一种可变分辨率的社团发现算法

介绍了复杂网络及社团结构的相关概念,给出节点的综合特征值和增益函数的定义,然后提出一种新的社团发现算法(CNCD).综合特征值与节点的度数及其聚类系数有关,用于发现社团中的核心节点;增益函数决定何时获得社团结构的最佳划分.作者用C++语言实现算法,并使用经典数据集对算法进行验证,实验结果表明此算法不仅能够得到正确的社团结构,而且通过动态调整算法中的参数值,能够得到比传统算法更加详细的社团划分结果,获得网络的细节信息.     

基于双率采样数据的动态调节系统辨识

对于双率采样数据的动态调节模型,利用多项式变换得到一个方程误差自回归滑动平均模型,使用估计的噪声项代替信息向量中的未知噪声,提出了辨识双率系统的广义增广随机梯度算法,以及广义增广遗忘梯度算法。仿真例子说明了提出算法的有效性。     

基于退化模型和邻域嵌套的彩色图像超分辨率自适应重建

为有效提升图像质量,提出一种基于图像退化模型和邻域嵌套的彩色图像超分辨率重建算法.通过退化模型在彩色空间上得出图像超分辨率重建训练集,并根据此训练集进行图像邻域分块.为了在训练过程中抑制噪声并锐化图像中的边缘信息,提取训练集亮度和梯度特征并进行特征融合.为了有效提升重建算法的自适应性,引入图像重建优化参数和边缘信息参数...     

融合矩阵分解和XGBoost的个性化推荐算法

针对传统的协同过滤推荐算法中评分矩阵过于稀疏和算法准确度不高的问题,提出一种融合矩阵分解和XGBoost算法的推荐算法(MFXGB,Matrix Factorization XGBoost),其特点是利用SVD++算法(SVD,Singular Value Decomposition)对用户项目评分矩阵进行填充,避免过多的缺失值对算法精确度的影响,再利用XGBoost(eXtreme Gradient Boosting)算法训练有监督的模型用于预测用户评分.为了克服计算成本过高的困难,提出利用K-均值聚类方法进行特征提取用于训练XGBoost模型.将MFXGB算法应用于MovieLens数据集进行实验分析,结果显示,MFXGB算法的推荐精确度比传统的3种方法分别提高了8.91％、10.18％和11.79％,效果明显优于传统的推荐算法.     

基于Bregman联合聚类与加权矩阵分解的 融合推荐算法

针对当前大数据背景下推荐系统中所存在推荐效率低下、扩展性差、推荐质量不高等问题,本文提出一种基于Bregman联合聚类与加权矩阵分解的融合推荐算法（CO-CWMA）。首先,通过Bregman联合聚类挖掘出多样、不同层次的低秩评分子矩阵,组合不同约束与距离的聚类结果训练得到子模型,进而在各个模型的子矩阵上并发地进行矩阵分解,最后将各个子模型进行均值融合,提高推荐质量、效率与扩展性。在矩阵分解阶段采用SVD++算法,基于每个子矩阵中的评分分布计算加权策略,给予高频评分较大权值,在梯度下降阶段利用学习率函数控制学习率的更新。实验结果表明,该算法与三种基线算法相比在均方根误差（RMSE）与平均绝对误差（MAE）上均有明显降低,即推荐质量有较大提升。     

基于SVD矩阵分解技术和RkNN算法的协同过滤推荐算法

针对现有协同过滤算法具有的可扩展性较低、数据稀疏和计算量较大缺点,提出一种基于SVD矩阵分解技术和RkNN算法的协同过滤推荐算法.本算法经SVD矩阵简化处理和kNN和RkNN的协作过滤,增强了用户的影响集,实现了测试集的未知预测评分功能.经仿真实验表明,稀疏性、可扩展性和计算量都得到有效改善,系统预测评分与用户实际评分接近,为用户提供了良好的使用体验.该算法获得了更好的预测性能,同时具有良好的可扩展性.     

基于长短期记忆网络的齿轮剩余寿命预测研究

设备运行数据蕴含了大量的状态退化信息,利用状态退化信息对设备进行剩余寿命预测,可以为预测性维修提供重要的依据。针对监测过程中接收到表征设备退化的大量数据,提出一种改进的基于记忆机理循环神经网络实时剩余寿命预测模型。该模型利用随机搜索选择模型超参数,采用加入动量考虑的随机梯度下降算法优化模型参数,防止陷入局部最优,从而提高剩余寿命预测模型的预测精度。通过齿轮弯曲疲劳试验,验证了该模型剩余寿命预测的准确性。     

基于粒子群优化的因子分解机算法

因子分解机(Factorization Machine,FM)是利用矩阵分解思路针对推荐系统中数据稀疏情况设计的机器学习算法.传统的FM模型参数是通过梯度下降方法进行优化求解,但针对数据集训练样本较少的情况,梯度下降方法不能保证参数收敛到全局最优.粒子群算法(Particle Swarm Optimization,PSO)是一种快速启发式算法,具有全局搜索的特性.为提高FM模型的表现能力,首先基于PSO算法确定全局最优位置,然后利用梯度下降优化FM参数,本文提出了PSO-FM算法.在数据集Diabetes进行实验对比,结果表明,改进后的基于粒子群的因子分解机算法PSO-FM在模型训练速度和预测准确度上都优于传统的因子分解机FM算法.     

