基于核主元聚类的股票分类

为了正确区分不同的股票类别, 降低分类的复杂度,论文结合核主元分析和K均值聚类构造核主元聚类方法对上市公司股票进行了分类处理.在核主元聚类方法中, 首先对样本数据进行预处理,然后利用核主元分析以非线性方式降低数据的维数,再利用K均值聚类方法对降维后数据进行聚类,并最终得到不同的股票分类情况.选择了沪深股市中20支上市公司股票来进行实证分析.实证结果表明：核主元聚类方法取得了较好的分类结果,为上市公司股票分类和评估提供了很好的依据, 具有较好的适用性.     

基于热核特征的SAR图像地物识别方法

采用了一种空间敏感度特征包(spatially sensitive bags of feature, SS BOF)来实现合成孔径雷达（synthetic aperture radar,SAR）图像的地物识别。首先采用推广的核模糊C 均值方法分割SAR图像,提取SAR图像目标图形;采用Harris角点检测子提取角点,接着对目标图形进行Delaunay三角剖分;采用cotangent weight方法对三角剖分图赋值,进而求得离散化Laplace Beltrami算子的特征值、特征向量,并计算SS BOF,进而对地物目标进行识别,其识别方法采用比L1相似准则效果更好的相关系数法;最后与热核迹等热核不变量特征以及Hu不变矩特征进行对比。实验表明：空间敏感度热核特征的识别率高于热核不变量的识别率,并与经典的Hu不变矩特征比较,识别率有所提高。     

基于联合局域相关向量机的雷达导引头状态预测方法

针对雷达导引头机电结构组成复杂、性能指标测试数据信息利用率不足、使用传统基于数据驱动的状态预测方法精度不高的问题,借鉴相关向量机(relevance vector machine,RVM)和Dempster-Shafer (D-S)证据理论,提出了一种基于证据融合和改进局域RVM的状态预测方法。首先,对标准RVM回归模型进行改进,通过构建方差高斯核函数(variance Gauss kernel function, VGKF)来提高核函数的全局性能和泛化能力;然后通过借鉴混沌序列局域预测法中邻近点个数的选取方法,利用Hannan-Quinn (H-Q)准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,完成了改进局域相关向量机模型(local relevance vector machine, LRVM)的构建;最后,利用具有近似退化规律的同源装备测试数据对LRVM进行了改进,通过D-S证据理论对两种模型的预测结果进行了融合,建立了联合局域相关向量机(united local relevance vector machine, U-LRVM)模型。通过对导引头相关参数的实例预测,验证了该方法的可行性和优越性。     

基于核函数的混沌序列局域线性预测方法

针对局域线性预测方法本质上是用较简单的非线性函数来预测高度非线性的混沌时间序列的不足,提出了一种基于核函数的局域线性自适应预测算法。该算法利用包含了相空间中邻近点之间的相对距离信息的核函数,将相空间中的邻近点投影到更高维的非线性核空间,在高维(甚至无穷维)的核空间用线性自适应算法预测混沌时间序列,相当于在原混沌相空间用高度非线性的函数预测高度非线性的混沌时间序列,可获得更好的预测结果。给出了应用该方法的具体步骤,通过仿真实验证明了该算法的有效性。     

基于相异度核空间的支持向量机算法

提出基于相异度核空间的混合流形学习与支持向量机(SVMs)算法用于解决高维数据分类问题. 该算法使用SVMs对流形学习降维后的低维嵌入做分类.通过加常数方法构造了衡量数据点相异度的特征空间. 证明了该特征空间不仅能够衡量数据点之间的相异度,还满足Mercer条件对于支持向量机分类核空间的半正定性的要求. 在仿真实验中,采用UCI机器学习数据库上标准分类数据集为样本. 对比构造的相异度核空间与常用核函数如线性核、多项式核、高斯核在支持向量机分类时的 分类精度来验证有效性和优越性.     

