数据的多流形结构分析与研究

结合现实中数据表现出复杂的多流形特点,对多流形假设下的学习算法进行了研究。利用多种聚类算法对不同类型的数据进行聚类分析,得出每种数据类型下的最优聚类方法。仿真结果表明,采用规范化切割谱聚类方法可将独立子空间高维数据成功分类;SSC算法对线性子空间聚类效果表现最佳;引入LLE的Ncut聚类算法和SMMC算法对于非线性数据的多流形聚类具有较好的效果;SSC算法和SMR算法对高维子空间聚类问题表现出较好的适用性。     

蚁群聚类神经网络的耳语音声调识别

提出了一种基于蚁群聚类神经网络的汉语耳语音声调识别方法.根据耳语音发音特点,以听神经平均发放率、幅值包络、共振峰、声道长度等构成的多维矢量描述声调特征,采用蚁群聚类算法将多维特征矢量聚类后,送入局部有监督特征映射神经网络进行声调识别.这一方法通过对特征参数的聚类压缩了神经网络的输入神经元数目,因而可以有效避免在大数据条件下神经网络不易收敛及速度慢的问题.对多人耳语音声调的识别实验显示,采用蚁群聚类神经网络的耳语音声调识别方法与传统方法相比,性能明显提高,平均正识率达到87.5%.     

基于基因表达数据双向聚类算法的研究

基因组数据的聚类分析,可以从多个数据集中识别与特定的生物学表型相关联的基因。传统的聚类方法仅进行单向聚类,即仅对基因表达谱的特征(基因)或样本进行聚类,没有考虑基因与样本的关联性。针对基因表达数据提出了一种新的无监督双向聚类算法,同时对基因和样本进行聚类。对已提出的聚类性能评价指标进行了改进,利用改进的指标确定双向聚类算法最优的聚类个数。将该方法分别应用到乳腺癌和青少年类风湿性关节炎基因表达数据中,结果显示,与传统方法相比,本方法具有较好的聚类效果。     

基于局部密度估计的聚类个数确定研究

随着人工智能和数据挖掘技术的兴起,聚类分析已被广泛应用于通信、文本数据统计、生物信息学和图像处理中。对于非监督聚类分析,聚类的分类数目是决定聚类质量的关键因素。通常聚类个数事先无法确定,随即选择的初始聚类中心容易使聚类结果不稳定。针对此,基于聚类中心具有高局部密度且距高局部密度聚类中心距离较远的特点,提出一种基于局部密度估计的聚类个数的估计方法。经过仿真实验,验证了该算法具有良好的有效性和鲁棒性。     

基于稳定稀疏主成分的基因表达数据聚类分析方法

通过对基因表达数据的聚类分析能够较快地发现肿瘤细胞,较为准确快速地诊断疾病。本文在稀疏主成分的基础上,研究了基于稳定稀疏主成分的基因表达数据聚类分析方法的问题。改进的方法主要应用于解决稀疏主成分的Lasso方法在高维度中缺乏变量选择的一致性。使用直接聚类、主成分聚类、稀疏主成分、稳定稀疏主成分四种聚类方法对2个基因表达数据进行K均值聚类和层次聚类,比较方法的准确率,验证了基于稳定稀疏主成分的基因表达数据的聚类分析方法的准确度更高。     

聚类分析算法研究

聚类分析是数据挖掘的重要的组成部分,已经广泛应用于模式识别、电子商务、图像处理等领域。本文对几种主要的聚类及孤立点检测方法进行了分析研究,介绍了各种聚类方法的优缺点,并对聚类研究进行了总结。     

自底向上粗集神经网络建模方法

提出了一种基于自底向上方式构造模糊粗糙数据模型并实现粗集神经网络建模的方法,该方法通过自适应G-K聚类算法,实现输入论域空间的模糊划分,在基于聚类数和约简属性搜索的基础上,提取优化的模糊粗糙数据模型,在此基础上融合神经网络实现粗集神经网络建模.对Brodatz纹理图像的实验表明,该方法性能优于传统的贝叶斯和LVQ方法,和传统的粗逻辑神经网络RLNN相比,该方法建立的神经网络结构精简,收敛速度快,具有更强的泛化能力.     

基于Kohonen聚类小波包分解和ELM的短期电力负荷预测

提出基于Kohonen聚类、小波包分解和极限学习机的短期电力负荷组合预测方法.考虑到电力负荷具有一定周期相似性,经过Kohonen神经网络的聚类分析能确定与待预测日具有类似特性的负荷相似日;利用双正交小波对负荷数据进行分解,得到不同的频率分量分别送入ELM网络进行预测;最后将所得的不同频带中的待预测负荷分量组合,即为最终负荷预测值.经仿真实验表明,较传统单一的神经网络算法,该方法在预测精度和运算时间等方面均颇有提升,具有一定的实用性.     

图形聚类算法的代谢网络模块化分析

代谢网络的研究是当今生物学研究中的新热点,使用图形聚类算法对代谢网络进行分析研究是一个有力的手段.文中提出了用图形聚类方法挖掘复杂代谢网络中蕴含的功能信息并进行模块相似性分析的方法,从系统生物学角度揭示光合作用的进化.介绍了马尔可夫聚类算法和模拟退火聚类算法两种图形聚类方法;给出了两种方法对叶绿体和蓝细菌的代谢网络进行聚类的结果;定义了模块相似度评价指标,挖掘叶绿体和蓝细菌间保守的功能模块,并对其网络结构进行了比较分析.     

