基于免疫模糊聚类算法的电网抗差状态估计

提出了一种基于免疫进化模糊聚类算法的电网抗差状态估计方法.该方法首先计算出量测数据的标准残差rN和相邻采样时刻量测值之差Δz,初步将量测数据划分为可疑数据和可靠数据.分别在0.5～1和0～1之间随机生成可靠数据和可疑数据的隶属度,形成初始分类矩阵,克服了整个分类矩阵在0～1之间随机生成的缺陷,并大大加快了算法的收敛速度.之后以γN和△z为特征值,应用免疫进化算法对分类矩阵进行模糊聚类,以获得各个量测量的良数据隶属度.依据各个量测量的良数据隶属度,进一步将量测数据划分入淘汰区、降权区、保权区进行状态估计.该方法能获得较高的抗差能力和状态估计精度,且数值稳定性较好.对IEEE14节点系统的算例仿真表明了该方法的有效性.     

基于L_1范数最小化的逆协方差矩阵估计

由于在高维空间中,基于固定维数的经典方法和结果不再适用,样本协方差矩阵不可逆,估计逆协方差矩阵时存在不稳定、计算成本高和非精确等问题,提出了一种L1范数最小化方法来有效估计高维逆协方差矩阵即精确矩阵.当总体分布满足指数类型条件或者多项式类型条件时,所提估计方法在各种范数下的收敛速率优于其他现存的方法.经分析验证,所提方法为凸优化问题,可采用交替方向乘子算法来解决.之后通过R语言在模拟数据和实际数据下进行仿真分析,并与Glasso方法对比逆协方差的估计性能和图恢复性能,结果表明所提估计方法准确率高、计算成本低.最后,将所提估计方法用来分析白血病数据集,并运用聚类分析对白血病人进行分类.     

一种基于Toeplitz矩阵重构的波达方向估计新算法

为了提高空间谱中信号与噪声的区分度以及改善传统Toeplitz矩阵重构算法在进行波达方向(direction of arrival,DOA)估计时的精度,本文提出一种新的基于Toeplitz矩阵重构的DOA估计算法。首先将观测数据估计的自相关矩阵预处理得到数据向量,并基于数据向量进行Toeplitz矩阵重构;再对重构后的矩阵进行奇异值分解,得到信号子空间和噪声子空间;最后同时利用信号子空间和噪声子空间进行空间谱估计。结果表明:无论是相干源还是非相干源的DOA估计,该算法估计精度均优于传统Toeplitz算法,在非相干源的DOA估计精度性能与多重信号分类(multiple signal classification,MUSIC)算法一致,并在处理相干信源个数能力与传统Toeplitz算法相同。     

一种极化合成孔径雷达图像分类的混合方法

为了更好地对极化合成孔径雷达图像进行分类,提出了一种基于神经网络的混合方法.特征集包括图像的5个H/α系数和基于灰度共生矩阵的6个参数.采用主成分分析方法压缩特征维数,利用3层BP神经网络进行分类,并将Levenberg-Marquardt法与共轭梯度算法相结合求解网络权值.利用该算法对San Francisco地面的实测数据进行分类,实验结果显示该算法能有效分辨地形,且性能优于Wishart最大似然估计方法.     

改进的零度矩阵分类算法及其在数据校正中的应用

在当前的物料平衡系统所用到的数据分类方法中,零度矩阵法具有构造方法简洁、运算方便、计算效率高等优点。但零度矩阵法具有对数据分类不够彻底的缺点,进而影响下一步数据校正工作的精度,最终对整个物料平衡系统的可靠性造成影响。针对上述问题,提出了一种改进的零度矩阵分类算法,在数据预处理阶段引入极大绝对线性无关列的概念,通过对矩阵的重新分割,实现了对平衡组中数据的彻底分类。仿真实验结果证明,该方法实现了对数据的彻底分类,提高了物料平衡系统的精度与可靠性。     

