自适应相似图联合优化的多视图聚类

相比于单一视图学习,多视图学习往往可以获得学习对象更全面的信息,因而在无监督学习领域,多视图聚类受到了研究者的极大关注,其中基于图的多视图聚类,近年来取得了很大的研究进展.基于图的多视图聚类一般是先从各个视图原始数据学习相似图,再进行视图间相似图的融合来获得最终聚类结果,因此,多视图聚类的效果是由相似图质量和相似图融合方法共同决定的.然而,现有基于图的多视图聚类方法几乎都聚焦在视图间相似图的融合方法研究上,而缺乏对相似图本身质量的关注.这些方法大多数都是孤立地从各视图的原始数据中学习相似图,并且在后续图融合过程中保持相似图不变.这样得到的相似图不可避免地包含噪声和冗余信息,进而影响后续的图融合和聚类.而少量考虑相似图质量的研究,要么相似图构造和图融合过程是直接联立迭代的,要么在预定义相似图过程中提前利用秩约束进一步初始化,要么就是利用相似图存在的一些底层结构来获取融合图的.这些方法对相似图本身改进很小,最终聚类性能提升也十分有限.同时现有基于图的多视图聚类流程也缺乏对各视图间一致性和不一致性的综合考虑,这也会严重影响最终的多视图聚类性能.为了避免低质量预定义相似图对聚类结果的不利影响以及综合考虑视图间一致性与不一致性来提升最终聚类效果,本文提出了一种自适应相似图联合优化的多视图聚类方法.首先通过Hadamard积来获得视图间高质量一致性部分信息,再将每个预定义相似图和这部分信息对标,重构各个视图的预设相似图.这个过程强化了各视图间的一致性部分,弱化了不一致性部分.其次设计了相似图重构改进和图融合联合迭代优化框架,实现了相似图的自适应改进,最终达到相似图和聚类结果共同提升的效果.该方法将相似图改进过程与图融合过程联合起来进行自适应迭代优化,并且在迭代优化中不断强化各视图间的一致性,弱化视图间的不一致性.此外,本文的方法也集成了现有多视图聚类方法的一些优点,自加权以及无需额外聚类步骤等.在九个基准数据集上与八个对比方法的实验验证了本文方法的有效性与优越性.

㶲耗散法对数控加工刀具路径能耗评估研究

针对数控加工中不同刀具路径加工的能耗问题进行研究,基于㶲(yòng)分析理论提出了一种㶲(yòng)耗散方法,对不同刀具路径加工进行能耗的评估;㶲耗散方法通过对加工过程中的切削热、切削液、机床待机、刀具切削磨损、压缩空气等能耗源进行分析,并对各个能耗源进行数学建模,计算不同刀具路径加工情况下的能耗,通过比较不同刀具路径加工能耗的大小,在保证加工质量的前提下选择能耗较少的刀具路径,达到节能目的;最后分别使用三种不同的刀具路径对曲面进行加工实验,通过实验结果证明:实际加工的能耗与㶲耗散法评估的能耗一致,等间距环形刀具路径比往复刀具路径的总㶲能耗降低了10.93%,等间距环形刀具路径比斜45°刀具路径的总㶲能耗降低了15.24%,说明㶲耗散法评估刀具路径加工能耗是可行的;创新点在于提出了㶲耗散法,通过㶲耗散把电能和物料能等不同类型的能量转化为同一形式进行计算,使能耗评估更加全面。

基于邻域量化容差关系粗糙集模型的特征选择算法

数值型不完备信息系统的特征选择方法大多是以容差关系为基础,但是这种处理方式存在数据相似性刻画过于宽松的缺陷.文中提出邻域量化容差关系的粗糙集模型,在该模型的基础上定义邻域量化容差条件熵,分析相关性质,根据邻域量化容差条件熵的单调性构造相应的特征选择算法.实验表明,文中算法在特征选择结果、运行时间和分类精度方面具有优越性.