基于PSO-CNN的深部找矿预测模型构建

探讨西藏雄村铜金矿床Ⅱ号矿体成矿特征与矿体之间的关系,为深部找矿预测提供依据。通过提取多元找矿信息,在构建三维地质体模型基础上,将研究区数据按照含矿单元数与非含矿单元数为1∶1构建数据集,随机将数据集分成训练集(70%)和验证集(30%),结合深度学习理论,采用卷积神经网络(CNN)算法建立深部成矿预测模型。模型参数的选择对预测的精度起着至关重要的作用,但目前模型训练方法大多凭借经验手动调参,难以得到最优模型。为使CNN模型在非经验指导下自主选择超参数,通过粒子群算法(PSO)对CNN超参数进行优化,将优化后的CNN模型用于预测,并将预测结果与传统方法(找矿信息量)进行对比分析。PSO-CNN算法的预测效果明显比找矿信息量方法的准确率高,体现了PSO-CNN算法在深部成矿预测中的优越性。     

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5 个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98． 4%。较传统Adaboost 算法,该方法采取了GBDT( Gradient Boosting Decision Tree) 作为分类算法,成功利用更多的数据集,并且使得分类精度更高。     

基于高光谱成像技术和IRIV算法的玉米种子品种纯度识别

基于高光谱成像技术,提出了一种无损、快速的玉米种子纯度识别方法.首先,采用多元散射校正(MSC)等方法对数据进行预处理;其次,应用竞争性自适应重加权法(CARS)和迭代保留信息变量法(IRIV)提取特征波长;再次,建立支持向量机(SVM)和线性判别分析(LDA)等纯度识别模型;最后,设置随机种子值,使用采集函数“expected-improvement-plus”搜索置信区间中的待评价点,得到使交叉验证损失最小的超参数值,提高模型的准确率.结果表明：MSC-IRIV-LDA识别模型准确率最高,训练集和预测集的准确率分别为0.960 4和0.933 3,K值为0.918 6;对LDA的δ和γ超参数值进行优化后,进一步提高了训练集、预测集准确率和K值;本研究提出的方法能够实现玉米种子纯度无损、快速识别,为精准农业的发展提供技术支持.     

面向不平衡数据集融合Canopy和K-means的SMOTE改进算法

针对SMOTE算法和随机森林可较好解决不平衡数据集的分类问题但对少数类样本分类效果还有待提高的问题,融合Canopy和K-means两种聚类算法,设计了C-K-SMOTE改进算法。先后利用Canopy算法进行快速近似聚类,再利用K-means算法进行精准聚类,得到精准聚类簇,最后利用SMOTE算法增加少数类样本数量,使数据趋于平衡。选取公开数据集KEEL(knowledge extraction on evolutionary learning)数据库中的不平衡数据集,结合随机森林分类模型进行了实验验证,实验表明C-K-SMOTE算法可有效平衡不平衡数据集。     

基于热重启学习率的NAG算法在图像分割中的应用

文章针对水平集演化模型的梯度下降法收敛速度较慢,且对局部极小值较为敏感的问题,提出一种热重启学习率和Nesterov加速梯度(Nesterov accelerated gradient, NAG)算法相结合的水平集演化方法,以替换Chan-Vese(CV)模型中用于演化水平集函数的梯度下降法,对2种算法的图像分割速度以及分割精准度进行了对比。首先根据CV模型和距离保持惩罚项建立初始的水平集演化方程;然后对NAG算法增加学习率动态变化项计算梯度来演化水平集函数;最后不断更新得到水平集函数直到收敛。使用ground truth(GT)图像评估分割精准度,通过与传统梯度下降法得到的实验结果对比,改进算法的CPU运行时间减少了30%以上且分割精确度明显提升,表明其可对图像进行有效且快速地分割。     

基于图嵌入和区域注意力的多标签文本分类

针对传统多标签文本分类模型未考虑标签之间以及标签与文本各个部分之间的相关性、低频标签预测效果不佳的问题,使用图嵌入和区域注意力技术来挖掘标签之间以及标签和文本之间的关系,提出了编码器-图嵌入和区域注意力机制-解码器模型来处理多标签分类任务.采用Bi-LSTM作为编码器,使用图嵌入技术生成标签嵌入矩阵;利用区域注意力机制结合单词级别与区域级别的信息,使得模型在预测每个标签时考虑文本不同部分的信息,挖掘了文本与标签之间的潜在关联;使用循环神经网络和多层感知机作为解码器结合随机策略梯度算法,减少训练损失,改善多标签分类效果.在AAPD和RCV1-V2多标签文本分类数据集上进行试验,根据数据集特征设置相关参数,以micro-F1和Hamming Loss作为评价指标,对比所提出模型与LP、卷积神经网络等9个经典模型.结果表明,所提出模型能够根据高频标签预测出低频标签,在2个数据集上的micro-F1和Hamming Loss均优于经典模型.     

