Isomap的最优嵌入维数的估计算法

等距特征映射(Isomap)是一种新颖、高效的非线性降维技术,它的一个突出优点是只有两个参数需要设定,即邻域参数和嵌入维数。我们提出了一种新的估计Isomap的最优嵌入维数的算法,该算法使用执行Isomap过程本身所产生的数据来估计流形的最优嵌入维数,同时能确定邻域参数的最优值。通过与常用的残差估计方法的实例对比,说明这种算法对人造数据集和真实数据集都很有效,而且能更加合理、更加客观地估计出流形的最优嵌入维数。     

基于矩阵分解和自适应图的无监督特征选择

在高维数据分析中,一个不可避免且棘手的问题是维度诅咒,因而如何将高维数据通过特征选择降维为低维数据显得尤为重要。对此, 提出了基于鲁棒矩阵分解和自适应图的无监督特征选择模型(unsupervised feature selection model based on robust matrix factorization and adaptive graph, MFAGFS), 实现在一个统一的学习框架下执行鲁棒矩阵分解、特征选择以及局部结构学习。模型首先通过鲁棒矩阵分解可获得聚类标签, 将聚类标签和局部结构信息用来引导特征选择过程, 再从特征选择的结果中自适应地学习数据局部结构。通过局部结构学习和特征选择这两个基本任务的相互作用, MFAGFS可以精确捕获数据的结构信息以及选择出具有判别性的特征。然后,详细阐述了算法优化求解方法, 并证明了算法的收敛性。最后,在6个公开数据集上进行试验对比分析, 参数敏感性分析, 验证了所提模型的有效性。实验结果表明, 所提的方法与其他方法相比, 性能均有不同程度的提高。     

基于自适应神经网络的边坡位移预测

通过对边坡位移历史数据序列进行特征分析 ,计算出饱和嵌入维数和最大 Lyapunov指数 ,给出了边坡位移的最大可预报时间尺度。在此基础上 ,确定了神经网络的输入节点数 ,建立了基于自适应神经网络的边坡位移预报方法 .通过对三峡升船机高边坡和新滩滑坡实际位移数据进行预测 ,结果令人满意 .这对于建立边坡位移的实时监测 -预警系统有重要意义.     

基于自适应聚类流形学习的增量样本降维与识别

为了解决局部线性嵌入(locally linear embedding, LLE)流形学习算法无法自适应确定重构区间和不能进行增量学习等问题,提出了一种自适应聚类增量LLE(clustering adaptively incremental LLE,C-LLE)目标识别算法。该算法通过建立高维非线性样本集的局部线性结构聚类模型,对聚类后的类内样本采用线性重构,解决了LLE算法样本重构邻域无法自适应确定的问题;通过构建降维矩阵,解决了LLE算法无法单独对增量进行降维和无法利用增量对目标进行识别的问题。实验表明,本文算法能够准确提取高维样本集的低维流形结构,具有较小的增量降维误差和良好的目标识别性能。     

基于平行坐标的多视图协同可视分析方法

平行坐标和散点图矩阵技术是多维数据可视化和可视分析的主要技术,然而在数据较为杂乱时,这些技术都存在局部信息无法清晰展现的缺陷.结合平行坐标和散点图矩阵等技术,提出了一种简单、快捷的多视图协同可视分析方法.该方法用在平行坐标中嵌入直方图等统计方法来解决局部可视化的缺陷,通过融合不同技术的优点,从不同的角度对多维数据进行可视化和可视分彳,从中挖掘出有价值的信息.将该方法应用到农药残留检测数据的分析中,取得了良好效果.     