将Kohonen网络用于估计O－D矩阵的算法研究

Ｏ－Ｄ矩阵通常被看成常数．本文将它作为随机矩阵来研究．在Ｏ－Ｄ矩阵有几种可能取值的假设下，用神经网络中的Ｋｏｈｏｎｅｎ网络及相应的竞争学习算法，估计了Ｏ－Ｄ矩阵的值，并用模拟数据作了验证．结果表明，该算法不仅可以估计Ｏ－Ｄ分布的数值．还可以将交通流量按Ｏ－Ｄ分布的不同来分类，从而为交通控制和交通规划的研究提供了有效的途径．     

直接数据特征值分解的相干源DOA估计

提出一种基于均匀圆阵单次快拍数据的相干信源波达方向(direction of arrival,DOA)估计方法——直接数据特征值分解(direct data eigenvalue decomposition,DD-EVD)法. 算法通过模式空间转换将均匀圆阵虚拟为均匀线阵,再直接利用波束空间的快拍数据,构造一个Toeplitz矩阵,并对矩阵按阵列流形分解. 理论推导证明,矩阵的秩得到恢复,只与入射信号个数有关. 对该矩阵进行特征值分解可得到正确的信号子空间和噪声子空间,进而完成相干信源DOA估计. 算法使用单次快拍数据构造矩阵,适合非平稳信号参数的估计,同时不需要快拍累计和相关运算,降低了计算复杂度. 仿真结果验证了算法的有效性.      

二进制约束下的NMF方法及其应用

在普通非负矩阵分解(NMF)方法基础上提出了3个二进制约束非负矩阵分解(3bNMF)算法,对分解矩阵和恢复矩阵元素增加了二进制数的约束,从而更适合对二进制数据进行处理.分别给出了3bNMF算法在数字矩阵分解和有噪声情况下汉字偏旁部首提取中的应用实例,并与普通NMF方法所处理的结果进行了比较.     

一种基于反区分矩阵的多维关联规则挖掘方法

针对多维数据集的关联规则挖掘,提出了一种基于反区分矩阵的方法.首先由数据集同步得出区分矩阵和反区分矩阵,然后根据区分矩阵进行属性约简,再根据反区分矩阵找出约简后的频繁项集,最后给出关联规则.通过区分矩阵和反区分矩阵将属性约简和关联规则挖掘联系起来,减少了计算步骤,且算法只需扫描数据集一次,避免了繁琐的连接操作.应用实例表明该算法是一种合理有效的关联规则挖掘方法.     

不可约非负矩阵的周期与指标集的分类算法

文［１］和［２］讨论了不可约非负矩阵指标集的分类理论，在此基础上，本文给出了不可约非负矩阵的周期与指标集的分类算法。这一算法能同时求出周期与同余类，当矩阵的阶不大时，该算法容易在图上实现。     

Sensor Network Design for Nonlinear Processes

This paper presents a method to design a cost-optimal nonredundant sensor network to observe all variables in a general nonlinear process. A mixed integer linear programming model was used to minimize the cost with data classification to check the observability of all unmeasured variables. This work is a starting point for designing sensor networks for general nonlinear processes based on various criteria, such as reliability and accuracy.     

基于半监督支持向量机的数据分类

为解决支持向量机在分类识别前需要利用已知训练集进行训练的问题，本文提出了一种基于k均值的对无标识数据进行分类的支持向量机分类算法。首先利用k均值算法将未知数据划分成某个数量的子集，然后对新数据进行支持向量机训练得到决策边界与支持矢量，最后对无标识数据进行分类。模拟结果表明：训练时消耗的CHU时间为1．8280秒，支持向量个数为60时，分类错误率小于2％。     

基于乘型ART算法的快速图像重建技术研究

为了利用迭代算法快速实现不完全投影数据下的图像重建,介绍了乘型ART(A lgebraic Reconstruction Techniques)迭代算法的快速实现,利用投影矩阵是一个极大的超稀疏矩阵的性质,对迭代矩阵计算方法进行简化,并对其存储结构和检索方法进行优化设计,使迭速度得到了大大提高.在不完全投影的情况下,该迭代算法具有一定的优势.同时针对迭代模型不足导致的重建伪影提出了校正方法,取得了理想的效果.     

