基于元学习的航空电子设备特征选择算法推荐方法

为了对航空电子设备的测试数据进行有效约简, 去除冗余信息和不相关特征, 基于机器学习领域现有的特征选择算法, 提出了一种元学习框架下的航空电子设备特征选择算法推荐方法。所提方法旨在根据不同航空电子设备测试数据所蕴含的信息, 推荐合适的特征选择算法。首先, 分析了数据集特征的描述方法。然后, 介绍了采用综合度量指数的算法性能评价方法。最后, 给出了特征选择算法推荐方法的框架。使用42个航空电子设备的测试数据和13个过滤型特征选择算法建立了元数据库, 采用留一法进行交叉验证, 推荐命中率达到了90%以上, 推荐性能比例达到97%以上。     

基于拉普拉斯特征映射的故障模式识别方法

拉普拉斯特征映射算法能有效提取高维非线性数据中嵌入的低维流形特征.将其引入到设备故障诊断领域,应用于故障模式识别问题,提出了一种基于拉普拉斯特征映射的故障模式识别新方法.运用基于拉普拉斯特征映射的非线性降维算法直接对原始故障信号进行学习,提取出数据内在的流形特征,极大地保留了信号中内含的整体几何结构信息,有效克服了常规模式识别方法仅能获得局部线性结构的不足,明显改善了故障模式识别的分类性能.仿真和工程实例结果表明了所提方法的可行性和有效性.     

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。     

图像自适应分块单幅超分辨率算法

在单幅超分辨率图像重建算法中,基于最大后验估计(maximum a posteriori,MAP)算法重建效果和抗噪性能较好,但时空复杂度较高。为了提高模板卷积MAP(template convolution based MAP,TC-MAP)算法的运行效率,降低内存消耗,提出了基于图像内容的自适应分块TC-MAP新算法,研究了图像分块的最佳尺寸,并根据子块图像的平均梯度,对平滑区域的多个子块进行合并降低分块边界效应的影响,同时采用边界延长进一步抑制分块效应。实验结果表明,算法有效减少了TC-MAP算法的运行时间和内存开销,同时保持重建图像质量与原TC-MAP算法差别不大。     

采用并行协同进化遗传算法的文本特征选择

现有的文本特征选择方法都是串行化的, 应用于海量文本数据集时时间效率较低, 因此利用并行思想来提高文本特征选择的效率, 已成为文本挖掘领域的一个研究热点. 本文将 遗传算法和并行协同进化算法结合起来, 在粗糙集的基础上设计了一个并行协同进化遗传算法 并将该算法用于文本特征选择. 该方法采用遗传算法搜索特征, 利用并行协同进化算法来提高 时间效率, 从而较快地获得较具代表性的特征子集. 实验结果表明该方法是有效的.     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战,提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法.首先,通过基于相关性分析的数据特征选取方法对数据维度进行压缩.其次,对原始数据集进行特征筛选,生成新的特征子集.最终,使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化...     

基于Spark的并行图聚类算法研究

对并行图聚类算法进行了研究。基于Spark 提出了一个新的并行图聚类算法；由于Spark 中的top 操作需要耗费大量的内存，提出了一个新算法来替代top 操作，有效减少了所消耗的内存；通过对自底向上的层次聚类算法进行改进提高了聚类的速度；基于图数据的特征提出了一种图数据过滤的方法来减少算法运行的时间以及所占用的空间并对其有效性进行了说明。仿真结果表明，运行效果优于进行比较的其他并行化图聚类算法。     

基于混合优化算法的遗传算法参数设定研究

有限计算量条件下遗传算法的理论收敛条件难以完全满足,参数选择的恰当与否直接影响到算法性能的发挥。针对这一情况,在分析现有参数设定方法的基础上,将遗传算法参数设定问题描述为随机优化问题,并提出一种解决该问题的新的混合优化算法,即基于序优化的巢分区算法。该算法将序优化思想融入巢分区算法的局部搜索过程,大大提高了局部搜索效率,而巢分区的算法框架则保证了算法的全局收敛性。以典型旅行商问题为算例的仿真结果验证了该方法的高效性与可靠性。     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

递进多目标遗传算法

在现有算法研究基础上,提出了一种递进多目标遗传算法,该方法每进化一定代数后以一定策略对群体进行重构,以提高算法对解空间的遍历性,从而较大程度上避免算法的早熟.该算法采用非劣解等级优先的选择方式复制后代,降低算法的时间复杂性;通过递进层次间对部分非劣解个体执行局部搜索,加快全局非劣解集的进化.采用递进算法与现有两种典型多目标遗传算法NSGA、MOGLS算法对一些典型优化问题进行对比分析,验证了算法求解多目标函数优化问题的有效性;通过调整算法递进层次与每层进化代数的参数设置,进一步研究了参数选取对算法性能的影响.     

信号到达角的快速估计算法研究

针对将FFT算法用于空域信号处理中存在受空间阵元数的限制,分辨率不高,无法识别相距较近的两个目标的问题,对等距线阵的DoA估计算法进行了研究,提出了基于空间分割的快速MUSIC算法。此算法在FFT算法粗略估计的若干局域子空间内进行谱峰搜索,可大大减小MUSIC算法全空间谱峰搜索的计算量。在单一期望信号的情况下,提出了基于最小二范数的快速DoA估计算法,它可进一步减小计算量。仿真结果证明了对DoA估计的快速算法理论分析的正确性和算法的有效性。     