基于自适应邻域空间粗糙集模型的直觉模糊熵特征选择

特征选择是数据预处理中一项很重要的技术,主要从原始数据集的特征中选出一些最有效的特征以降低数据集的维度,从而提高学习算法性能.目前基于邻域粗糙集模型的特征选择算法中,由于没有考虑数据分布不均的问题,对象的邻域存在一定的缺陷.为了解决这个问题,采用方差来度量数据的分布情况,重新定义二元邻域空间,基于此提出自适应二元邻域空间的粗糙集模型,并将该模型与邻域直觉模糊熵结合作为特征评估的方式,进而构造相应的特征选择算法.UCI实验结果表明:所提出的算法能够选出更小且具有更高分类精度的特征子集,同时算法拥有更少的时间消耗.因此所提的特征选择算法具有更强的优越性.

不完备邻域粗糙集的不确定性度量和属性约简

针对现有的属性约简算法不适合处理数值型属性和符号型属性共同存在的不完备数据,提出了一种拓展不完备邻域粗糙集模型。首先,通过考虑属性值的概率分布来定义缺失属性值之间的距离,可以度量具有混合属性的不完备数据;其次,定义了邻域混合熵来评价属性约简的质量,分析证明了相关的性质定理,并构造了一种基于邻域混合熵的不完备邻域粗糙集属性约简算法;最后从UCI数据集中选取了7组数据进行实验,并分别与基于依赖度的属性约简(ARD)、基于邻域条件熵的属性约简(ARCE)、基于邻域组合测度的属性约简(ARNCM)算法进行了比较。理论分析和实验结果表明,所提算法约简属性比ARD、ARCE、ARNCM分别减少了约1,7,0个,所提算法的分类精度比ARD、ARCE、ARNCM分别提高了约2.5,2.1,0.8个百分点。所提算法不仅能够获得较少的约简属性,同时具有较高的分类精度。

基于改进邻域粒的模糊熵特征选择算法

特征选择是一项重要的数据预处理技术,其目的是在不降低数据分类精度情形下选择一个特征子集,从而对原数据集达到降维的效果,同时也提高学习算法的性能.在邻域粗糙集模型中,传统方法构造出的对象邻域粒未考虑数据的分布问题,使得邻域粒存在一定的误差.首先通过方差来刻画数据的分布,然后根据数据分布提出一种改进的邻域粒,这种改进的邻域粒能够自适应数据的分布,有着较好的优越性,最后将改进邻域粒与邻域模糊熵结合,提出一种特征重要度的评估方式,并给出对应的特征选择算法.实验结果表明,新提出的特征选择算法在特征选择结果、时间消耗和特征子集的分类精度方面都更具一定的优越性.

不一致邻域粗糙集的不确定性度量和属性约简

不确定性度量和属性约简是邻域粗糙集模型中重要的研究内容.针对目前已有的粗糙集不确定性度量方法难以应用于邻域粗糙集中,同时考虑到现有属性约简算法中很少考虑条件属性之间的关系也会影响约简结果和分类精度.首先分析了不一致邻域粗糙集的相关性质,然后提出了邻域条件熵的不确定性度量方法用来评价约简属性的质量,分析证明了相关的性质定理,接着引入统计学中秩相关系数的概念,通过计算条件属性之间的相关系数来剔除冗余属性,构造了基于相关系数的不一致邻域粗糙集属性约简算法(RNRS).最后在UCI数据集上与现有算法进行了比较分析,实验结果表明,本文的算法可以获取较少的属性特征和较高的分类精度.

邻域粗糙集模型的规则提取方法研究

邻域粗糙集是粗糙集理论中一种处理数值型数据的重要模型,而规则提取是数据挖掘中最重要和最关键的环节,由于数值型数据取值连续,目前在邻域粗糙集模型中的规则提取并没有系统化的方法,本文针对这一问题提出一种特殊的决策规则模型,首先通过对象集的形式来定义决策规则的前件,然后通过求取下近似的方法在邻域粗糙集模型中进行决策规则诱导,最后,通过距离度量来给出决策判别的方法.UCI实验结果表明本文提出的模型具有一定的可行性和合理性.

