基于M-估计单指标模型的变量选择

结合M-估计与Adaptive Lasso方法用于实现单指标模型(SIM)的变量选择.用B-样条基函数逼近联系函数,构造惩罚估计方程.进一步建立并证明了所提变量选择方法具有oracle性质.随机模拟和实例分析验证了所提方法在有限样本时的表现,证实了所提方法的优良性.     

基于Spark的证据邻域粗糙并行分类高效算法

传统邻域分类器因良好的分类性能在分类问题中得到广泛应用.但数据规模和维度的不断增加,提高了邻域分类器的处理难度.为解决这一问题,该文基于Spark实现邻域决策错误率并行属性约简算法,删除数据中的冗余属性,减少数据间的不确定性.该算法能减少分类过程中数据计算时间,提高分类计算效率.邻域分类器在分类决策过程中采用的多数投票...     

基于并行随机存取模型的并行K-means算法

提出了一种基于并行随机存取模型的并行K-Means算法,并对该算法的计算复杂度进行了理论分析。分析结果表明,本文提出的并行K-means算法相对于传统的串行K-Means算法具有近似线性的加速比。采用该算法可以提高聚类分析的效率。     

抗差估计模型的选择

对于抗差估计的研究,主要在构造抗差估计和检验方面作了大量的工作,但在抗差估计模型的选择方面讨论较少。本文主要针对讨论抗差模型的选择,从Akaike准则出发,构造了适于抗差估计模型的AICR准则,并对参数α的选择进行了分析讨论。     

基于邻域分类AUC的属性选择方法

为了提升邻域分类器的分类性能,提出了一种利用邻域AUC作为分类性能度量指标的启发式是属性选择算法.首先,利用邻域分类器得到邻域AUC,然后在此基础上,借助贪心搜索策略,逐步加入使得邻域AUC尽可能大的属性,当邻域AUC不再增大时,算法终止.在7个UCI数据集上的实验结果表明,使用邻域AUC属性选择算法,可以在使用较少属性个数的基础上,有效地提升邻域分类器的分类性能.     

基于并行权重自适应k-邻域算法的图像分类方法

针对现有KNN算法识别率低的问题，提出了一种并行权重自适应k-邻域算法。该方法首先结合多线程技术，并采用分类组合的多个KNN单元进行识别以提高执行效率；其次在分类组合KNN算法中采用深度学习模型对各个类别进行了系数权重自适应设定，进而降低传统KNN和分类组合KNN,由于单纯类别个数的多少进行决策或者通过人为设定类别比例进行决策而引起的分类误差。通过在Fashion MNIST手写数据集进行实验，结果表明：该算法将传统的KNN算法分类正确率提高到97%左右，对实际应用具有一定的价值。     

基于邻域漂移的点云法向估计算法研究

随着三维激光扫描仪的改进和普及,获取三维点云数据的方式越来越方便.法向量作为点云数据不可或缺的属性之一,在诸多算法中具有重要作用.由于受到噪声、离群点、非均匀采样等因素的影响,准确快速估计尖锐特征点的法向量仍然是具有挑战性的.提出基于邻域漂移的点云法向估计算法,实现准确快速地对尖锐特征点的法向进行估计.首先,对当前点的近邻点构造其邻域,所有近邻点所对应的邻域构成候选邻域集.利用协方差分析对候选邻域进行评价,并选取最优邻域用于最终的法向估计.实验结果表明本算法在法向估计的质量上与前沿算法持平,在运行速度上与传统PCA算法相近,可以最大程度兼顾法向质量与计算速度.     

压缩感知中基于坐标下降的稀疏信号恢复

目前利用压缩感知理论来解决稀疏信号的恢复,已经成为了研究的热点之一。为了提高一类坐标下降法在压缩感知中的运行速度和减少其迭代次数,提出了一种新的扫描模式来选择更新的坐标。该扫描模式能够一次选择多个坐标,从而提高算法的效率。试验结果给出了在几种不同的矩阵下,新方法运行时间比之前的单个选择坐标更新的方法要短,并且减少了迭代次数。     

基于极大相容块的邻域粗糙集模型

对于数值型数据而言,邻域粗糙集模型是处理不确定信息的有效工具.现有的邻域粗糙集模型仅关注那些邻域中所有样本都属于同一个决策类的一致性情形,无法利用邻域中与多个决策类相交的边界样本所蕴含的信息.针对邻域粗糙集的这一局限性,将相容关系的极大相容块与邻域粗糙集相结合,选取样本邻域内的最大等价块作为最小的信息粒,通过重新定义邻域粗糙集的上下近似和属性重要度等概念,建立了一种基于极大相容块的邻域粗糙集模型.该模型可在更小的信息粒度下将原来边界样本转化成一致性样本来增大正域.运用前向贪婪策略构建了相应的属性约简算法.在七个公开的UCI数据集上的对比实验验证了提出模型的有效性.     

基于邻域的隶属度覆盖粗糙集模型

通过覆盖粗隶属函数,将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论间的关系.把覆盖粗隶属函数视为论域上的一个特殊模糊集,用它的α-截集和β-强截集的概念,将覆盖粗糙集模型进行推广,提出基于邻域的隶属度的覆盖粗糙集模型,并讨论了其性质.     