排序框架下梯度下降迭代本体算法

从本体顶点排序的思想入手,得到排序框架下梯度下降迭代本体算法。选取边集合作为样本集,使用再生核希尔伯特空间作为函数空间,用步长控制迭代次数。最后,将得到的本体相似度计算和本体映射算法分别作用于植物学PO本体和计算机软件本体中,通过实验数据对比说明算法具有较高的效率。     

XGBoost启发的双向特征选择算法

针对特征选择过程中特征评价指标单一性的问题, 基于集成学习中的极端梯度提升算法, 提出一种新的特征选择算法. 该算法首先应用极端梯度提升算法中构建集成树模型的指标作为特征选择的特征重要性度量指标, 然后利用一种新的双向搜索策略, 权衡了多种特征重要性对结果的影响, 并优化了评价过程的效率. 通过11个不同维度的标准数据集进行测试, 实验结果表明, 该算法能增加特征子集的多样性, 加快特征选择的速度, 并在中维和低维数据集上均具有较高的计算效率, 且能处理高维数据集.     

基于NPP/VIIRS夜间灯光数据的GDP智能预测模型研究

针对现今传统统计方法难以准确及时的揭示经济参量时空信息且估算GDP精度不足的问题,本文利用国家极轨卫星携带的可见光和近红外成像辐射计（NPP/VIIRS）获取的2012-2018年夜间灯光影像为数据源,对数据产生的误差进行处理得到了可以用来定量分析的长时间序列数据;首先采用随机森林算法对数据集进行预测研究,在此基础上提出一种基于袋外数据估计的回归误差,采用改进的网格搜索算法（Grid Search）对随机森林模型进行参数调优。同时也使用贝叶斯优化（Bayesian Optimization）对随机森林(RF)模型进行参数调优。运用嵌套5F-CV,并通过外部5F-CV循环估算模型的泛化能力,内部5F-CV循环用于确定最佳参数找出最优参数模型,建立自动预测系统,根据输入的研究区数据,使算法模型自动进行精准预测。结果表明基于贝叶斯优化改进的随机森林算法在预测GDP时最好,预测精度达到97%,具有较高的准确率和鲁棒性。研究结果展示了机器学习算法和夜间光照指数用于在县级尺度上预测GDP表现出显著的能力。     

基于梯度的扰动时变系统辨识算法及其收敛性

根据工程背景,提炼出了一类时变系统(亦称为广义时变系统或扰动时变系统)的数学描述模型．扰动时变系统是指参数随系统可测扰动量变化的一类时变系统．利用梯度搜索原理,提出了这类时变系统的投影算法、随机梯度和遗忘梯度辨识方法,并应用鞅超收敛定理分析了算法的收敛性．由于提出的随机梯度算法同时还利用了系统扰动量所含的信息,因而可以给出时变参数的一致估计．数字仿真验证了提出方法的有效性．     

基于自然梯度的概率主组件分析在线学习算法

对于主组件分析模型,传统方法利用特征值分解的方法求解,其计算复杂度为O(ND~2),其中N表示数据规模,D表示数据的维度.概率主组件分析是从概率的角度理解主组件分析模型,此时可以使用期望最大化算法迭代求解,其计算复杂度为O(NDM),其中M表示选取的维度,对于大规模高维数据可有效提高模型效率.但是,在参数更新过程中,概率主组件模型的期望最大化算法需要遍历整个数据集才能更新一次参数,参数更新较慢,同时该算法很难扩展到大规模数据集.本文提出基于自然梯度的概率主组件分析在线学习算法,通过结合概率主组件分析的自然梯度,实现在线增量学习模型.进一步将降维后的数据通过全连接神经网络进行分类,并通过实验证明,该方法在降维效果及算法运行效率上有明显提高.     

基于随机森林算法的混凝土早期抗裂性预测研究

将随机森林(Random Forest)回归算法应用于混凝土早期抗裂性研究.以松通项目混凝土为例,基于大量文献和工程经验选取了7个主要影响因素的混凝土早期抗裂性指标体系.以原始数据建立训练样本集和测试集,通过计算基于Bootstrap自助重抽样得到的袋外数据(OOB)的模型误判率,确定随机森林预测模型的最优参数,并对影...