主成分估计的方差最优性

定义了一类新的降维估计类,证明了主成分估计在这类降维估计中具有几种方差最小性。     

等效于奈奎斯特第二准则的传输函数及构造

讨论了满足奈奎斯特第二准则传输函数的等效形式及其构造。首先将依降的概念引入到等效传输函数中，继而论证了依降函数应满足的条件。最后构造了满足奈奎斯特第二准则的等效传输函数。实践表明，该传输函数易于实现且具有良好的时频域特性。     

土坝渗流破坏及处理办法

由于土坝坝身和坝基上，一般都具有一定的透水性，因此在水压力的作用下，渗水现象是不可避免的，通常有正常渗水和异常渗水之分，如渗水从原有导渗排水设施排出，其出逸坡降在允许值内，不引起土体发生渗透破坏的为正常渗水。相反，引起土体渗透破坏的称为危险渗水，对堤坝的安全检验及维修关键是正确的认识正常渗水和异常渗漏，并对异常渗漏采取正确的处理措施。     

随机森林在高光谱遥感数据中降维与分类的应用

高光谱数据的特征数目庞大,而且波段之间存在冗余信息,对高光谱数据进行分类的成本较高,因此需要提取合适的特征达到提高效率的目的.随机森林作为一种热门算法,广泛应用于各种分类、特征选择等问题中,均取得了良好的效果.本文选择北京小汤山农业试验区的OMIS高光谱影像作为研究数据,利用随机森林算法计算每个特征的重要性指标并对其排序,针对面向精度和效率的特征选择策略,使用RF-RFE波段选择方法去除价值低的特征分别得到最佳波段组合,实现高光谱数据降维,进行随机森林、支持向量机分类.实验结果表明随机森林分类精度为72.82%,SVM分类精度为65.21%,随机森林分类器优于SVM,是一种较好的高光谱数据分类器.     

基于全局距离的自适应LLE方法研究及其应用

人体行为识别是人工智能与模式识别领域一个重要的研究方向,具有极广泛的应用前景.近年来应用局部线性嵌入的流行学习方法 LLE进行人体行为识别成为研究热点.但是传统LLE要求采集密集样本点,且要求样本点分布平滑均匀,而人体运动样本数据往往分布稀疏,无法满足LLE对样本点的要求.本文提出的基于全局距离的自适应LLE采用具有全局因子的距离计算方法确定近邻,缩短分布稀疏的样本点的相对距离,使样本点变得紧凑.同时加入全局因子可以使分布距离差异较大,分布不均匀的样本点重新布局,整体变得平滑均匀,有效克服了传统LLE的缺点.另外,该方法改进了传统LLE确定嵌入维度的过程.通过计算输入空间样本欧氏距离与嵌入空间样本欧氏距离的残差来评估嵌入维度,自适应确定人体动作流形的本质维度.改进后的方法应用于光学动作捕捉数据实现人体行为识别,比传统LLE提高了计算性能,并获得了更高的人体行为识别率.     

Multi-label dimensionality reduction and classification with extreme learning machines

In the need of some real applications, such as text categorization and image classification, the multi-label learning gradually becomes a hot research point in recent years. Much attention has been paid to the research of multi-label classification algorithms. Considering the fact that the high dimensionality of the multi-label datasets may cause the curse of dimensionality and wil hamper the classification process, a dimensionality reduction algorithm, named multi-label kernel discriminant analysis （MLKDA）, is proposed to reduce the dimensionality of multi-label datasets. MLKDA, with the kernel trick, processes the multi-label integrally and realizes the nonlinear dimensionality reduction with the idea similar with linear discriminant analysis （LDA）. In the classification process of multi-label data, the extreme learning machine （ELM） is an efficient algorithm in the premise of good accuracy. MLKDA, combined with ELM, shows a good performance in multi-label learning experiments with several datasets. The experiments on both static data and data stream show that MLKDA outperforms multi-label dimensionality reduction via dependence maximization （MDDM） and multi-label linear discriminant analysis （MLDA） in cases of balanced datasets and stronger correlation between tags, and ELM is also a good choice for multi-label classification.     

基于降维观测器的空间扫描镜控制系统设计

空间扫描镜控制系统对可靠度有较高要求,使用降维观测器观测执行电机电枢电流变量代替传感器直接测量电枢电流,设计PID控制器构成控制系统,能够有效提高空间扫描镜控制系统的可靠度.建立被控对象的状态空间模型,设计系统的降维观测器,对以PID为控制算法为基础的控制系统进行仿真实验,并对不含有观测器和含有观测器的扫描镜控制系统进行了可靠度预估.仿真结果表明,扫描镜控制系统采用降维观测器代替传感器仍能保证系统具有较高的扫描精度和良好的稳定裕度,预估结果表明含有观测器的扫描镜控制系统相比于不含有观测器的扫描镜控制系统可靠度显著提高.     

半监督学习方法研究综述

半监督学习存在于现实世界的各个场景中,可在生物化学领域对科学研究产生巨大的作用。在各领域也都有相关具体应用,如病毒毒性预测、网络安全检测、软传感器的应用等。随着机器学习领域的不断突破,目前尚缺乏关于半监督学习方法研究的完整综述。本文首先给出半监督学习的定义并分析了该领域应用过程中存在的挑战;然后梳理分析了半监督学习的四种方法,包括：半监督聚类、降维、回归、分类,并列出了这四种不同方法中比较先进的算法。随后介绍了各算法常见的评价指标（如精确率、召回率和ROC曲线等）,对比了各类半监督学习算法效果,研究发现半监督学习方法都存在高于完全监督学习支持向量机的准确率,其中SSC-EKE算法以绝对优势领先传统的支持向量机经典监督学习算法。最后介绍了半监督学习的实际应用场景,展望了半监督学习的未来研究方向,并对全文进行总结。