基于非线性主元子空间的故障模式识别方法

针对多元统计过程监控中的故障源识别问题,提出一种非线性主元子空间方法识别故障模式.该方法对不同类型的故障数据进行核主元分析,获得描述数据主要变化的非线性主元子空间,以此为基础构造故障模式分类器.考虑到核主元分析的计算复杂性,提出一种基于特征样本的非线性主元子空间算法,使用基于克隆选择原理的免疫算法提取特征样本用于故障模式识别.在Tennessee Easlxnan过程上的仿真结果说明,非线性子空间方法能够比线性子空间方法更有效的识别故障模式.     

基于预聚类主动半监督的作战体系效能评估

针对作战仿真实验中体系效能通常依靠专家评估、评估代价较大的问题,提出一种基于预聚类主动半监督学习的作战体系效能评估方法。明确了使用该方法进行作战体系效能评估的基本流程,以及自顶向下的评估模式和二值化的评估标准。重点构建了预聚类主动半监督学习算法,首先,结合作战仿真实验数据的特点,对未评估样本进行预聚类,选择最有价值的样本供专家标注;然后,使用已标注的样本训练主动学习算法和半监督学习算法的公用学习器;最后,利用主动学习算法挑选价值较高的样本交由专家评估,并利用新样本对学习器进行不断更新。作战仿真实验数据表明,该方法在达到预期评估准确度的同时降低了评估代价,能有效应用于大规模作战仿真实验的体系效能评估。     

基于Spark的并行图聚类算法研究

对并行图聚类算法进行了研究。基于Spark 提出了一个新的并行图聚类算法；由于Spark 中的top 操作需要耗费大量的内存，提出了一个新算法来替代top 操作，有效减少了所消耗的内存；通过对自底向上的层次聚类算法进行改进提高了聚类的速度；基于图数据的特征提出了一种图数据过滤的方法来减少算法运行的时间以及所占用的空间并对其有效性进行了说明。仿真结果表明，运行效果优于进行比较的其他并行化图聚类算法。     

基于方差波动多重分形特征的金融时间序列聚类

提出了一种新的概率函数计算方法，用于研究金融时间序列在方差波动方面的多重分形特征。在此基础上提出了一种基于多重分形的时间序列聚类算法，该算法能够根据不同的分析目的，灵活地使用不同的概率函数以及序列的多重分形特征参量进行聚类。对上海证券市场实际数据的实验结果表明，本文提出的聚类算法是灵活有效的。     

一种基于自组织特征映射网络的聚类方法

针对传统聚类算法不能有效地处理大数据集和高维数据集的问题,提出了一种基于自组织特征映射网络的聚类方法。该方法能将任意维输入模式在输出层映射成一维或二维离散图形,并保持其拓扑结构不变,而且无需监督,能自动对输入模式进行聚类。给出了应用该方法的具体步骤和加速自组织过程的若干改进方法,通过仿真实验证明该算法的有效性。     

基于聚类求解TVAR模型的目标微多普勒分析

现有时频分析方法对目标进行微多普勒分析时的时频分辨率不足。针对该问题，提出了基于聚类先验求解前后向时变自回归(time-varying autoregressive, TVAR)模型的时频分析算法，来进行空间锥体目标的微多普勒分析。使用基于扩展块稀疏贝叶斯学习(extended block sparse Bayesian learning, EBSBL)的改进算法对TVAR模型的时不变块稀疏系数采用了聚类结构的先验，通过适当处理邻域的超参数来促进相邻稀疏系数之间的相关性，并结合刚体目标的时不变块稀疏系数的块边界已知的先验信息来求解时不变系数。电磁仿真和实测数据实验结果表明，所提算法在微多普勒分析时能够得到较传统方法更高的时频分辨率，时频聚集性更高，并且抗噪声性能较好。     

基于核密度估计的层次聚类算法

聚类分析是统计、模式识别和数据挖掘等领域中一个非常基础且非常重要的研究课题，具有广泛的应用前景。在众多的聚类方法中，基于密度的方法是一种相当有效的聚类方法，能够发现任意形状的聚类，对噪声数据不敏感，但是聚类结果严重依赖于用户参数的合理选择。以DENCLUE算法为基础，一种基于核密度估计的层次聚类算法被提出，该算法首先优选窗宽σ产生较好的核密度估计结果，然后以密度函数的局部极大值点为聚类中心形成数据的初始划分，最后根据密度函数的鞍点递归合并初始聚类产生不同层次的划分模式。理论分析和仿真实验结果显示，该算法能够发现任意形状、大小和密度的聚类，能够有效处理噪声数据，而且聚类结果不依赖于用户参数的仔细选择。     

一种基于量子机制的分类属性数据模糊聚类算法

分类属性数据的样本间的分布不平衡、样本的分布与空间距离无关的特点与量子力学中粒子的分布状态由能量决定、粒子分布具有不平衡性的特点相似.基于此,参照量子聚类QC算法确定聚类中心的聚类策略,重写距离量子势能公式,定义相似性度量测度和相异性度量测度的新概念,提出了针对分类属性数据的量子聚类CQC算法,并对算法的聚类有效性进行了研究,通过同其它几个已有的算法的仿真实验比较,证明该算法是有效的、有一定的可扩展性,算法的一些性能优于已有的其它几个算法.     

基于流形学习降维的决策分析算法

为了有效地分析高维决策表，提出了基于流形学习降维的决策分析算法（decision analysis algorithm based on manifold learning，DAML）. 算法使用等距映射法（ISOMAP）对原始数据做降维处理，在得到的主坐标数据上进行决策分析. 根据核主成分分析法与ISOMAP方法的关系得到主成分与主坐标的转换关系式，并计算原始数据主成分. 提出了基于等价支持子集的决策算法用于计算主成分属性重要性、属性区分能力及等价支持子集. 在得到等价支持子集的基础上抽取决策规则，根据决策规则预测算法预测未知数据. 选取UCI数据库中标准分类数据集作为仿真实验样本，并对比C4.5决策树算法、K最近邻居算法（KNN）与提出的决策规则预测算法在Iris、Breast cancer、Wine、Spectf heart和Ionosphere数据集上的分类精度来验证算法的有效性.     