基于模糊化邻域系统的模糊粗糙集模型

基于邻域系统的粗糙集模型是Pawlak粗糙集模型的重要推广形式.讨论基于模糊化邻域系统的模糊粗糙集模型，给出模型中模糊粗糙近似算子的构造方法并讨论算子的基本性质.另外，当模糊化邻域系统串行、自反、对称、一元和传递时刻画了相关近似算子的代数结构.     

基于自适应邻域选择的局部线性嵌入算法

为了提高高维数据维数约简的计算效率,基于局部邻域相关的权重与稀疏矩阵,提出了1种改进的局部线性嵌入算法。对于高维数据维数约简的信息量估计,采用了相关维数估计方法来计算一致流形信息量的上界。采用Swiss、Broken swiss、Helix、Twinpeaks和Intersect 5种经典数据集进行实验评估。实验结果显示,与局部线性嵌入算法相比,针对5种经典数据集,该文算法速度分别提高了27.60%、27.51%、27.18%、28.31%和45.28%。     

基于流形弯曲度的有序自适应邻域选择算法

针对传统邻域选择方法不能根据流形样本密度和弯曲度合理选择邻域的缺点,提出了一种有序自适应的邻域选择算法.该算法从流形上曲率最小的点开始,以宽度优先的次序不断地处理每个点.对搜索到的数据点,基于流形结构的局部线性特性,利用已有的邻域信息估算其局部切空间,然后通过其邻域边在切空间的投影自适应地选择合适的邻域.实验结果表明:该算法应用于Isomap后,对不同结构的数据集嵌入结果更准确.     

基于局部邻域嵌入的无监督特征选择

机器学习中,特征选择可以有效降低数据维度.考虑到流形学习能够保持原始数据的几何结构,l_(2,1)范数能够防止过拟合,提升模型的泛化能力,将二者结合起来可以提高特征选择的效果和效率.结合局部邻域嵌入(LNE)算法和l_(2,1)范数,提出一种新的无监督特征选择方法.其主要思想是:首先利用数据样本和邻域间的距离以及重构系数构造相似矩阵;其次构建低维空间并结合l_(2,1)范数进行稀疏回归;最后计算每个特征的重要性并选出最优特征子集.实验通过与几种典型的特征选择算法做对比,验证了所提算法的有效性.     

基于属性坐标的文本信息检索模型

文本和用户查询用属性坐标表示,以交点与查询重心点的距离确定为文本与查询间的相似度进行计算,利用相关性反馈技术调整检索策略,得到一个基于属性坐标的文本信息检索模型.实验表明,该模型的检索方法可行,检索效果较好.     

GBVE-指数模型结构可靠度估计

设二元随机变量(X,Y)的联合生存函数为F(x,y)=exp{-[(x/θ1)1/8+(y/θ2)1/8]8},0＜x,y＜∞,0＜δ≤1,0＜θ1,θ2＜∞,把它称作GBVE (θ1,θ2,δ).考虑串联系统两元件的应力服从GBVE (θ1,θ2,δ),强度服从指数分布的应力一强度模型,分别在应力参数和强度参数未知的...     

基于邻域粗糙模型的次优决策表约简算法

在度量空间基础上,通过将邻域粒化重新定义了上近似、下近似的概念;根据蚂蚁算法的思想,定义了求解邻域决策表的约简算法(ACSR);根据实验分析,得出了一个求解δ算子的公式。     

基于自组织邻域结构的微粒群算法

通过构建自组织邻域结构来保持群体多样性,以克服微粒群算法(PSO)易局部收敛的缺点.模拟动物群体趋利避害的行为选择机制,以微粒的适应值择优建立自组织邻域结构的连接.实验结果表明,基于自组织邻域结构的微粒群算法(SONPSO)优于微粒群算法、基于环形结构和动态环形结构的微粒群算法.     

线性空间的邻域结构

A·kos Csa′sza′r在[1]中先赋予非空集合一个邻域结构,在此基础上定义了与从开集公理体系导入的拓扑等价的拓扑结构,由邻域结构确定了一类较拓扑空间更为广泛的空间对象——邻域空间[1]。本文在线性空间中赋予相容的邻域结构,推广了拓扑线性空间的概念,讨论了邻域线性空间的一些初步性质。此外,由于定义相容的加法和数乘运算的需要,还引入了邻域空间的乘积和乘积邻域结构的概念。     

基于增强邻域结构方向信息的图像去噪算法

文章针对传统的非局部均值算法只关注图像几何结构信息而忽略图像的方向结构信息,提出了一种基于增强邻域结构方向信息的非局部均值算法。通过增强邻域结构方向信息能够更加合理地描述邻域间的相似度,使相似度高的邻域获得更高的权重,相似性度量也具有较强的鲁棒性。实验结果表明,算法能够取得很好的去噪效果,同时能够保留图像的边缘结构信息,特别在结构比较复杂的区域体现得更加明显。