半监督稀疏近邻保持投影

提出了改进的稀疏子空间学习方法。首先,提出了稀疏近邻相关性重构模型,该模型通过提取样本间的局部信息和标记样本的标签信息,解决了稀疏子空间学习的全局特征导致数据描述不充分的问题;其次,利用半监督技术,引入正则化参数对无标签判别特征和标签判别特征进行特征融合,提高了基于稀疏近邻相关性重构的子空间学习算法的性能。实验结果表明,该方法具有较高的分类性能和识别率,此外,稀疏近邻相关性重构在提取判别信息时具有良好的稳定性。     

一种基于近邻搜索的快速k-近邻分类算法

针对传统快速k 近邻分类算法的缺陷 ,提出了一种基于近邻搜索的快速k 近邻分类算法———超球搜索法。该方法通过对特征空间的预组织 ,使分类在以待分样本为中心的超球内进行 ,有效地缩小了搜索范围。实验结果表明 ,在相同识别率和k值的情况下 ,超球搜索法的识别速度优于基本k 近邻法和传统快速k 近邻算法———及时终止法 ,而且不存在对训练样本搜索顺序敏感性的问题     

基于相异度核空间的支持向量机算法

提出基于相异度核空间的混合流形学习与支持向量机(SVMs)算法用于解决高维数据分类问题. 该算法使用SVMs对流形学习降维后的低维嵌入做分类.通过加常数方法构造了衡量数据点相异度的特征空间. 证明了该特征空间不仅能够衡量数据点之间的相异度,还满足Mercer条件对于支持向量机分类核空间的半正定性的要求. 在仿真实验中,采用UCI机器学习数据库上标准分类数据集为样本. 对比构造的相异度核空间与常用核函数如线性核、多项式核、高斯核在支持向量机分类时的 分类精度来验证有效性和优越性.     

粗糙核k-means聚类算法

通过研究核聚类算法,以及粗糙集,提出了一个新的用于聚类分析的粗糙核聚类方法。通过mercer核映射把输入空间中的样本映射到Hilbert空间,使样本空间中没有显现的特征在特征空间中突现出来,在这种样本差异加大的基础上,结合粗糙集的思想,把样本分别划到相应聚类中心的上、下近似中,上、下近似中的样本按照一定的比例来共同决定新的聚类中心。这样不但聚类精度大大提高,而且算法收敛速度也较快。仿真实验的结果表明该算法的可行性和有效性。     

支持向量机的新分类器算法研究

提出了基于支持向量机(SVM)和决策树(DT)的几种新分类器算法.首先对支持向量机和模糊支持向量机(FSVM)处理多类分类问题的传统算法进行介绍,然后在DT-FSVM和最近邻分类器的基础之上,提出基于样本区域分析(SRA)的混合分类器算法(SRA-DT-FSVM),该算法中样本区域分析的概念被提出.在线性鉴别分析(LDA)的人脸特征空间中,分别对算法FSVM,DT-FSVM,SRA-DT-FSVM以及Binary-DT-SVM进行了全面的性能比较.通过在ORL人脸库上的实验结果表明,提出的新方法是有效的.此外,基于DT的SVM的分类速度获得了较大提高.     

雷达目标识别中的双距离像子空间法

研究分析了双距离像子空间的分类机理,并介绍了所采用的最近邻特征线判别规则。将双距离像子空间与最近邻特征线判别规则相结合的分类器应用于雷达目标距离像识别中。用3种不同类型飞机实测回波数据进行识别研究,结果表明了该方法的有效性。指出了最近邻特征线判别规则的不足之处,即最近邻特征线敏感于特征提取方法。     