基于四元数矩阵的谐波信号多参量联合估计

针对许多应用场合中存在的谐波多参量联合估计,提出一种基于四元数理论的谐波多参量联合估计算法。该算法首先通过对原信号模型的变换构造一种新的四元数模型,同时构造该四元数模型自相关函数;然后构造该四元数模型自相关函数的Toeplitz矩阵,并对其进行分析,提出谐波信号多参量估计的核心是充分利用四元数建立信号各参量之间的相互约束,以提高参量估计效果;最后利用四元数右特征值分解方法,构造基于四元数的噪声子空间,用四元数MUSIC方法联合估计原信号的多参量。仿真实验说明该方法在信噪比较低时,较经典方法能更有效提取谐波的多个参量。     

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.     

Face Recognition Based on Support Vector Machine and Nearest Neighbor Classifier

Support vector machine (SVM), as a novel approach in pattern recognition, has demonstrated a success in face detection and face recognition. In this paper, a face recognition approach based on the SVM classifier with the nearest neighbor classifier (NNC) is proposed. The principal component analysis (PCA) is used to reduce the dimension and extract features. Then one-against-all stratedy is used to train the SVM classifiers. At the testing stage, we propose an al-     

基于独立成分分析的时间序列谱聚类方法

为了对时间序列数据进行聚类分析, 提出了一种基于独立成分分析的时间序列多路归一化割谱聚类方法, 并给出了利用独立成分分析对时间序列数据进行特征提取和降维的理论解释. 该方法首先利用独立成分分析对时间序列数据进行特征提取, 然后利用多路归一化割谱聚类方法完成对时间序列特征数据的聚类分析, 从而得到了一种新的基于特征的时间序列聚类方法. 为了验证该方法的可行性和有效性, 将其应用于仿真时间序列数据和实际的股票时间序列数据聚类分析中, 取得了较好的数值结果.     

Incremental clustering algorithm via crossentropy

1.INTRODUCTION Fuzzyclusteringisanunsupervisedwayofdatagrouping andusefulinpatternrecognition,informationretrieval,imageprocessing,faultdetection[1,2].Itgroupsdatainto finiteclustersbyusingsomekindsofmeasuressuchasthe linearandnon lineardistance,theentropymeasure,or inclusiondegreeinfuzzyenvironments.Intermsofthe modelsandmeasuresbetweenobjects,differentalgo rithmspartitiondifferentdatasetsandproduceclusters withdifferentshapesandhavedistinctdifferenceintime andspaceefficiency.Currentclus…     

基于遗传算法的动态聚类方法

针对常规动态聚类方法对初始聚类中心的敏感性以及聚类结果与样本输入次序有关等问题,本文另辟蹊径,提出了一种基于ＧＡ 的动态聚类方法,并将它应用到数据库的数据分析中． 计算结果表明,该方法是一个具有全局最优解的动态聚类方法,其结果明显好于Ｋ－均值聚类算法．     

Fuzzy c-means clustering based on spatial neighborhood information for image segmentation

Fuzzy c-means (FCM) algorithm is one of the most popular methods for image segmentation.However,the standard FCM algorithm is sensitive to noise because of not taking into account the spatial information in the image.An improved FCM algorithm is proposed to improve the antinoise performance of FCM algorithm.The new algorithm is formulated by incorporating the spatial neighborhood information into the membership function for clustering.The distribution statistics of the neighborhood pixels and the prior probability are used to form a new membership function.It is not only effective to remove the noise spots but also can reduce the misclassified pixels.Experimental results indicate that the proposed algorithm is more accurate and robust to noise than the standard FCM algorithm.     

ERBF network with immune clustering

Based on immune clustering and evolutionary programming(EP), a hybrid algorithm to train the RBF network is proposed. An immune fuzzy C-means clustering algorithm (IFCM) is used to adaptively specify the amount and initial positions of the RBF centers according to input data set; then the RBF network is trained with EP that tends to global optima. The application of the hybrid algorithm in multiuser detection problem demonstrates that the RBF network trained with the algorithm has simple network structure with good generalization ability.     

基于成像机理分析的图像混叠去除

去混叠技术是图像处理领域重要的方法之一。目前的去混叠算法多数都是在空间域进行的，因此它们都忽略了这样一个事实，即图像的频域成分混合是产生混叠的根本原因，而其在空间域所造成的视觉失真，仅是一种表现。基于此，提出了一种基于成像机理分析的去混叠算法，改变了现有算法仅从空间域角度解决混叠的现状。该方法在从成像机理角度分析混叠产生原因的基础上，利用分形技术对图像所丢失的高频信息进行了补偿，从而实现混叠去除。实验结果表明，算法不仅能够在空间域上消除混叠给视觉带来的影响，而且能够在频域上，更多的恢复高频成分的信息。     

基于遗传算法的区间数核模糊聚类方法

针对现有区间数聚类算法对多种聚类模式以及不对称数据聚类性能不理想的问题,本文提出了一种基于核方法的区间数模糊聚类算法.该方法通过设计合适的核函数,有效地对非对称数据以及混合模式原型的数据结构进行聚类,同时避免了直接在高维特征空间求解聚类问题.本文采用区间数遗传算法来求取高度非凸聚类优化问题得到聚类问题的全局最优解.仿真实例说明了本文算法的有效性.