一种利用ABP基于可信度迭代的RS码软译码算法

本文研究了自适应置信度传播和分阶统计译码的级联译码算法(ABP-OSD)。然后,我们把ABP-OSD算法和累积对数似然比(ALLR)算法进行结合,提出了一种RS码软译码算法ALLR-ABP-OSD。仿真结果表明,ALLR-ABP-OSD级联算法译码增益有所提高,在RS码译码性能和译码复杂度间取得了较好的折中。

利用自适应半监督决策树的溢油自动识别模型

目前,海面溢油检测分类器大多为监督学习分类器,但是针对特定油进行分类时,标签数据较少,因此监督学习分类器难以获得较好的识别效果。为提升识别准确率,采用了最大相关-最小冗余(mRMR)特征选择方法,同时为了解决标签样本较少的问题,选择自适应的半监督决策树学习模型,对公开的海面溢油样本集在不同的标签样本比例下进行分类实验,在仅有5.0%、7.5%、10.0%、15.0%和20.0%标签样本的情况下,自适应的半监督决策树学习模型的识别准确率,相比监督学习分类模型SVM和决策树的识别准确率,分别平均提升了26.22%和16.22%。实验结果表明,该方法在标签样本较少的情况下实用性较强。

张量学习诱导的多视图谱聚类

现有的方法将通过张量奇异值分解(t-SVD)正则化的低秩表示应用到多视图子空间聚类中,取得了令人印象深刻的聚类性能.然而,它们都具有以下两个共同的缺点:(1)他们专注于探索样本之间的关系以构建表征,然后将其堆叠为张量,其计算复杂度至少为O(n2logn);(2)他们总是直接在整合的表征上运行标准的谱聚类算法,而忽略了不同表征对最终聚类结果的先验知识.为了解决这些问题,本文提出了一种新颖的张量学习诱导的多视图谱聚类(TLIMSC)方法,其中同时探索了空间聚类结构和互补信息.具体来说,该方法将关联样本和簇关系的多视图谱嵌入表示堆叠成张量,计算复杂度最终变为O(n logn).然后,将学习到的带有不同自适应置信度的表征与最终的一致聚类结果联系起来.在五个数据集上的广泛实验证明了TLIMSC所具有的有效性和高效性.