一种分类挖掘算法及其应用

提出一种增量式混合型分类挖掘算法,将基于概率论的符号学习与神经网络学习相结合,能够对既包含离散属性又包含连续属性的多个概念进行有效的分类处理,且具有较强的增量挖掘能力。该算法在法院决策支持系统中得到了运用,取得了较好的效果。     

动力系统实测数据相空间重构的改进方法

应用本征值分解技术对动力系统实测数据嵌入空间矩阵的本征值进行了计算,提出了具体计算嵌入空间矩阵本征值及其本征向量的改进计算方法,以及嵌入空间矩阵基的改进选取方法,并将所得到的动力系统实测混沌数据向已正交化、单位化了的本征向量上投影,从而完成了动力系统实测混沌数据的相空间重构工作。     

Cameron分解法在极化SAR图像分析中的应用

利用Cameron分解法对极化SAR图像进行分析,将目标的极化散射矩阵与8类具有特定散射机理的典型散射体匹配,根据匹配角度提出了一种分类算法,从而对地物目标进行分类;实验结果表明,该分类算法对于分类地物目标,进而分析其散射机理是十分有效的。     

PET断层重建中动态射线追踪算法的实现

迭代重建算法已成为PET的标准重建方法,其系统响应矩阵实现图像空间和投影空间之间的映射关系,是迭代重建算法的关键.面向list-mode断层重建,以优化Siddon算法为基础,实现了一种敏捷的正交距离射线追踪方法,实时计算系统响应矩阵,生成近似高斯形的LOR线,有效建模了探测器响应函数.结果表明该算法在重建精度和效率之间达到较好的平衡,满足了list-mode断层重建的需求.     

基于自动聚类算法（AutoClass）的恒星／星系分类

自动聚类算法（AutoClass）是一种非监督的能对复杂数据进行精确的自动聚类的有效分类方法,可以事先设定好类别数目让AutoClass自动寻找,在寻找结束后,能够得到每一条数据分别属于每一类别的几率,这样可以根据专业知识,选出比较好的分类效果．描述了使用AutoClass对SDSSDR6的恒星／星系测光数据进行分类,将868974条测光数据进行处理,通过去离群数据和自动聚类的方法,将最终的812613条数据分成两类,其中星系和恒星的数据分别是680361和126988条．对于去掉离群后的数据,星系和恒星的分类正确率分别达到99．51％和98．52％,表明AutoClass算法对去掉离群数据后的恒星／星系数据分类有很好的效率．因此,可以将该算法应用于天文中的其他分类问题,另外基于该算法的非监督性,可以帮助天文学家去掉离群数据或发现一些特殊天体．     

基于自适应图的降维方法

为了构建能反映高维数据本质结构的高质量图,提出了一种新颖的降维方法———基于自适应图的降维方法( DＲAG: Dimensionality Ｒeduction based on Adaptive Graphs) 。与其他传统的基于图的降维方法相比,提出的DＲAG 避免了传统k 近邻或ε 球准则构图策略中的参数选择问题,考虑了数据的局部信息和噪声,能自适应地构建稀疏的最优图结构,并将其结合在经典的LPP( Locality Preserving Projection) 模型中,学习能有效刻画高维数据本征结构的投影矩阵,从而实现降维的目的。为了评估算法的有效性和可行性,在4 个标准的图像数据库( CMU PIE,Extended YaleB,OＲL 和COIL 20) 分别进行了分类与聚类实验,实验结果表明,所提出的方法在分类识别率和聚类准确率上都优于其他对比方法。