解决高维INLP和MINLP问题的混沌差分进化算法

为改进差分进化(Differential Evolution,DE)算法的搜索能力,提出一种新的混沌差分进化算法(CGLSDE)﹒首先,该算法利用混沌序列替换DE参数并采用混沌全局搜索算法来改进DE的全局搜索能力;其次,CGLSDE算法还采用了单维和多维的混沌局部搜索来改进DE的局部搜索能力﹒仿真结果表明:CGLSDE算法在解决高维整数非线性规划(INLP)问题和高维混合整数非线性(MINLP)问题上,其性能要好于其它3种混沌差分进化算法﹒     

基于线性规划单纯型法的系统辨识方法

传统的最小二乘辨识算法要求误差为低噪声水平,并且算法计算量大,针对这一问题提出了线性规划单纯型辨识算法.将参数辨识问题转化成线性规划问题;并给出了基于线性规划单纯型法的参数辨识算法.最后给出了仿真结果,验证了算法的有效性.     

蒙特—卡罗方法在随机规划中的应用

提出一个用统计方法即蒙特－卡罗方法解随机线性规划的算法框架。对那些具有高维随机数的情况是一种很有前景的解算方法     

多目标线性规划的模糊折衷算法

通过推广求解多目标线性规划问题的平均算子法,提出了多目标线性规划的模糊折衷算法,证明了多目标线性规划的模糊折衷算法求得的解是有效解.此外,提出了多目标线性规划的两阶段算法,即:若多目标线性规划的模糊折衷算法指定的最小满意度不恰当,则可能会导致交互过程复杂化;若用最小算子法求得的解作为多目标线性规划模糊折衷算法中决策者指定的目标函数最小满意度,则可能使多目标线性规划的模糊折衷算法的计算量减小,另一方面能够弥补最大(最小)算子法求得的解可能为非有效解的不足.此外,用实例验证了多目标线性规划两阶段算法求得的解为有效解.     

一种高维航迹融合协方差交集算法降维实现方法

在互相关性未知的分布式融合系统中,协方差交集算法是一种有效的融合算法,但其在融合高维航迹时存在计算量大、精度低的问题,为此对高维航迹进行了降维处理,把高维航迹的融合变为多组二维航迹的融合,从而得到了一种降维的协方差交集算法(Dimensionality Reduction Intersection Algorithm,DRCI)。理论分析表明该算法能有效降低运算量,仿真实验结果表明,该算法的精度高于协方差交集算法(Covariance Intersection,CI),与Kalman融合算法处于同一水平。     

一种0-1型双层线性规划的分支-定界法

针对上下层变量都是0-1变量的双层线性规划问题,在通过对其模型结构特点研究的基础上,结合双层线性规划问题的定界理论,给出了一种便于求解、结构简单的定界函数和寻找问题全局最优解且基于深度优先的搜索准则,由此提出了一个求解0-1型双层线性规划的分支-定界法.提出的算法具有全局收敛性,并通过算例说明了算法的求解过程.     

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.     

一类模糊线性规划模型的结构元保度算法

针对一类右端系数为模糊的线性规划求解过程中截集的遍历性困难及生产资料信息丢失的问题,在模糊结构元基础上提出了一种保度算法,证明了与利用结构元加权序方法的等价性,将模糊型线性规划问题转化成与之等价的三个经典线性规划进行求解.研究结果表明:算法简化了计算量,同时极大地保留了生产资料的信息量.实例说明了方法的有效性.     

运用改进的线性规划算法求解分片线性方程组

为了提高求解分片线性方程组的线性规划算法的计算效率,提出基于线性规划算法的改进算法。首先找出若干线性区域组成的超立方体,使得方程组函数在此超立方体上表现为凸函数或凹函数,然后在超立方体上求解一次特定的线性规划问题并判断此超立方体是否含有方程组的解。在算例中该算法需要求解的线性规划问题数目仅为线性规划算法的1/4。该算法无需在全部线性区域上求解线性规划,因此相对线性规划算法提高了计算效率,提高程度取决于方程组函数的性质。     

变量有上界的线性规划的对偶单纯形方法

给出变量有上界的线性规划问题的对偶单纯形算法, 该算法包含了一般线性规划问题的对偶单纯形算法, 为解变量有上界的线性规划问题提供了又一种方法.     

基于LLE的彩色图象人脸检测

分析了人脸与非人脸之间的本质区别,提出了运用局部线形嵌入(LLE)的非线性降维方法,解决非线性结构的高维数据(图象)低维表示的问题,实现了高维输入数据点映射到一个全局低维坐标系,同时保留了邻接点之间的空间关系(即高维空间的几何结构).此算法不仅能够有效地发现数据的非线性结构,同时还具有平移、旋转不变性.运用LLE算法对图象进行降维,再对降维后的数据运用支持向量机(SVM)分类器进行人脸和非人脸的分类.实验结果表明,该人脸检测方法测率较高,并且不受姿态、表情和光照的影响.     

KPCA与LTSA融合的转子故障数据集降维算法

针对核主成分分析(kernel principal component analysis,KPCA)和局部切空间排列算法(local tangent space,LTSA)在降维过程中无法兼顾保持数据全局结构特性和局部结构特性的问题,利用核函数的可线性叠加性质,提出一种将KPCA算法与LTSA算法融合的非线性降维算法....     