基于非参数核密度估计的Copula函数选择原理

在金融市场风险分析中,准确刻画金融资产间的相关结构非常重要.因此在给定的Copula函数族中,选取合适的Copula函数来捕捉金融资产间的相关结构尤其关键.鉴于此,基于核密度估计建立了一种新的Copula函数选择方法——核密度选择原理,并通过蒙特卡罗模拟,将核密度选择原理与常用的基于AIC准则和基于经验Copula函数的Copula选择原理的选择效果进行了系统比较.实验表明,核密度选择原理不仅避免了求Copula函数的密度函数,而且选择效果最好.在金融市场风险分析中,准确刻画金融资产间的相关结构非常重要.因此在给定的Copula函数族中,选取合适的Copula函数来捕捉金融资产间的相关结构尤其关键.鉴于此,基于核密度估计建立了一种新的Copula函数选择方法——核密度选择原理,并通过蒙特卡罗模拟,将核密度选择原理与常用的基于AIC准则和基于经验Copula函数的Copula选择原理的选择效果进行了系统比较.实验表明,核密度选择原理不仅避免了求Copula函数的密度函数,而且选择效果最好.     

粗糙核k-means聚类算法

通过研究核聚类算法,以及粗糙集,提出了一个新的用于聚类分析的粗糙核聚类方法。通过mercer核映射把输入空间中的样本映射到Hilbert空间,使样本空间中没有显现的特征在特征空间中突现出来,在这种样本差异加大的基础上,结合粗糙集的思想,把样本分别划到相应聚类中心的上、下近似中,上、下近似中的样本按照一定的比例来共同决定新的聚类中心。这样不但聚类精度大大提高,而且算法收敛速度也较快。仿真实验的结果表明该算法的可行性和有效性。     

基于激光数据配准的移动机器人自定位

提出了一种基于激光数据配准的移动机器人自定位方法。该方法避免了对激光数据进行特征提取以及点对点的对应,仅以预处理后激光数据的核密度估计作为定位依据,以核相关方法作为比较相邻两组激光数据相似性的度量准则,并在此基础上建立以旋转平移向量为参数的自定位目标函数。最后采用BFGS拟牛顿方法对目标函数进行寻优,最终实现移动机器人的自定位。对180度激光数据的仿真实验结果证明了该方法的有效性。     

Linux运行过程的可视化研究

为了直观地显示Linux系统中关键操作的执行过程,探索了在Linux源码中嵌入程序片段采集数据、记录内核运行情况、并以可视化方式再现内核运行过程的方法。以重构某一时间段内内核的活动为目的,给出Linux运行状态的描述,以及在运行的内核中采集数据的方法。最后展示了一个具体操作过程的数据描述和对数据的可视化处理实例。     

Bandwidth adaption for kernel particle filter

A novel particle filter bandwidth adaption for kernel particle filter (BAKPF) is proposed. Selection of the kernel bandwidth is a critical issue in kernel density estimation (KDE). The plug-in method is adopted to get the global fixed bandwidth by optimizing the asymptotic mean integrated squared error (AMISE) firstly. Then, particle-driven bandwidth selection is invoked in the KDE. To get a more effective allocation of the particles, the KDE with adap- tive bandwidth in the BAKPF is used to approximate the posterior probability density function (PDF) by moving particles toward the posterior. A closed-form expression of the true distribution is given. The simulation results show that the proposed BAKPF performs better than the standard particle filter (PF), unscented particle filter (UPF) and the kernel particle filter (KPF) both in efficiency and estimation precision.     

一种新的基于核函数的非线性系统辨识方法

提出了一种新的基于核函数的非线性系统辨识方法。该方法无须知道系统输入输出先验信息,首先对系统输入输出数据进行密度估计及聚类,自适应获取该数据隐含的类别数目及对应的核参数,得到系统的结构。进而利用这些核,将系统原始低维输入输出数据映射到高维空间获取新的输入输出数据,然后通过递归最小二乘方法获取系统的参数。仿真结果表明了该方法的有效性和自适应性。     

一类半开放式车辆路径问题及其禁忌算法研究

对半开放式车辆路径问题进行了描述,提出了核心路径的概念和理论,并根据问题的特点设计了基于核心路径的禁忌算法.算法分为初始优化、核心路径的提取和连接以及后期优化三部分,采用自然数编码,用GENI插入法构造初始路径和进行邻域操作,设计了三种邻域以扩大搜索空间,用能力约束控制单条路径的配送点数,以增加惩罚的方式加入配送距离约束.算法利用核心路径的特点阻碍不良路径的生成,并在后期优化的第二阶段拆开核心路径,进行优化路径的调整.最后采用多组数据进行计算并对结果进行了分析,证明了基于核心路径禁忌算法对优化有能力和距离约束半开放式车辆路径问题的有效性.     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

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.     

