为了提高高维数据集合离群数据挖掘效率,提出了一种基于流形学习的离群点检测算法。局部线性嵌入(locally linear embedding,LLE)算法是流形学习中有效的非线性降维方法,它的优势在于只定义唯一的参数,即邻域数。根据LLE算法的思想寻找...为了提高高维数据集合离群数据挖掘效率,提出了一种基于流形学习的离群点检测算法。局部线性嵌入(locally linear embedding,LLE)算法是流形学习中有效的非线性降维方法,它的优势在于只定义唯一的参数,即邻域数。根据LLE算法的思想寻找样本数据的内在嵌入分布,并通过邻域数选取和降维后数据点之间的距离调整,提高了数据集中离群点发现效率,同时利用离群点权值判别式进行权值数据判定,根据权值的大小标识出数据集中的离群点,仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点。与此同时,该算法具有参数估计简单、参数影响不大等优点,该算法为离群点检测问题的机器学习提供了一条新的途径。展开更多
虚拟空间会议(VST,virtual space teleconferencing)是具有广泛应用前景的一种新兴CSCW工具,在当前没有IP多播支持以及大多数端用户访问带宽有限的互联网条件下,实现互联网上的VST应用缺乏有效的通信机制。针对这一问题,提出了一种感知...虚拟空间会议(VST,virtual space teleconferencing)是具有广泛应用前景的一种新兴CSCW工具,在当前没有IP多播支持以及大多数端用户访问带宽有限的互联网条件下,实现互联网上的VST应用缺乏有效的通信机制。针对这一问题,提出了一种感知驱动的VST多源应用层多播方法ESMVST,该方法采用了网优先的集中式策略,重点研究了ESMVST方法中的路由模型VSTMMR,提出一种启发式路由算法MDMM。实验结果表明MDMM算法有效降低了算法的拒绝率和数据分发树的最大延迟,ESMVST方法实用可行。展开更多
文摘为了提高高维数据集合离群数据挖掘效率,提出了一种基于流形学习的离群点检测算法。局部线性嵌入(locally linear embedding,LLE)算法是流形学习中有效的非线性降维方法,它的优势在于只定义唯一的参数,即邻域数。根据LLE算法的思想寻找样本数据的内在嵌入分布,并通过邻域数选取和降维后数据点之间的距离调整,提高了数据集中离群点发现效率,同时利用离群点权值判别式进行权值数据判定,根据权值的大小标识出数据集中的离群点,仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点。与此同时,该算法具有参数估计简单、参数影响不大等优点,该算法为离群点检测问题的机器学习提供了一条新的途径。
文摘虚拟空间会议(VST,virtual space teleconferencing)是具有广泛应用前景的一种新兴CSCW工具,在当前没有IP多播支持以及大多数端用户访问带宽有限的互联网条件下,实现互联网上的VST应用缺乏有效的通信机制。针对这一问题,提出了一种感知驱动的VST多源应用层多播方法ESMVST,该方法采用了网优先的集中式策略,重点研究了ESMVST方法中的路由模型VSTMMR,提出一种启发式路由算法MDMM。实验结果表明MDMM算法有效降低了算法的拒绝率和数据分发树的最大延迟,ESMVST方法实用可行。