基于多变量自学习与融合策略的多视图聚类算法

随着计算机技术的迅速发展,数据来源实现了多元化,传统的单视图聚类算法已不适用于多源异构数据的处理,因而多视图聚类算法成为一个新的研究热点。虽然研究者们已提出多种多视图聚类算法,但是聚类性能的提高仍需要深入的研究与探索。基于多视图聚类的互补原则和共识原则,为提升聚类性能,如何充分提取视图间的异构与全面信息成为多视图聚类研究的关键。论文给出了一种基于多变量自学习与融合策略的多视图聚类算法(MSFC)。该算法首先进行多变量的自学习,对于所有的视图,依据聚类数目和信息熵理论,获取视图内全局变量、视图内局部变量和视图间变量;之后,将全部的变量通过所提相似性度量函数进行融合;最后通过K-means算法取得最终的聚类结果。在多个数据集上进行对比实验,结果验证了该算法具有良好的聚类性能。

一种快速确定聚类中心的光谱聚类方法

恒星光谱分类是天文数据处理的重要环节,由于天文望远镜的改进与发展,人类已获取海量的光谱数据,在如此大的数据量下,光谱的快速分类识别显得尤为重要。聚类技术是实现目标分类的常用方法之一,而聚类中心点的选择是影响聚类精度和效率的重要因素,基于此提出一种快速确定聚类中心的光谱聚类方法(Fast Determination of Clustering Center)(FDCC).首先预处理提取出给定发射线的置信度信息,将其作为聚类方法的数据,从而实现对光谱数据的降维;计算所有数据的密度和距离,将密度和距离组合成评判值,利用聚类中心的密度高且相互距离远的特点从评判值中找出奇异点;最后利用真正中心点的密度和距离不应相差过大的特点从奇异点中得到聚类中心,再根据聚类中心使用K近邻得到所有的簇。该研究使用LAMOST DR5的光谱数据进行了聚类测试,实验结果表明本文提出的快速确定聚类中心的光谱聚类方法(FDCC)能够有效地减少运行时间,并且较于其他的算法,具有更好的聚类结果。

面临挑战的电信网络──宽带IP技术在电信网络中的应用

本文主要从新技术的发展趋势讨论了电信网络所面临的挑战，宽带IP技术在电信网络中的应用，并且提出了几点建议。

开发运动行为监测干预技术助力实现个性化运动健康

不良生活方式导致的慢性非传染性疾病已经成为全球疾病致死的首要原因,占总疾病负担的70%以上。党的十九大做出了“实施健康中国战略”的重大决策部署,要求“坚持预防为主”。主动健康是实现全民健康的科学有效预防医学模式,而运动促进健康是其中重要的组成部分。自2020年开始,在国家重点研发计划“主动健康和老龄化科技应对”重点专项的支持下,中国科学院深圳先进技术研究院牵头,联合国家体育总局体育信息中心、重庆大学、北京理工大学、上海体育大学、国家体育总局体育科学研究所、中国人民解放军总医院、华为终端技术有限公司、北京国体世纪质量认证中心有限公司、国体智慧体育技术创新中心(北京)有限公司等单位共同承担了“运动行为监测与干预关键技术研究”项目(2020YFCZ007200)。