改进的DBSCAN空间聚类算法研究

DBSCAN算法是一种基于密度的空间数据聚类方法,聚类速度快,且能够有效处理噪声点和发现任意形状的空间聚类．但是数据量大时要求较大的内存支持和IO消耗,当空间聚类的密度不均匀,聚类间距离相差很大时,聚类质量较差．本文在DBSCAN算法的基础上提出一个划分不同密度分别聚类的算法．测试结果表明可以改善聚类效果．     

神经网络在车辆目标识别中的应用

提出了利用神经网络技术对战场侦察雷达目标回波的时域或频域信号进行处理,以实现对车辆目标进行分类识别的一种新算法.首先对目标的回波信号作时域或频域分析,从中提取信号的特征向量,然后利用所建立的神经网络模型对目标信号作训练识别,最后与经典谱分析的方法作比较,并采用实际数据验证这种识别算法是有效的.     

一种大规模高维数据集的高效聚类算法

大规模高维数据集的聚类算法已成为当前聚类研究的热点,由于高维的原因,聚类往往隐藏在数据空间的某些子空间中,传统的聚类算法无法获得有意义的聚类结果.此外,高维数据中含有的大量的随机噪声也会带来额外的效率问题.为了解决以上问题,该文在CLIQUE算法的基础上提出了一种基于最优区间分割和数据集划分的聚类算法—OpCluster,并使用仿真数据对该算法加以验证,实验结果表明,OpCluster对大规模高维数据集具有很好的聚类效果.     

基于密度峰值剪枝后的最短路径聚类算法

聚类是通过数据标签或者属性,将一系列经验数据按照相似性或者相近性进行归类.基于密度属性展开的聚类算法,主要聚焦在聚类中心的确定和剩余点如何分配的问题上展开讨论.针对基于密度峰值的可训练最短路径算法,通过密度峰值确定聚类中心,提出使用截断阈值、对路径图进行剪枝的算法改进.然后基于最短路径法对剩余点进行全局分配.实验结果证明,在保持聚类精度的同时,有效地提升了算法执行效率.     

一种基于BC RBFNN的高填路堤地基沉降预测模型

针对高填路堤地基沉降难以预测这一技术难题,对其影响地基沉降的主要因素进行了分析,根据各因素之间存在的高度非线性, 结合BCRBFNN（基于聚类分析径向基函数神经网络）非线性拟合的特点, 提出一种基于BCRBNN模型对高填方地基沉降进行预测.运用施工期路基沉降实测资料,对神经网络模型进行学习、训练和仿真, 得出仿真值与实测值非常相似, 从而得出基于BCRBFNN模型在高填路堤地基沉降预测中具有很好的实用效率.     

基于加权特征的无监督模糊聚类入侵检测研究

鉴于网络入侵检测数据样本特征属性的异构性及贡献率不同,提出一种加权特征的异构数据相似性度量法来反应网络数据样本间的相似程度.针对基于模糊C-均值聚类的网络入侵检测算法聚类数目难以确定的问题,提出了一种自动确定最佳聚类数的无监督模糊聚类入侵检测算法.通过KDDcup1999数据集的仿真对比实验,结果表明本文算法能找到最佳...     

基于傅立叶基神经网络的传感器非线性补偿方法

针对热敏电阻温度传感器应用中存在的非线性问题,提出了以神经网络为补偿环节,结合传感器构成的一种非线性补偿模型.基本思想是采用傅立叶基神经网络,以传感器的输出作为神经网络的输入样本,传感器的输入温度为神经网络的期望输出,通过调整神经网络权值使神经网络的输出与期望值近似,实现温度测量的非线性补偿.结果表明该方法有效提高了精度,是一种有效的传感器非线性补偿方法.     

基于RBF神经网络重构模糊PID控制器的研究

尽管模糊PID控制器具有良好的控制品质,但存在计算复杂和实时性差的问题,为了解决这个问题.利用1LBF神经网络逼近能力重构模糊PID控制器,由于重构的RBF神经网络的并行计算能力,这简化了计算复杂性并提高实时性.通过选择不同的给定信号,比较模糊PID控制器和重构的RBF神经网络的控制性能.得到两者的控制效果是相当的.说明重构的RBF神经网络可以取代模糊PID控制器,从而减少了计算复杂性.避免维度灾难并改善控制实时性.     

基于相似日的神经网络短期负荷预测方法

对于受不确定因素影响的短期电力负荷,提出了一种基于相似日的神经网络预测方法。设计了一个规范化的相关因素映射数据表,应用聚类分析方法描述由于相关因素的不同而导致的待预测日与历史日之间的差异程度,选用日特征量相同或相近的历史负荷数据作为神经网络的输入元素进行预测。用该方法选取相似日可以较多的考虑各种因素,因此,具有较高的预测精度。     

基于流程时间矩阵的单元化制造系统设计

近几年来,单元化制造系统(CMS)作为一种由于能满足不同客户需求、缩短产品生产周期、提高企业的全球竞争力的先进制造组织模式而备受关注。本文提出了一种新的矩阵聚类方法（HERBAL）设计制造单元,并探讨了该方法与其它聚类方法如ROC、ROC2、DCA等方法在成组效率、成组功效等评价指标上的优劣,证明了该方法的可行性和高效率。同时该方法中的设备_零件矩阵（MCM）中的二元值元素,采用反映实际生产中的流程时间替代,可使聚类结果更符合实际的生产需求。