机械制造与人工智能发展结合式教学

机械制造教学与人工智能的发展相互影响,而传统教学理念与方法也在彼此的影响漩涡中面临着同化与淘汰二者之间的抉择。机械制造教学在人工智能迭代推动下,面临全新的教学模式和方法的转变。机械制造教学与人工智能发展相互影响的过程中也带来了一些挑战。因此,如何有效地将机械制造教学与人工智能发展相结合,成为了高等教育与新型人才培养的过程中一个难题。

基于决策理论粗糙集的一种新属性约简方法

决策理论粗糙集是一种对噪声数据具有很好容忍效果的粗糙集模型,然而由于该模型正区域的非单调性,因此传统的属性约简无法直接构造.本文将在决策理论粗糙集模型中提出一种新的属性约简方法,首先给出属性约简一种新的定义,即属性约简的正区域必须不小于属性全集的正区域,然后根据这一定义提出了相应的属性约简算法,最后进行一系列的仿真实验,通过属性约简的大小、属性约简集的分类精度以及算法效率三个方法证明了该算法的有效性和优越性.

一种基于邻域容差信息熵的组合度量方法

在实际应用中,大多数信息系统中的数据都是混合的,为了度量混合信息系统的不确定性,本文提出了一种组合度量方法.首先在不完备邻域粗糙集中定义了混合近似精度和混合近似粗糙度的概念;接着考虑到这两种单一度量方法对信息系统不确定性评估的不足,然后,进一步引入邻域容差信息熵的概念;最后将混合近似粗糙度和邻域容差信息熵这两种单一度量进行结合提出一种组合度量方法,并且研究了相关性质.UCI实验结果表明,本文所提出的方法在混合信息系统中具有更好的不确定性度量效果,从而验证了该度量方法具有一定的优越性,并且从理论上也证明了该方法的可行性.

学生成绩分析专家系统的研究与应用

对成绩分析专家系统的实现方法进行初步探讨,针对成绩分析的特点,对领域知识进行分类组织,提出了产生式结合关系数据库的方法表示知识,精简了规则库,同时也使推理机易于实现.经过实践表明,把专家系统理论知识应用于成绩分析领域是可行的,能大大提高工作效率,减少成绩评判的误差.

基于非平衡数据下不完备混合型信息系统的属性约简

完备混合型信息系统下的粗糙集模型是传统粗糙集模型的重要扩展,目前关于非平衡数据属性约简的研究仅限于完备混合型的粗糙集模型。针对这一问题,提出一种基于不完备混合型信息系统的非平衡数据属性约简。本文首先将传统的粗糙集模型进行推广,提出不完备混合型信息系统下的粗糙集模型;然后针对数据的非平衡性,根据上下边界区域和类分布的不均匀性定义了一种新的属性重要度;在基于区别矩阵的基础上设计出一种非平衡数据的属性约简算法。实验分析表明该算法针对不完备非平衡数据的属性约简具有一定的有效性和优越性。

不完备邻域决策粗糙集的最小化代价属性约简算法

目前的决策粗糙集研究主要集中在完备离散型信息系统,很少有对不完备连续型数据进行研究,考虑这一问题,提出一种不完备邻域决策粗糙集模型。首先在不完备连续型数据中引入了不完备邻域关系,然后利用该二元关系对传统的决策粗糙集进行重构,一种称之为不完备邻域决策粗糙集的模型被提出,同时基于决策代价原则,进一步地提出了最小化决策代价的属性约简算法。最后通过实验表明了所提出的算法具有更高的属性约简性能。

基于Isight的铝合金薄壁零件铣削参数优化

铝合金薄壁零件在铣削加工中容易产生变形,而铣削力是影响变形量的主要因素之一,选取某6061铝合金薄壁零件作为研究对象,提出了基于Isight平台的铣削参数优化方法,通过Isight平台中的DOE模块结合ABAQUS有限分析,以主轴转速、铣削深度、铣削宽度三个铣削参数作为因子,开展最优拉丁超立方试验设计方法设计样本点,将样本点数据做为搭建近似模型的输入数据,以铣削力为优化目标,采用了Approximation模块中Kriging近似模型方法,并结合多岛遗传算法对铣削参数与铣削力的Kriging模型进行寻优,研究发现,克里格近似模型准确的拟合出了铣削参数与铣削力的关系,铣削力减小了39.36%,使得主要尺寸由优化前的109.13 mm和58.16 mm减小到了109.04 mm和58.03 mm,优化结果显著,验证了基于Isight解决铣削参数优化问题是可行的。

