基于局部线性嵌入的半监督仿射传播聚类算法

针对运用半监督仿射传播聚类算法处理高维数据时聚类精度低和计算量大的问题,提出一种基于局部线性嵌入的半监督仿射传播聚类算法.该算法首先通过LLE算法将高维输入数据集映射到低维空间得到低维数据集,计算低维数据集的相似度矩阵,再用半监督算法调整相似度矩阵,最后用仿射传播聚类算法对低维数据进行聚类分析.仿真结果表明,本文提出的算法与半监督仿射传播聚类算法相比,在处理高维数据时聚类效果更好,精度更高,迭代次数更少.     

基于函数型主成分和星座图的时间序列聚类法

通过构造融合函数型主成分和星座图的时间序列特征提取方法,结合模糊聚类思想得到时间序列聚类的一种算法.实验一在第一次特征提取后,用了五种不同的方法进行对比实验,表明该方法在时间序列聚类上效果良好;实验二将该方法应用在股票时间序列上,可以很好地区分不同行业的股票;实验三用该方法指导短期投资,可以有较好的收益率.     

基于特征相关性的局部线性嵌入算法

由于特征提取是数据挖掘的基础工作,而其质量对挖掘结果有很大影响,为此针对局部线性嵌入(LLE:Locally Linear Embedding)算法并未考虑同一数据的不同特征之间的相关性,不能较好地保留时间信号的主要形态趋势,提出了基于特征相关性的局部线性嵌入(CC-LLE:Local Linear Embedding Algorithm Based on Characteristic Correlation)算法,并应用于轴承故障诊断。针对轴承故障信号周期性特点,该算法在特征提取阶段对数据进行分段操作,选取各分段上的标准偏差作为特征,构造原始数据的特征样本集,从而有效提取鉴别特征。通过在轴承数据集上进行实验验证了该算法在特征提取方面的有效性。     

基于趋势特征聚类的多元相似时间序列的提取

历史相似时间序列的提取在数据挖掘、工业故障检测以及故障根源分析等领域应用非常广泛。针对工业报警系统中异常根源分析方法存在的问题,提出了一种基于趋势特征聚类的多元相似时间序列的提取方法,可以有效地辅助现场工作人员分析关键变量发生异常变化的根源。首先对多元时间序列进行分段线性表示,获得变量的趋势特征信息;然后采用基于密度峰值聚类分析算法对获得的趋势特征在高维空间中聚类,从而实现历史数据的相似性提取;最后可根据关联变量的幅值变化量分析导致主变量发生异常变化的根源变量。数值仿真和实际工业数据案例验证了所提方法的有效性。     

一种自适应局部线性嵌入与谱聚类融合的故障诊断方法

针对数据维数高、非线性且从高维观测空间分析数据模式困难的问题,将改进的流形学习算法引入到数据聚类中,提出了一种结合自适应局部线性嵌入和递归调用规范切融合的新方法.采用自适应局部线性嵌入对原始数据进行非线性降维,应用递归调用规范切对低维空间数据进行聚类,通过对3组UCI标准测试数据集的仿真实验表明,新方法能够将高维数据有效地映射到低维本质空间,克服了传统方法对数据集结构的依赖性,从而显著提高了谱聚类算法分类的准确性和稳定性.同时,对于田纳西-伊斯曼过程的数据实验,表明了该方法对故障模式识别的可行性和有效性.     

一种面向分类的核局部线性嵌入算法

局部线性嵌入算法(LLE)已被广泛运用于模式分类,但它存在两个缺点。首先LLE是一种无监督学习方法,没有很好地利用类别信息;其次,LLE算法假设数据在局部上的分布是线性的,如数据非线性分布则效果有限。对此,提出了一种解决分类问题的核局部线性嵌入算法。利用KLLE算法的思想寻找样本的内在流形分布,并通过重构误差来判定该样本的类别。所提方法考虑了样本的类别信息,也适合于处理局部非线性分布的数据。在Yale人脸库的实验结果验证了其有效性。     

基于时空扩展局部线性嵌入的视频轨迹分析

视频轨迹为视频图像的自动化分析提供了新的工具.为此,提出了基于时空扩展局部线性嵌入的视频轨迹描绘算法.该算法首先将视频片段分割成连续的视频子序列,利用视频子序列的非平凡k近邻来捕获具有时空约束的相似视频序列模式;然后在每个视频子序列与其非平凡k近邻之间构造重构权;最后利用重构权计算视频子序列的低维嵌入向量,从而获得视频...     

小世界邻域优化的局部线性嵌入算法

通过分析稀疏数据或噪声数据,导出局部线性嵌入(LLE)算法出现失效的原因,由此提出了一种基于小世界邻域优化的局部线性嵌入(SLLE)算法.将复杂网络算法引入到流形学习中,利用小世界算法对LLE算法进行数据优化,并以最短路径和局部集群系数作为局部优化参数,解决了数据点不规则时以欧氏空间作为邻域判别标准在构建局部超平面造成嵌入结果扭曲的难题.通过3组标准测试数据集合比较了SLLE、LLE算法,结果表明SLLE算法的计算效果、鲁棒性、非理想数据的降维结果均优于LLE算法,且计算正确率至少提高10%.     