基于AP的Volterra级数自适应多重回归及其多步预测应用

为解决时间序列多步预测的高效率、高精度问题,提出一种基于Volterra级数的多重回归仿射投影自适应算法。应用虚假最临近点法算法选择最优嵌入维数,优化模型初始参数。以系统Volterra核向量增量的模与某约束总和为损失函数,按照最陡下降原理导出各阶Volterra核更新公式,再利用矩阵求逆引 理递推求取各阶Volterra子系统自相关逆矩阵导出算法,从而实现了对多输入多输出数据样本的建模,采用该模型对Henon映射产生的时间序列进行多步预测实验,结果表明可以对该时间序列进行准确建模和预测,证明了所提模型的有效性。     

基于支持向量机的混沌时间序列非线性预测

提出一种新的应用支持向量机回归原理的混沌时间序列非线性预测方法,同时利用自适应的方法对支持向量机的参数进行优化.仿真结果显示支持向量机具有比传统的回归方法更好的泛化能力,预测方法具有很高的预测精度,同时还讨论了支持向量机中参数以及嵌入维数的变化对泛化误差的影响,得出的结论与统计学习理论中的VC维理论相一致.     

基于对角线加载的极化域广义似然比检验算法

研究了在高斯干扰中极化自适应阵列信号检测问题。提出了一种基于对角线加载的极化域广义似然比检验算法,当干扰子空间维数较小时,解决了因辅助数据采样数不足引起的矩阵病态问题。研究表明,该算法相对于干扰协方差矩阵有恒虚警的性质。其检测性能优于极化域广义似然比检验算法,且受辅助数据量的影响很小     

一种新的求解区间数判断矩阵权重的方法

研究区间数判断矩阵的一致性和权重求解新方法.基于权重可行域定义了区间数判断矩阵局部一致性和局部满意一致性,并建立了判别其是否具有局部满意一致性的数学模型.作为度量区间数判断矩阵一致性优劣的一种有效方法,给出了区间数判断矩阵一致性程度的概念,并对一致性程度较差的区间数判断矩阵提出一种改进方法.以在区间数判断矩阵内搜索一致性水平最好的确定性判断矩阵为目标建立一个新的权重模型,求解此确定性判断矩阵的权重,以此作为区间数判断矩阵的权重,模型由颗粒群算法求解.最后给出了一个例子说明本文方法的有效性.     

基于CMCAP的低空风切变风速估计方法

针对机载气象雷达在存在幅相误差影响时,杂波抑制性能下降,低空风切变风速估计不准确的问题,提出了基于组合空时主通道自适应处理(combined space-time main channel adaptive processing, CMCAP)的低空风切变风速估计方法。该方法首先对待测距离单元的雷达回波数据利用构造的降维联合空时变换矩阵进行自适应降维处理,然后构造降维处理器的最优权矢量对降维处理后的数据进行自适应滤波,进而在存在幅相误差的情况下实现风场速度的准确估计。后续仿真结果证明了所提方法的有效性。     

基于多分辨率技术及奇异值理论的故障检测方法

提出了以小波多分辨率技术与矩阵奇异值理论相结合的故障检测方法。根据小波变换的多分辨率分解特性 ,提出了系统状态观测信号的二初始特征向量矩阵———粗分辨逼近矩阵和边缘细节信息矩阵。利用矩阵奇异值分解理论得到初始特征向量矩阵的奇异值 ,将其作为状态信号的特征向量。针对提取出的系统状态信号奇异值特征 ,设计出相应的故障检测算法 ,并将该方法用于某武器平台上精密弹簧阻尼器的故障检测。仿真结果证实了该方法的正确性和有效性。     

滑动窗口二次自回归模型预测混沌时间序列

提出一种新颖的非线性时间序列预测模型,即滑动窗口二次自回归(MWDAR)模型.MWDAR模型使用部分的历史数据及其二次项构造自回归模型.模型参数用线性最小二乘法估计.应用模型进行预测时,预先选定窗口大小以及模型一次项和二次项的阶次.在每个当前时刻,先根据窗口内的数据估计模型参数,然后根据输入向量及模型参数做出预测.这种预测方法不仅适合小数据集的时间序列预测,而且对大数据集具有极高的计算效率.分别用Henon混沌时间序列数据和真实的股票交易数据作了MWDAR方法与局域线性化方法的1步和多步预测对比实验.结果显示MWDAR方法无论在预测精度上,还是在计算效率上都优于局域线性化方法.     