核Fisher判别分析多参数自动优化算法

针对智能优化算法原理复杂,相关参数设置困难的缺点,尝试利用拟牛顿法对核Fisher判别分析多个核参数进行自动优化。根据经验风险最小准则构建目标函数。为保证目标函数连续且可导,通过连续的sigmoid函数将离散的二进制输出转化为连续的概率输出。利用正交表选取初始核参数点。实验结果表明,所提算法具有同遗传算法相近的分类性能,且收敛速度快,原理简单,可以很好地应用于核Fisher判别分析多个核参数优化。     

基于邻域优化的局部线性嵌入

利用图代数计算数据之间的相关性，进而优化数据的局部邻域，并应用于改进局部线性嵌入.LLE算法。优化后的LLE算法考虑了数据集的聚类结构，但不需要分类信息或聚类算法做预处理，因而算法是无监督的，有通用性，简单易于实现。邻域优化后的局部线性嵌入算法克服了经典LLE不能很好地处理稀疏或含有噪音数据的缺陷。同时继承了经典LLE时间复杂度低的优点，可用于解决大规模数据问题。标准数据集上的实验结果证明了所提方法的有效性。     

基于核函数强化学习的抗干扰频点分配

针对学习未知动态的干扰图样问题，提出一种基于核函数强化学习的雷达与通信抗干扰频点协作算法。与需要获得干扰模式、参数等先验知识的研究相反，所提算法能够利用过去时隙中频点的使用情况来优化抗干扰频点分配策略。首先，通过核函数的强化学习来应对维度诅咒问题。其次，基于近似线性相关性的在线内核稀疏化方法，确保了抗干扰频点分配算法的稀疏性。最后，仿真结果验证了所提算法的有效性。得益于稀疏化码字对于系统动态特性的学习，所提算法与传统基于Q学习的抗干扰频点分配算法相比，收敛时间更短，并且可以快速规避外部未知干扰源的干扰。     

基于核神经气聚类的入侵报警分析

利用无监督的核神经气聚类方法分析入侵报警数据,并针对核神经气聚类方法运行时间较长的缺点作了改进,加快了学习过程的速度而不影响其收敛性。利用改进的核神经气聚类方法对真正报警数据进行聚类,获得了各个神经元被作为获胜神经元的次数分布图,并根据此分布图获得报警的判别规则以区分误报警和真报警。实验采用网络入侵检测器Snort在实验环境下获得的攻击和正常数据产生的报警数据集,测试结果证明了提出的方法具有良好的性能:当滑窗长度为10时,在漏报增加率约为6%的代价下可以去除约81%的误报警。     

基于分组特征多核支持向量机的微钙化簇检测

针对疑似区域内的乳腺微钙化簇和正常乳腺组织特征的多源性这个一直被忽略的问题,提出基于分组特征多核支持向量机(GF-SVM)的乳腺微钙化簇检测。特征被分组后针对不同源特征分别使用不同的核函数映射,组合成多核SVM。将多核SVM转化为半定规划问题,求解多核SVM的核函数权值系数。在训练样本的选择方面采用主动反馈学习方法最终得到稳定的样本模型。实验结果表明,与传统的基于单核SVM相比,该方法具有更好的检测性能。     

SAR目标多尺度概率密度估计与识别

针对SAR目标识别问题,提出了一种基于核非线性映射的SAR目标多尺度概率密度特征的估计方法,并利用该特征进行目标识别。首先将SAR目标图像在多尺度域中分解,按一定规则建立多尺度根矢量;将多尺度根矢量经非线性映射到另一空间中,在该空间中利用基于核函数的技术结合parzen窗非参数估计得到概率密度函数。通过这一途径得到的多尺度概率密度分布挖掘了目标散射在尺度之间的相互关系,分布特征之间的相对熵测度可以用与目标分类识别。以MSTAR实测SAR目标数据集进行了多尺度概率密度估计和目标识别试验和分析,试验结果表明了提出方法的有效性。