时间,当聚类结果簇数目达到较小时,准确率提高约为20%。