多粒度粗糙集模型中属性子集序列的构造方法

针对多粒度粗糙集模型中属性子集序列的构造问题,提出一种基于属性间距离的构造方法。该方法首先引入信息系统中属性间距离的概念,并给出距离的定量计算公式;然后根据公式来计算出各个属性之间的距离;最后根据属性之间距离的远近,得到每个属性的邻域属性集,从而构造出一个属性子集序列。实验结果表明,与随机构造的属性子集序列相比,该方法构造的序列对于实验的每个对象类具有更高的近似精度。

一种新型网络流量系统的设计与实现

随着网络技术的不断发展和Internet的普及,网络上的通讯流量日益增加,在这种情况下我们有必要对网络的流量进行统计,而如何有效又精确地对网络流量进行统计,则深深地困扰着网络管理人员。本文给出了一个不同于以往大多数基于网络层的方法,提出了一个基于数据链路层的新的设计思路,并结合一个动态链接库Winpcap来具体实现对网络流量的统计。

量化容差关系的程度多粒度粗糙集模型

多粒度粗糙集是一种重要的多粒度数据挖掘模型。为了对不完备信息系统中等价类重叠部分的定量信息进行挖掘,提出一种多阈值的量化容差关系程度多粒度粗糙集模型。首先将描述等价类重叠信息的程度多粒度粗糙集模型与处理不完备信息系统的量化容差关系进行结合,提出量化容差关系的程度多粒度粗糙集模型,然后在该模型的基础上,为每个粒度设定与数据相适应的阈值,提高了量化容差关系程度多粒度粗糙集模型的灵活性,增加多粒度数据挖掘的性能。UCI数据集的实验结果表明,本文所提出的粗糙集模型具有较好的分类效果和理论的可行性。

基于深度学习的手绘草图识别

现有的手绘草图识别方法严重依赖于费时费力的手工特征提取,而经典的深度学习模型主要是为彩色多纹理自然图像设计,用于识别手绘草图时效果不甚理想。提出一种基于深度学习的手绘草图识别方法(DeepSketch),该算法根据手绘草图缺失颜色、纹理信息的特点,使用大尺寸的首层卷积核取代自然图像识别中常使用的小尺寸首层卷积核,获得更多的空间结构信息。利用训练浅层模型获得的模型参数来初始化深层模型对应层的模型参数,以加快收敛,减少训练时长。加入不改变特征大小的卷积层来加深网络深度等方法以减小错误率。实验结果表明,所提出的方法较之其它几种主流的手绘草图识别方法具有良好的正确率,对250类手绘草图识别正确率达到69.2%。

基于模糊邻域粗糙集的信息系统不确定性度量方法

邻域粗糙集和模糊粗糙集是粗糙集理论中处理数值型数据的两种重要模型.在数值型信息系统中融合两者在不确定性度量方面的优越性,首先引入了模糊邻域粗糙集模型,并在该模型上定义了模糊邻域粗糙度的概念.模糊邻域粗糙度是通过粗糙集的边界域来度量信息系统的不确定性,为了达到更为全面的度量效果,在模糊邻域粗糙集模型中定义了模糊邻域粒结构,并基于该粒结构提出了模糊邻域粒度的概念,模糊邻域粒度是对信息系统分类能力的一种度量.最后,通过将两种度量方法进行结合,提出了一种基于模糊邻域粗糙集的混合不确定性度量方法,并从理论上证明其有效性.实验结果表明,所提出的混合度量方法综合了两种单独度量方法的优点,在数值型信息系统中具有更好的度量效果,因此所提出的不确定性度量方法更具有一定的优越性.