基于加权K-近邻法和SVC的雷达辐射源信号识别

为提高支持向量聚类法对分布复杂、不均匀雷达辐射源信号样本聚类的正确率,提出一种结合剪辑近邻法、K-近邻法和支持向量聚类的无监督分类新方法。先采用支持向量聚类对所有未知样本作预分类,再按照一定的剪辑规则剪掉错误类别,最后利用K-近邻法对剪掉的样本按各已知类别不同分布进行加权分类。IRIS数据和辐射源信号聚类实验结果表明,此方法能平衡数据样本各局部分布,获得全局最优聚类分配。     

基于超曲面的多类分类方法

使用支持向量机对非线性可分数据进行分类的基本思想是将样本集映射到一个高维线性空间使其线性可分 .基于 Jordan曲线定理 ,提出了一种通用的基于分类超曲面的分类法 ,它是通过直接构造分类超曲面 ,根据样本点关于分类曲面的围绕数的奇偶性进行分类的一种全新分类判断算法 ,不需作升维变换 ,不需要考虑使用何种核函数 ,而直接地解决非线性分类问题 .对数据分类应用的结果说明 ,基于分类超曲面的多类分类法可以有效地解决非线性数据的分类问题 ,并能够提高分类效率和准确度 .     

基于随机森林的潜在k近邻算法及其在基因表达数据分类中的应用

随机森林被广泛应用于包括癌症诊断在内的生物信息学领域. 从自适应k近邻的角度分析了随机森林的分类机理,分析其存在的信息损失, 据此提出一种新的投票机制,称为基于随机森林的潜在k近邻算法RF-PN,能够充分利用决策树上的OOB样本信息, 显著改善随机森林的分类性能.6个癌症基因表达数据集上的对比实验表明,RF-PN的分类准确率优于原算法.     

基于广义特征值和核函数的非线性盲分离算法

在给出了一种基于广义特征值分解的线性混合信号盲分离方法的基础上,结合核特征空间而给出了一种非线性混合信号盲分离算法。该算法首先将混合信号映射到高维核特征空间,同时构造该核特征空间的一组正交基。其次,通过这组正交基将高维核特征空间的信号映射到参数空间,从而把非线性混合信号盲分离问题转化为参数空间的线性混合信号盲分离问题。在参数空间中,应用基于广义特征值分解的线性混合信号盲分离方法对信号进行分离。该算法具有闭解形式,计算简单,收敛精度较高,稳定性好。仿真结果表明该算法是有效的,具有良好的分离性能。     

基于RCS特征的谐振区舰船目标识别

利用谐振区RCS特征对舰船目标进行识别.深入研究了频率预先优化选择问题,提出了一种新的基于最小分类错误准则的频率选择方法,用以改善目标识别性能.给出了一种基于多类目标假设检验理论的带有拒绝判定目标出现门限的近邻分类器.对五类舰船目标识别的仿真结果表明,新的选频方法显著提高了识别性能;扩展的近邻分类器表现出较为理想的拒判能力.     

核稀疏概念编码算法及在图像表示中的应用

稀疏编码算法是一种常用的图像数据表示方法.为了处理高度非线性分布的数据,文中提出了一种核稀疏概念编码算法,并应用于图像表示.该算法首先对邻域图进行谱分析,提取数据的几何流形结构信息;然后将原始特征空间数据映射到高维特征空间中,利用谱回归在高维特征空间中来计算基向量;最后在高维特征空间中对每个样本逐个进行表示.文中算法不仅能有效地处理非线性结构数据,而且只需求解一个稀疏特征值问题和两个回归问题,计算简单有效.在Yale、ORL和PIE图像库的聚类实验表明,文中算法的准确率和归一化互信息均优于其它几种对比算法.     

CONVERGENCE PROPERTIES OF MULTI-DIMENSIONAL NEAREST NEIGHBOR DENSITY ESTIMATES FOR THE CASE OF GENERAL KERNEL

In this paper we give weaker conditions to ensure the strong uniform consis-tency of multi-dimensional nearest neighbor (N.N.) estimates with non-uniform kernel andobtain the convergence rates of these estimates on an arbitrary bounded set. The ratescan not be improved in some sense. Obviously, the problem of strong convergence rates ata given point is its special case. The range of applications of estimates is extended.     

