基于对偶理论的本体稀疏向量学习算法

作为一种语义计算和结构化信息存储模型,本体已被广泛应用于生物、物理、地理信息系统等多个领域.在本体学习算法中,本体图顶点所对应的概念信息用一个多维向量来表示.但在大部分应用背景下,顶点之间的相似度取决于少部分分量.基于对偶理论得到本体稀疏向量的计算方法,将该算法应用于数学本体和大学本体,通过P@N准备率来说明算法的效率.     

本体稀疏向量迭代计算算法

用机器学习方法得到本体函数时,需要将每个本体概念所对应的信息用一个p维向量来表示。在很多应用背景下,由于p值很大而导致计算量庞大。通过稀疏向量的学习来得到本体函数,利用块方法设计一种迭代计算算法进而得到稀疏向量。将该算法应用于生物基因GO本体和物理教育本体,并将实验结果与已有算法的结果作对比,验证了算法在生物基因领域的相似度计算和在物理教育学领域建立本体映射上有较高的效率。     

基于惩罚似然优化模型的本体稀疏向量计算算法

通过稀疏向量的学习来得到本体函数,利用方向导数计算来得到惩罚似然优化模型的最优解,进而得到本体稀疏向量.将该算法应用于植物学领域PO本体和仿生机器人领域本体,同时将实验结果与已有算法的结果作对比,结果表明本算法对植物学领域的相似度计算和仿生机器人领域本体映射的建立有较高的效率.     

本体稀疏向量衰减迭代计算策略

在生物学和医学等领域的工程应用中,往往涉及海量数据的处理和计算.在此背景下,稀疏向量学习算法被引入到这些计算中,旨在提取重要的特性信息,减少计算量.随着本体在基因学等领域的广泛应用,发现本体概念数学化后,其对应向量的维度会异常的高,再加上本体图庞大的规模使得计算量大大增加.出于有效解答此类工程计算问题的需要,考虑本体框架下的稀疏向量学习优化算法.用分解本体稀疏向量的方法得到可求导的新优化模型,通过核参数γ递减过程中断点的估计,以及衰减率的调节得到对应的本体稀疏向量迭代求解算法.通过实验验证了新算法可用于本体相似度计算和本体映射的构建.     

支持向量机的凸优化求解

支持向量机(SVM)是一种基于统计学习理论的机器学习方法,由于其优越的学习性能,已经成为当前模式识别、数据挖掘、大数据处理等机器学习领域的研究热点.查阅相关同类文章,发现其中对SVM理论中公式,如距离函数d、拉格朗日函数L(w,b,α)、二次凸优化函数f(x)等的来龙去脉缺少细致的阐述.本文对SVM理论中典型的线性最优二分类问题的求解进行了完整的推导,并给出了对岩屑岩性分类识别的结果,也为今后的非线性多类模式分解作出铺垫.     

成对排序本体学习算法

本体作为一种结构化数据模型已广泛应用于知识表示和信息处理,并成为近几年计算机领域的研究热点.提出基于成对排序学习方法的本体相似度计算和本体映射算法,利用Mahalanobis距离函数得到计算模型,通过梯度下降策略得到模型的最优解,从而将本体图或多本体图中的顶点对映射成实数来表示它们的相似程度.通过两个实验表明,新算法对特定的应用领域具有较高的效率.     

广义凸向量优化的Benson真有效性

在拟锥次类凸假设下,研究了局部凸Hausdorff拓扑向量空间中拟锥次类凸映射的向量优化问题。建立了向量优化的Benson真有效解和相应的标量化问题的最优解之间的关系,以及和相应的无约束向量极小化问题的Benson真有效解之间的关系。结果表明:第一,在一定条件下,向量优化的Benson真有效解与其相应的标量化问题的最优解等价;第二,在一定条件下,向量优化的Benson真有效解是其相应的无约束向量极小化问题的Benson真有效解。     

参数广义凸向量优化的最优性充分条件

在Banach空间中,定义了含参变数的映射的Adjacent导数及不变类凸、拟不变类凸和伪不变类凸.给出了参变数优化问题的向量Lagrange函数和向量Kuhn-Tucker条件.提出了参数优化问题的几个最优性充分条件.     

弱凸向量优化问题的最优性条件

在单目标优化问题全局最优性条件的基础上, 利用抽象微分研究弱凸向量优化问题的最优性条件.     

本体学习算法的RO稳定性

主要研究了本体学习算法在替换一个样本点(RO)情况下的稳定性.定义多个本体学习算法的稳定性相关概念并得到它们之间的相互关系.另外结果还显示RO稳定性是本体学习算法的充分必要条件.     

稀疏网络的Floyd动态优化算法

通过对Floyd算法进行研究,提出了一种新的求取任意两点间最短路径的算法:Floyd动态优化算法.该算法通过引入插入数组、可达数组以及可发数组,使得算法在求解最短路径前自动修改能够最小化路径的节点,剔除一些无用的节点,最小化语句执行的次数.算法分析表明,新算法在稀疏网络中比Floyd算法在性能上有较大的提高.     