基于多维时间序列形态特征的相似性动态聚类算法

由于时间序列数据具有高维度、动态性等特点,这就导致传统的数据挖掘技术很难有效的对其进行处理,为此,提出了一种基于多维时间序列形态特征的相似性动态聚类算法(similarity dynamical clustering algorithm based on multidimensional shape features for time series,SDCTS).首先,提取多维时间序列的特征点以实现降维,然后,根据多维时间序列的斜率、长度和幅值变化的形态特征定义了一种新的时间序列相似性度量标准,进而提出无需人为给定聚类个数的多维时间序列动态聚类算法.实验结果表明,与其他算法相比,此算法对时间序列具有良好的聚类效果.     

基于支持向量机的局域线性嵌入算法在图像检索中的应用

SVM算法复杂度与样本维数无关,具有的泛化能力强、分类精度高的特点,而LLE是有效的非线性降维方法,本文利用支持向量机(SVM)算法对局域线性嵌入(LLE)算法进行改进,有效地解决了基于内容的图像检索中的高维特征向量的降维问题,实验表明具有较高的查全率和查准率.     

基于主成分分析的河流洪水系统聚类法

进行河流洪水聚类的目的是根据洪水特征的相似程度划分洪水类别,研究同类洪水的规律性以及应对措施.但是,洪水特征选择过多往往会增加计算的复杂程度,同时特征之间的相关性也使得信息大量重叠,导致计算结果失真.为此,提出基于主成分分析的河流洪水系统聚类法.该法首先将所选的洪水特征综合成少数几个不相关的主成分,然后计算出每场洪水在各主成分上的得分值并将该值作为新的洪水特征值,最后根据这些新特征值进行洪水聚类.三门峡水库入库洪水聚类实例证明了该方法的可行性.     

多元时间序列聚类算法分析

为解决高多元时间序列聚类算法的问题,采用了一种基于主元分析方法的多元时间序列聚类分析方法,利用MTS序列的前z个主元与每个簇的代表元素之间的Eros距离,将原有的复杂数据降维.在此基础上通过改进K-means算法对选取的多元时间序列的主元进行聚类分析,最后得到K个MTS聚类.理论分析和实验结果表明该算法能有效解决聚类问题.     

基于判别信息的近邻保持嵌入降维方法

针对传统近邻保持嵌入算法(NPE)侧重保持样本的局部结构,而没有考虑样本类别信息的不足,提出判别局部近邻保持嵌入算法DLNPE.该算法利用样本点的局部结构构造新定义下的类内类间散布矩阵,并以此作为判别信息引入目标函数.在6个真实数据上进行实验,证明了所提算法的有效性.     

基于PCA改进的快速Adaboost算法研究

针对传统的Adaboost算法可能出现在应对较大训练数据集训练时间过长的问题,提出了一种改进的Adaboost算法——PCAdaboost。改进算法利用PCA方法的降维技术,对训练样本特征提取主要成分,去除输入样本特征间的相关性,提高分类精度。同时,从样本阈值搜索角度考虑了特征值等分和特征值空间维数,给出了阈值快速搜索方法。实验结果表明,该算法在UCI数据集上取得较好的效果。     

基于时间序列的铁路客流量预测及票额优化配置

铁路客流量受多因素影响,其时序特征明显,因此,基于平稳时间序列构建客流数据预测模型及单车次多区间票额分配模型,有利于掌握客流动态变化,改善铁路运营压力。实现特征数据抽取系统开发,进行累加、循环、筛选算法等数据预处理;运用多因子方差分析评价多种因素的显著相关性影响,通过ARMA模型进行短时旅客客流量预测,进行模型优化并检验,同时,基于线性规划构建客座率最大化的区间票额分配优化模型。     

一种改进的LLE方法

局部线性嵌入(Locally Linear Embedding,简称LLE)是一种较好的非线性降维方法,这种方法对于位于某种非线性流形上的数据的降维有着比较好的效果.但是这种方法对于其中一个重要参数——近邻个数,太过敏感.文章将另一种非线性降维方法Conformal-Isomap中的一种度量数据之间距离的方法引入到LLE方法中.经过实验发现,新引入的距离对于近邻个数的选择有比较好的效果,可以使得实验的结果对近邻个数的选择不那么敏感.     

基于局部线性嵌入与主成分分析的人脸识别方法

针对主成分分析（PCA）算法对数据进行向量化,破坏初始数据的局部结构信息的缺点,提出了将局部线性嵌入（LLE）与PCA相结合的人脸识别算法。先采用LLE提取的初始数据保留了人脸局部结构信息的低维特征,再利用PCA计算低维数据的主要成分,最后根据各人脸的主要成分之间的欧式距离判断是否匹配。对比实验表明,该算法在明显提升算法效率的同时,保证了较高的识别率。