基于双子空间PCA降维的脑力负荷分类

人类社会至今的飞速发展使得大量体力劳动被机械工程替代,工作者的任务重心也从体力劳动逐渐转变为脑力劳动,对操作者脑力负荷进行实时评估以增强工作效率在当下有着重大意义。目前人类对于脑力负荷评估共有三种方式,有研究表明,采用生物电信号进行脑力负荷分类效果较其余两种方法更客观。但脑电信号经过特征提取后维数极高,所需数据量和运算量巨大,需要对其进行降维。目前降维方面最广泛运用的两种算法为主成分分析（PCA）和线性判别分析（LDA）。针对PCA的非监督性和LDA的特征冗余敏感性,本文提出一种二分类下基于双子空间主成分分析的降维算法,分别对不同类别的训练集数据进行主成分分析,并将所有训练集数据映射到生成的空间中,再次进行PCA-LDA降维,以此提高降维后数据的可分性。实验结果表明,双子空间PCA-LDA降维算法在二分类任务下测试集精度整体高于单子空间PCA-LDA算法,以此为脑力负荷分类领域和高维数据降维领域提供了新思路。     

基于Isomap的SMO算法及在煤与瓦斯突出预测中的应用

煤与瓦斯突出发生的内在机理复杂,突出影响因素与突出事件之间的相关规律具有不确定性、模糊性,使得基于经验的传统预测方法和基于数学建模的统计预测方法的应用受到很大限制.在研究非线性降维等距特征映射和序贯最小优化算法的基础上,提出一种基于等距特征映射的煤与瓦斯突出序贯最小优化算法,该方法改进了样本向量之间的距离度量,用测地距离代替传统的欧式距离,有助于挖掘高维数据内在的几何结构.实例验证表明,该算法能可靠预测煤与瓦斯突出的危险性分类,实验进一步将Isomap和主成分分析的降维结果相比较,结果显示Isomap优于传统的线性降维技术,这说明非线性降维技术在地学数据分析中具有一定的应用潜力.     

基于DDR的字典学习在光照变化人脸识别中的应用

针对光照变化人脸识别中大多数现有的人脸识别算法只能单独实施降维或者字典学习而不能完全利用训练样本判别信息的问题,提出了基于判别性降维的字典学习算法。首先,利用经典的特征提取算法PCA初始化降维投影矩阵;然后,计算字典和系数,通过联合降维与字典学习使得投影矩阵和字典更好地相互拟合;最后,利用迭代算法输出字典和投影矩阵,并利用经l2-范数正则化的分类器完成人脸的识别。在PIE及扩展的YaleB两大人脸数据库上得到了验证了所提算法的有效性及可靠性,实验结果表明,相比几种较为先进的线性表示算法,所提算法在处理光照变化人脸识别时取得了更高的识别率。     

基于降维的堆积降噪自动编码机的表情识别方法

堆积降噪自动编码机是一种典型的深度学习模型,它能够刻画数据丰富的内在信息,具有较强的特征学习能力。基于主成分分析（principal component analysis,PCA）技术和堆积降噪自动编码机（stacked denoising autoen-coders,SDAE）模型,提出一种新的表情识别算法PCA＋SDAE。该算法对人脸图片进行裁剪及归一化等预处理,采用主成分分析技术对人脸特征进行线性降维,再利用堆积降噪自动编码机逐层进行特征学习并同时实现对人脸表情数据的非线性降维,可以得到更好的、维度更低的表情特征,并据此进行表情分类。对PCA＋SDAE算法的仿真测试实验结果表明,其综合性能比其他的基于深度学习模型的表情识别方法更好,同时与传统的非深度学习表情识别方法相比,它具有更高的表情识别正确率。     

一种改进的主成分分析特征抽取算法:YJ-MICPCA

针对主成分分析(PCA)假设数据服从高斯分布的条件以及只能处理特征之间线性关系的不足,提出一种基于Yeo-Johnson变换和最大信息系数(MIC)的PCA特征抽取算法,命名为YJ-MICPCA。通过YeoJohnson变换改善原始数据分布,使其近似服从高斯分布,并将PCA中计算协方差矩阵转化为计算MIC矩阵的平方,使其也能处理特征间存在的非线性关系。以UCI机器学习数据库中的11个数据集为实验对象,采用支持向量机、朴素贝叶斯模型、k近邻算法这3种分类器,比较了YJ-MICPCA与PCA及其他常用非线性降维方法LLE、Isomap、MSD、KPCA的降维效果和分类精度,结果表明YJ-MICPCA总体上优于其他几种算法。     

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LLE和模糊核聚类的语音可视化仿真

根据语音信号的时变特性,提出了一种具有很好分类定位能力的语音可视化方法——局部线性嵌入(LLE)和模糊核聚类相结合的算法.通过利用LLE对提取的语音特征进行非线性降维,然后再利用模糊核聚类算法对其进行聚类分析,即利用Mercer核,将原始空间通过非线性映射到高维特征空间,在高维特征空间中对语音信号特征进行模糊核聚类分析.由于经过了核函数的映射,使原来没有显现的特征突现出来,从而能够更好地支持基于位置的语音可视化.以10名男生和10名女生在实验室环境下的720个语音资料(汉语元音)作为样本进行了试验,试验结果验证了该方法的可行性和有效性.     

Nonparametric Regression Combining Linear Structure

Nonparametric models are popular owing to their flexibility in model building and optimality in estimation. However nonparametric models have the curse of dimensionality and do not use any of the prior information. How to sufficiently mine structure information hidden in the data is still a challenging issue in model building. In this paper, we propose a parametric family of estimators which allows for penalizing deviation from linear structure. The new estimator can automatically capture the linear information underlying regressions function to avoid the curse of dimensionality and offers a smooth choice between the full nonparametric models and parametric models. Besides, the new estimator is the linear estimator when the model has linear structure,and it is the local linear estimator when the model has no linear structure. Compared with the complete nonparametric models, our estimator has smaller bias due to using linear structure information of the data. The new estimator is useful in higher dimensions; the usual nonparametric methods have the curse of dimensionality.Based on the projection framework, the theoretical results give the structure of the new estimator and simulation studies demonstrate the advantages of the new approach.