双变换算法在多维序列数据分析中的优化研究

在流数据中,降低维度是处理多维序列数据的重要因素.提出一种双变换算法(DTA),针对在线序列数据,分别进行酉变换和双曲线旋转变换的双变换处理,得到假设函数的参数,通过牛顿算法迭代预测误差值,直到小于所预设的阈值,从而得到最优预测值.仿真结果表明,对比OGD和RON两种算法,DTA算法在保障算法稳定性的前提下,有效减少计算时间.     

改进的频繁和高效用项集挖掘算法

提出一种基于局部效用质量值的上界剪枝新方法,引入伪投影技术避免真实地构造物理投影,基于二者提出改进的FHIMA-P算法.在提出的FHIMA-P算法中引入事务合并和投影事务合并技术,提出最终的FHIMA-MP算法,并在mushroom和accident数据集上进行实验.结果表明:FHIMA-P算法的运行时间相比FHIMA-ALL算法缩短,而FHIMA-MP算法则较前两者效率有非常大的提高;在不同参数下,mushroom和accident数据集中大量可合并事务(投影事务)数目也很好地证明了事务(投影事务)合并的有效性.     

基于改进Otsu算法的生菜叶片图像分割方法

针对传统的Otsu算法计算量大、实时性差等缺点,提出了一种新的PSO+Otsu(S)分割方法.将RGB颜色空间转换成HSV颜色空间,并提取S分量图像.针对基本粒子群优化算法提出一种新的惯性权重系数w更新策略,并利用改进的粒子群优化算法搜索最优阈值,将搜索到的最优阈值作为Otsu算法的分割阈值,并对S分量图像进行分割,最终得到生菜叶片分割图.结果表明:提出的生菜叶片图像分割方法不但适合单叶片图像分割,而且适合冠层叶片图像分割;运用本算法分割单个生菜叶片图像以及生菜冠层图像时程序运行时间分别为118,126 ms,迭代次数分别为6,5次,相比于Otsu算法以及标准PSO+Otsu算法,本算法不仅有效缩短了程序运行时间,而且提高了图像分割的准确率,具有较好的实时性.     

基于KD树最优投影划分的k匿名算法

针对现有数据发布隐私保护保护算法中的"局部最优"划分问题,提出了一种基于KD树最优投影划分的k匿名算法.首先,在全局范围内对每一个属性维度进行遍历,根据投影距离方差值衡量每个维度的离散度,并确定最优维度;然后,在最优属性维度上,计算其划分系数值,并确定最优划分点.进一步引入一种改进的KD树结构,与传统的KD树结点是一个数据点不同,新设计的KD树中的每个结点均是一个集合.用经过划分点并垂直于最优维度的超平面将一个结点分成两部分,分别作为其左、右孩子结点.最后通过理论分析证明了本文算法的正确性,用实验比较和验证了算法的性能,实验结果显示所提算法平均概化范围减小10%~22%,能够实现更优的划分和更好的数据集可用性.     

Hilbert空间中解凸集约束优化问题的梯度投影算法

梯度投影算法是求解非线性约束最优化问题的基本方法之一,多年来一直吸引着许多学者对其进行研究。在Hilbert空间H中,利用梯度投影算法解决有约束条件的凸集C上的凸函数f的最优问题,引入CKQ方法,与以往研究的差异是在定理中新增加了集合Kn,并证明了改进的梯度投影算法的强收敛性。所得结果将文献中的梯度投影算法推广为Ishikawa形式。     

基于L2范数的局部保持投影算法

针对传统局部保持投影算法对外点敏感的问题,提出了一种基于L2范数的局部保持投影算法。该算法通过采用L2范数定义目标函数并重新定义了权值矩阵,多次迭代计算投影矩阵得到局部最小值,直至达到收敛条件,进而获得最终的最优投影矩阵;通过利用最优投影矩阵将原始数据投影到最优的投影子空间,降低高维数据维度,同时能够保持原有数据特征。合成数据实验结果表明,与传统局部保持投影算法相比,所提基于L2范数的局部保持投影算法能够有效地降低数据维度,改善了算法对外点的敏感问题,提高了算法的鲁棒性。人脸识别实验结果表明,该算法能够取得较高且较为稳定的人脸识别率,人脸识别率可达80%。     