基于信息熵权的最近邻域数据关联算法

复杂环境下雷达数据关联算法是多目标跟踪领域研究的重难点问题之一。其中,最近邻域算法虽然是一种计算量小、工程易应用的有效数据关联算法,但是存在数据关联正确率不高,滤波结果不够精确和多目标跟踪时易产生错误关联的问题。为改善该算法的数据关联效果,提出了一种最近邻域数据关联算法,通过进一步深度挖掘已知量测信息的熵,按照熵权法分析并确定各自量测指标的权值,再利用权值对最近邻域算法的统计距离关联准则进行优化,从而改善原算法在单目标跟踪中存在的问题。通过仿真实验结果分析得出,该算法相比于原算法具有更高的数据关联正确率、更小的跟踪误差和更快的收敛效果。     

Laplace核函数的衰减系数研究

核函数的衰减系数是影响核函数方法分类性能的重要因素。分析了信号分析理论中关于采样信号的不失真重建问题与Parzen窗函数方法的关系,讨论了核函数残留边带信息量与指定采样频率条件下特征变量的自信息量之间的关系。推导了Laplace核函数在均匀采样条件下的衰减系数的计算公式,分析并给出了非均匀采样情况下衰减系数计算和处理方法。实验结果表明,与传统的基于Gauss核函数的Parzen窗函数法、经典的KNN方法、BP神经网络以及SVM方法相比,提出的Laplace核函数参数设置方法具有较高的总体分类性能。     

SLAM数据关联方法的比较分析

针对同时定位与地图构建中数据关联的效果好坏易受特征状态影响的问题,建立了两种仿真场景,在此基础上布置了不同间隔的特征对,分别采用最近邻算法、连续兼容最近邻算法、联合兼容算法、联合最大可能性算法进行特征关联的比较分析。结果表明：特征间隔对数据关联的结果有很大影响,对于大部分数据关联方法来说,在小的特征间隔时关联结果较差,在大的特征间隔时关联结果较好。结合特征在仿真场景中不同的位置,数据关联方法也各自显示出优劣之处以及在不同特征状态下的适用性。得出的结论将对SLAM中数据关联方法的理解与选择有积极意义。     

A LAW OF THE ITERATED LOGARITHM FOR RANDOM WINDOW-WIDTH KERNEL ESTIMATOR OF A NONPARAMETRIC REGRESSION FUNCTION

In this paper we study the estimation of the regression function.We establish a law ofthe iterated logarithm for the random window-width kernel estimator and,as an application,fora nearest neighbor estimator.These results give sharp pointwise rates of strong consistency ofthese estimators.     

基于可调负载重分配的复杂网络级联失效模型

针对现实网络上的负载重分配规则常常是介于全局分配与最近邻分配、均匀分配与极端非均匀分配的特点, 提出了一种可调负载重分配范围与负载重分配异质性的复杂网络级联失效模型, 并分析了该模型在无标度网络上的级联失效条件. 解析与仿真结果表明, 合理调节负载重分配的范围、负载重分配的异质性可以显著提高复杂网络抵御级联失效的抗毁性.     

Consensus of Flocks under M-Nearest-Neighbor Rules

This paper investigates a class of flocks with an M-nearest-neighbor rule,where each agent’s neighbors are determined according to M nearest agents with M being a given integer,rather than all the agents within a fixed metric distance as in the well-known Vicsek’s model.Such a neighbor rule has been validated by biologists through experiments and the authors will prove that,similar to the Vicsek’s model,such a new neighbor rule can also achieve consensus under some conditions imposed only on the system’s speed and the number M,n,without resorting to any priori connectivity assumptions on the trajectory of the system.In particular,the authors will prove that if the number M is proportional to the population size n,then for any speed v,the system will achieve consensus with large probability if the population size is large enough.