基于改进NSGA3的焊接缺陷评估特征选择

在基于多源信息融合的焊接缺陷评估中, 特征选择对提高评估精度与速度发挥着重要作用。多源特征集由电弧电特征与电弧声音特征组成, 其特点在于特征集中存在冗余与互补特征。因此, 本文提出一种基于改进非支配排序遗传算法-Ⅲ(non-dominated sorting genetic algorithm-Ⅲ, NSGA3)的多目标特征选择方法, 旨在从多源特征集中找到最优特征子集。该方法首先对特征集进行相关、冗余和互补特性分析, 再以冗余性最小, 相关性与互补性最大为目标建立多目标特征选择优化模型。并基于相关、冗余和互补评价函数提出一种新的变异算子来引导变异过程, 以减少无效特征的影响, 提高收敛效率。实验采用支持向量机作为学习器来验证学习效果, 结果表明, 所提方法与其他3种方法相比, 可以在特征子集维度和预测精度方面获得更好的性能。     

基于多准则交互膜进化算法的UAV三维航迹规划

针对智能优化算法在无人机(unmanned aerial vehicle,UAV)三维航迹优化中搜索复杂度较高、容易陷入局部最优的问题,提出一种基于嵌套式细胞膜结构的多准则交互式多目标进化算法.以建立的多目标航迹评价模型来克服航迹评价加权求和的不足;同时在应用降维离散缩减寻优空间的基础上,采用萤火虫算法和人工蜂群算法作...     

基于规则和统计抽取模型中的主动学习算法

提出了一种文本信息抽取的主动学习算法,在只有部分标记训练文本的情况下,通过主动学习的方法将最有价值的训练文本挑选出来进行标记,该算法能应用到基于包装器模型和基于隐马尔可夫模型的文本信息抽取中,在不影响抽取性能的前提下,能有效降低模型训练过程对已标记训练文本的依赖程度,很大程度减少人工标记训练文本的工作量。     

Joint Decision Matrix Computation for Rules Extraction in Two-Classes Decision Information System

Matrix computation for rules extraction of rough set algorithm's inefficiency restricts the application of rough set theory, so the search for efficient algorithms is of great practical significance. Therefore, the joint decision matrix is defined and a new algorithm JDMCRE for rule extraction is presented on the basis of joint decision matrix for two-classes decision information system. By combining both the conditional attribute equivalent matrix and the decisional attribute ones into one matrix, it can considerably reduce the number of comparison in the process of matrix forming, which can effectively increase the efficiency of algorithm. The complexity analysis and experiment results show that the algorithm is much better than existing matrix algorithms.     

改进的主峭度分析算法及其在高光谱图像小目标检测中的应用

由于高光谱图像维数较高,因而在利用高光谱图像进行目标检测之前会先进行数据降维。主成分分析变换和最大噪声成分变换是高光谱图像处理领域最为经典和常用的两种降维方法。它们以图像的方差和信噪比为指标进行降维,是基于二阶统计信息的方法。小目标由于其本身的特点可能会被经过该类方法降维后舍弃掉,而基于高阶统计特性的主峭度分析算法能够很好的解决这类问题。该方法能够提取基于二阶统计信息进行降维后无法保持的小目标信息,从而有效的检测到小目标。但主峭度分析算法的收敛速度较慢、计算时间较长,因而本文提出了一种改进的主峭度分析算法,改进的主峭度分析算法可以提高算法的收敛速度、减少算法的迭代次数。仿真实验表明,改进的主峭度分析算法能够缩短计算时间,提高算法的收敛速度。     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。     

基于混合概率主成分分析的HRRP特征提取

针对主成分分析(principal component analysis, PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile, HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基于混合概率PCA的HRRP特征提取方法。该方法利用期望最大值(Expectation maximization, EM)算法求解HRRP的一、二阶统计参数,能够真实反映数据分布,以分布趋同的原则实现不同方位帧的聚类,减少模板数量。最后通过自适应高斯分类器和Kullback-Leibler距离分类器识别获取的统计特征,可进一步改善识别性能。仿真实验验证了该方法能够在降低数据维数的同时,实现HRRP统计特征的提取,能一定程度上削弱方位敏感性的影响。     

基于元数据与领域概念树的文本相似度计算

随着网络与信息技术的快速发展,导致网络上产生了大量的电子文本,而文本间的相似度计算是文本处理的一种重要手段。对于大规模的文本集,通常采用向量空间模型（vector space model, VSM）进行文本表示,但是该方法面临着文本向量维度较高及文本语义相似度难以度量的问题。提出一种改进的文本相似度计算方法,从大量的特征空间中选择出具有代表性的元数据特征向量元素,以降低向量空间的维度;构建领域概念树并设计基于领域概念树的文本相似度算法,对领域概念中广泛存在的同义词进行处理,以提高文本之间语义相似度度量的性能。实验结果表明：通过降维和概念相似度计算可提高文本相似度计算的性能。     

Fast motion estimation algorithm for H.264/AVC based on centered prediction

H.264/AVC video coding standard can achieve roughly half of the bit-savings over MPEG2 and MPEG4 for a given quality. However, this comes at a cost in considerably increased complexity at the encoder and thus increases the difficulty in hardware implementation. The high redundancy that exists between the successive frames of a video sequence makes it possible to achieve a high data compression ratio. Motion estimation (ME) plays an important role in motion compensated video coding. A fast motion estimation algorithm for H.264/AVC is proposed based on centered prediction, called centered prediction based fast mixed search algorithm (CPFMS). It makes use of the spatial and temporal correlation in motion vector (MV) fields and feature of all-zero blocks to accelerate the searching process. With the initialized searching point prediction, adaptive search window changing and searching direction decision, CPFMS is provided to reduce computation in block-matching process. The experimental results show that the speed of CPFMS is nearly 12 times of FS with a negligible peak signal-noise ratio (PSNR) loss. Also, the efficiency of CPFMS outperforms some popular fast algorithms such as hybrid unsymmetrical cross multi-hexagongrid search and a novel multidirectional gradient descent search evidently.