基于整体最小二乘的单次快拍线性预测空域谱估计方法分析

本文基于时间域前、后向线性预测方程,利用整体最小二乘方法来分析单次快拍空域谱估计问题。这种方法同时考虑数据矩阵与观察矢量噪声扰动的影响,所以,在低信噪比情况下,性能优于MUSIC等大多数高分辨空域谱估计方法。另外,由于它利用了数据矩阵奇异值分解技术,所以,对相干信号源也能实现良好分辨。本文摸拟实验结果证明了这一点。     

基于观测器的丢包网络控制系统控制器设计

针对网络控制系统的数据包丢失(丢包)问题,提出将网络控制系统中的丢包问题看成是被控对象输入矩阵的切换问题和控制器对象输入矩阵的分别切换问题,进而将网络控制系统看成是由矩阵切换决定的切换律未知的切换系统,将丢包等效为切换系统中子系统之间的切换。采用李雅普诺夫函数方法,对每个由矩阵形式决定的子系统设计了基于观测器的状态反馈控制器。利用线性矩阵不等式(linear matrix inequalities,LMI)的可行解给出了计算状态观测器和控制器的参数化方法。最后通过仿真算例验证了该方法的有效性。     

基于嵌入理论和神经网络技术的混沌数据预测及其在股票市场中的应用

提出了一种将延迟 -嵌入定理与人工神经网络相结合预测混沌数据的基本方法 ,首先讨论了嵌入延迟时间和嵌入维的计算方法 ,并从信号处理的角度分析了相空间重构同预测的关系 ,并以此确定神经网络的输入层结构 ;最后应用于股票指数和价格的预测 ,结果表明这种方法对解决一类问题具有广阔的前景 .     

估计线性系统极点数目的MDL方法

本文利用后向线性预测和奇异值分解的基本理论,提出了一种从线性系统冲激响应估计极点数目的最小描述长度(MDI)方法,这种方法具有计算简单、抗噪声性能好等优点。本文给出了一些计算机模拟结果。     

面向人口属性预测的词嵌入构建方法

本文探讨如何从用户购买数据中学习出高质量词嵌入,以让模型据此实现高效的人口属性预测任务.首先分析购买数据并对其进行编码,并在此基础上构建嵌入向量生成模型,之后用样本数据训练该模型,然后用神经网络程序实现该模型,最后通过实验验证该模型的可行性和高效性.提出的模型不仅能将具有大量模态的分类特征数据转换为低维的高质量词嵌入,...     

AC算法的EMD分解GMDH组合的预测模型及应用

引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。     

时滞离散广义大系统的稳定性分析

从时滞离散广义大系统的满足容许条件的孤立子系统出发,利用李雅普诺夫方法,通过对关联矩阵、输入矩阵和非线性项加上范数有界约束条件,分别研究了时滞离散广义大系统的线性情形和非线性情形的稳定性问题。给出了时滞离散广义大系统的线性情形和非线性情形的稳定性判据,并且得到了关联稳定参数域。最后用数值例子说明所得稳定性判据的实用性和有效性。     

On network-based kernel methods for protein-protein interactions with applications in protein functions prediction

Predicting protein functions is an important issue in the post-genomic era. This paper studies several network-based kernels including local linear embedding (LLE) kernel method, diffusion kernel and laplacian kernel to uncover the relationship between proteins functions and protein-protein interactions (PPI). The author first construct kernels based on PPI networks, then apply support vector machine (SVM) techniques to classify proteins into different functional groups. The 5-fold cross validation is then applied to the selected 359 GO terms to compare the performance of different kernels and guilt-by-association methods including neighbor counting methods and Chi-square methods. Finally, the authors conduct predictions of functions of some unknown genes and verify the preciseness of our prediction in part by the information of other data source.