最优距离聚类和特征融合表达的关键帧提取

为了提高视频关键帧提取的质量和效率,提出一种基于最优距离聚类和特征融合表达的视频关键帧提取算法。在视频帧间差异性分析基础上,寻找并确定最优帧间距离阈值,采用无监督聚类算法对帧间距离进行聚类,获得类别数目最优的类图像集;计算图像的颜色复杂度和信息熵并融合,按照类中图像特征值"平均"的思想提取类代表帧,组成视频关键帧。对4个监测视频进行实验,结果显示:该算法提取关键帧的平均保真度为96.72%、平均压缩率为96.42%,运行时间也较短,与两种典型的基于聚类的关键帧提取方法相比,在相同的压缩率情况下,算法保真度大幅度提高,而运行时间较小或相当。该算法解决了无监督聚类对阈值的依赖性问题,兼顾了视频中运动目标变化和环境异常两种情况,具有良好的性能和适应性。     

基于加权置信度的运动捕捉数据低级时域分割算法

针对传统的低级时域分割算法不能很好地应用于运动捕捉数据(具有高维性)的问题,提出了一种基于加权置信度的运动捕捉数据低级时域分割算法.首先计算每个时间点在各维上作为分割点的置信度;之后将这些置信度按照对应的过零强度进行综合,得出加权置信度;最后通过寻找加权置信度的局部最大值点,并根据合适的阈值加以限定,确定出全局的分割点.通过测试多组数据,选择得到最优结果时的阈值.用卡耐基梅隆大学运动捕捉数据库的数据进行了试验.结果表明,该方法可以有效地对动作捕捉数据进行分割;在最优阈值条件下,该方法在各方面指标上均显著优于基于曲率或全身速率的方法.     

基于LightGBM的特征选择算法

为解决过滤式和基于演化学习的包裹式两类特征选择算法的缺陷,提出一种新型包裹式特征选择算法LGBFS(LightGBM feature selection).首先引入LightGBM对原始特征构建迭代提升树模型并对特征重要度进行度量;随后结合提出的LR序列前向搜索策略LRSFFS对特征进行选择;最后将所提出算法与9种对比算法在21个标准数据集上进行对比,结果显示LGBFS在21个标准数据集中的16个取得最优分类精度、18个取得最优维度缩减率和最优CPU运行时间.还进行了时间复杂度分析与显著性检验,检验表明LGBFS相较6种对比算法具有显著性差异,也说明LGBFS能够同时兼顾特征子集的计算效率和分类精度.     

基于投影修正和POCS的图像超分辨率重建

针对超分辨重建技术中传统POCS图像重建算法存在的Gibbs效应问题,提出一种采用投影修正机制抑制Gibbs效应的图像超分辨率重建算法.首先针对初始图像采用方向差分方法获得图像的边缘约束算子;随后在每一次的迭代重建过程中,结合前后重建结果的差值和边缘约束算子设计投影修正算子,并对残差阈值和点扩散函数分别进行修正,从而获得修正后的数据一致性投影过程;最后利用修正的投影过程获得最终重建图像.试验结果表明:改进算法具有较好的峰值信噪比,并且有效抑制了Gibbs效应,具有较好的应用前景.     

基于动态加权差分主成分分析的故障检测

针对工业过程中存在的动态特性和多模态特性问题，提出一种动态加权差分主成分分析法 (dynamic weighted differential principal component analysis, DWDPCA)。首先通过设置合理的时间窗描述系统的时序特性；其次对时间窗内的样本寻找第一近邻和第一近邻的近邻集，使用加权差分法对数据进行处理，解决数据中心漂移问题；最后利用处理好的数据建立主成分分析（principal component analysis，PCA）模型进行故障检测。该方法可解决数据动态、中心漂移问题。使用该方法对数值例子和田纳西-伊斯曼TE(tennessee eastman)过程进行故障检测验证所提出方法的有效性。     

空间数据库反向最近邻聚类方法

针对当前空间数据库聚类方法未考虑降维后的距离特征反向结果, 导致空间数据分量失真, 存在聚类精度低、 耗时长的问题, 提出一种空间数据库反向最近邻聚类方法. 首先, 通过选取训练样本集实现核矩阵的特征分解, 获得其距离特征修正值去除初始值的影响; 然后, 根据核主成分分析（KPCA）降维并结合降维后的距离特征反向结果, 利用反向最近邻聚类方法与扩展的部分失真搜索法相结合, 实现空间数据的聚类; 最后利用选定的聚类中心对数据集进行计算, 计算数据集第一维分量与聚类中心第一维分量之间的失真, 得到反向最近邻, 直至所有空间数据均找到所属类别, 最终完成空间数据库反向最近邻聚类. 实验结果表明, 该方法提高了空间数据的聚类精度, 减少了空间数据聚类所用时间.     