凸向量优化问题弱有效解集的连通性

研究向量优化问题解集的连通性。利用标量化方法,讨论了无界闭凸集上凸向量优化问题弱有效解集的连通性。在向量值函数为锥下半连续、锥凸时,运用极锥的紧凸基的连通性,证明了解集映射是上半连续映射,从而得到解集的连通性;在向量值函数为锥下半连续、锥严格凸时,得到了凸向量优化问题弱有效解集的道路连通性;得到了复合多目标规划问题的弱有效解集与仿射向量变分不等式问题弱有效解集的连通性。     

近似凸锥多元函数和向量优化问题

引入多元函数(集值映射)的广义凸性,利用广义凸性建立一个替换定理,并证明了在某些假设下,近似凸目标约束的向量优化问题中的弱有效解能用定义在适当情形下的鞍点来表示.     

选择粗化函数优化并行稀疏矩阵向量乘法

 讨论了如何分划稀疏矩阵的非零元素以减少并行矩阵向量乘法的通信代价。通过以粗化函数为工具,统一现有的数据分划方法;提出一种基于行列分划为初解的粗化函数选取方法,在理论上的证明其运行效率与分划质量不逊于一维数据分划方法;实验数据表明,该方法产生分划质量超过一维数据分划方法的结果,接近甚至超过二维细粒度方上法的结果。     

MIMO-SDMA系统权向量优化算法

提出了一种基于符号抵消的多用户MIMO系统发送和接收权向量联合优化算法,使用这些权向量不但可以实现多用户的传输数据分离,还可以改善系统的误码率性能,并使信道容量最大化．模拟结果表明,相比较其他3种算法而言,使用本算法的MIMO-SDMA系统拥有最佳性能。     

基于数据挖掘的本体关系学习算法

如何确定概念间语义关系的存在性和如何确定概念间的关系类型是本体关系学习的两个基本问题.现有的本体关系学习算法常常区分出不同类型的语义关系,使用不同的策略来获取概念间的各类关系,影响了算法的效率.提出一种基于数据挖掘的本体关系学习算法,运用关联规则挖掘获取概念间的关系,利用聚类分析对概念关系类型进行区分.实验结果证明,算法较好地解决了本体关系学习中的两个基本问题.     

凸组合实时判决反馈稀疏水声信道盲均衡算法

针对高速水声通信信道稀疏特性,提出了一种凸组合实时判决反馈盲均衡算法。将盲均衡器分为保持均衡器支路和稀疏均衡器支路,以保持均衡器能量和权系数的瞬时梯度为判据,对稀疏均衡器支路对应抽头进行实时稀疏化处理。算法中避免设置稀疏化阈值,对不同稀疏水声信道和通信信号具有通用性,且对于时变稀疏水声信道可以利用保持均衡器支路恢复稀疏均衡器支路置零抽头系数,使算法对信道具有较强跟踪和冷启动能力。典型稀疏水声信道条件下的仿真结果证明,凸组合实时判决反馈稀疏水声信道盲均衡算法性能稳健,与全阶判决反馈盲均衡算法相比,计算简单,收敛速度快,稳态剩余误差小,有利于算法在水声通信系统中的推广应用。     

基于优化最小化的加强稀疏性的稀疏信号恢复算法

针对稀疏信号恢复算法对稀疏性约束不强的问题,提出了一种基于加强稀疏性非凸函数的稀疏信号恢复算法.通过分析收缩函数和惩罚函数的关系,提出一种新的具有加强稀疏性的非凸的惩罚函数,利用优化最小化(majorization-minimization,MM)方法构造非凸函数的凸上界,并对目标函数的凸部分和凸上界进行迭代求解,实现了对稀疏信号的加强恢复.相较于现存的基于非凸惩罚函数的稀疏信号恢复算法,本算法具有不受参数干扰和梯度方向包含目标函数非凸部分的优势.将提出的算法应用于稀疏无线信道的估计,仿真结果表明,该算法在噪声环境下可以使用更少的导频,取得更准确的信道估计结果.     

部分生成锥内部凸-锥-凸映射和向量优化问题

在局部凸拓扑向量空间中引入部分生成锥内部凸-锥-凸映射的概念,建立了择一定理。在部分生成锥内部凸-锥-凸映射下,得到了既有等式约束又有不等式约束的向量优化问题弱有效解的最优性必要条件。     

水声通信中稀疏信道均衡算法优化

为应对复杂的水声信道环境,提高信道均衡算法的收敛速度和误码率性能,文中提出了一种零值吸引稀疏控制成比例最小误码率判决反馈均衡算法。该算法在稀疏控制成比例最小误码率判决反馈均衡算法的基础上,通过在目标函数中加入近似l₀范数的稀疏约束,迫使均衡算法在迭代过程中将幅值小的均衡器抽头向零值吸引,以加快均衡算法的初始收敛速度;同时在信道均衡过程中引入锁相环技术,以消除抖动相位噪声带来的影响。传统的锁相环技术都是基于最小均方误差准则的,但现有文献和相关实验仿真已经证明,当系统的均方误差最小时,误码率不一定最小。针对此问题,文中提出了一种基于最小误码率准则的锁相环相位追踪算法,并将其嵌入稀疏均衡算法中。在Matlab平台上,分别在实际采集的静态水声信道和实际时变水声信道条件下进行了实验,结果表明：加入近似l₀范数约束的稀疏控制成比例最小误码率判决反馈均衡算法,在没有时变相位噪声影响下的收敛速度更快;在有时变相位噪声影响的信道条件下,基于最小误码率准则的锁相环相位追踪算法相较于基于最小均方误差准则的锁相环相位追踪算法,收敛速度更快,误码率性能更优。