约束的移动对象最近邻轨迹查询

提出了一种新的查询概念,即约束的移动对象最近邻轨迹(constrained nearest neighbor search on moving objects trajectories,简称CNNMOT)查询.针对两阶段算法分阶段处理最近邻查询和范围查询的缺陷,对传统空间最近邻算法进行了改进和扩展,使其能够合并到一步完成,并对传统的mindist定义进行了修改.实验结果表明:该改进算法能较好地克服两阶段算法的缺陷,并在数据量较大时仍保持较高的性能.     

原点无关最近特征分类器及在人脸识别的应用

受最近特征线分类器的基本设计思想启发，将最近邻法向平面和空间推广，提出了原点无关最近特征平面和原点无关最近特征空间分类器．与最近特征平面、最近特征空间分类器相比，原点无关最近特征分类器最大的优势就在于其定义的特征子空间不依赖于原点位置，而仅由同模式的若干个特征点决定．这种定义提高了相应的模式相似性度量的合理性与有效性．以人脸识别为例，对多种分类器的性能进行比较．实验结果表明，原点无关最近特征分类器在识别率、稳定性等方面均优于同阶的最近特征分类器．     

移动查询点的最近邻查询方法研究

移动查询点的最近邻查询在时空数据库查询的领域具有很重要的地位。本文提出了一个以处理动态环境下的K个最近邻居(K-NN)查询问题的有效的方法。     

最近邻搜索用于分类问题的一种改进

最近邻搜索广泛应用于分类问题,其最显著的优点是分类准确率高、泛化性能好.但现有最近邻分类算法都存在着一个弱点——样本集增大分类计算量也显著增大.为了克服这一不足,本文基于一个新的思路,提出了最近邻分类方法的一种改进方法.该方法在进行最近邻分类时,不一定要找到待分类点的最近邻点,而只要知道最近邻点的类别即可,大大地减少了最近邻搜索时的计算量.用经典的分类问题双螺线问题(TSP)以及其他几个例子,就该改进方法的分类效果、分类速度和学习性能等3个方面进行了测试,并与经典的K维双叉树(KD树)最近邻搜索法以及压缩近邻法进行了比较.结果表明,就综合性能而言,本文改进方法是有竞争力的.     

基于距离的相似最近邻搜索算法研究

为了提高相似最近邻搜索（ANN）算法的精度,提出了一种在度量空间下基于距离的相似最近邻搜索算法-优化的VP森林（OVF）算法。在传统VP树（VT）算法的基础上,首先采用改进的选择优势点的方法,通过从数据集采样优势点候选集,对其进行评估,选取其中区分度大的点作为优势点;然后提出构建多棵VP树的新方法,改进距离优势点远的子树中最近邻不紧凑问题;接着提出使用优先队列与剪枝搜索方法结合的新搜索方法查找最近邻,减少了很多不必要的距离计算。最后通过实验结果表明,本文方法在数据维度、数据集大小、返回不同邻居个数、不同的距离函数及建树个数方面精度有了很大的提高。     

用周期模型和近邻算法预测话务量时间序列

客服中心话务量虽然具有周期性,但在不同时间遵循不同变化规律,这是话务量预测的难点。针对这个问题,以某电信公司一年的实际话务数据为基础,分别采用周期模型和基于实例的近邻算法进行话务量时间序列预测,并对比分析了两种预测方法的效果。实验数据表明,对工作日话务量的预测,周期模型的预测效果优于近邻算法;对非工作日话务量的预测,近邻算法的预测效果优于周期模型。为取得更好的预测效果,实现了周期模型和近邻算法相结合的预测方法。结果表明,在最好的情况下,该方法的预测精度比周期模型提高约19.7%,比近邻算法提高约48.8%。     

随机窗宽下经验若当变换的收敛速度

给出了随机窗宽下的核型经验若当变换，在一空条件下，获得了此经验若当变换中心在原点的一致精确强收敛速度以及对中心一致的一致强收敛速度，所得结果与最优性与非随机窗宽下的核型经验若当变换一致，并以近邻核型经验若当变换为典型实例。     

一种多目标多传感器航迹相关算法

提出一种适合于分布式多传感器数据融合的新的航迹相关算法（ＭＫ－ＮＮ）。对其航迹相关准则进行了详细的描述，研究了航迹质量设计、多义性处理、阈值选择和算法的相关检验过程，并通过仿真把它与最近邻域法（ＮＮ）和Ｋ近邻域法（Ｋ－ＮＮ）进行了比较。仿真结果表明，在密集目标环境下和／或交叉、分岔及机动航迹较多的场合，ＭＫ－ＮＮ算法的性能明显优于ＮＮ法，其正确相关率比ＮＮ法提高了约４０％。ＭＫ－ＮＮ与Ｋ－ＮＮ相比不但正确相关率获得约５％的改善，而且处理速度也提高了约一倍。