基于自适应带宽的快速动态高斯核均值漂移算法

由核密度估计推导获得的高斯核均值漂移算法因收敛速度慢在应用中效率不高.本文提出基于自适应带宽的动态更新改进方法.首先采用空间离散方法对数据集化简,然后引入动态更新机制,每次迭代后将数据集更新到均值点,并将聚集在一起的数据点用一个收敛点表示,同时根据数据集直径的变化,自适应地计算各向异性的带宽参数.实验表明,该方法提高了算法的收敛速度,降低了计算复杂度.

递归方法在窗宽选择上的应用

在未知总体分布的情形下,给出密度核估计中选择窗宽的一个新方法,并在选取高斯核的情形下,推导出计算窗宽的递归公式。最后通过与理论窗宽值比较,说明使用该递归方法选择最优窗宽是非常有效的一个途径。

核协方差成分分析方法及其在聚类中的应用

以降维前后密度总和与Renyi熵的差(Densities-vs-Entropy,D-vs-E)尽量靠近为准则,得到了一种新的特征降维方法,而D-vs-E是由核特征空间的协方差矩阵导出的,因此称为核协方差成分分析(Kernel Covariance Compo-nent Analysis,KCCA)。将D-vs-E发展为广义D-vs-E(generalized D-vs-E)。KCCA通过将数据投影在使D-vs-E最大的KPCA轴方向得到转换后的低维数据,但是所选取的KPCA轴不一定对应于核矩阵最大的几个特征值。与基于Renyi熵的KECA相比,KCCA是基于D-vs-E的。基于广义D-vs-E的KCCA数据转换方法应用于聚类的结果显示,它在对高斯核参数的选择上具有更强的鲁棒性。

基于优化核函数带宽SVDD的机械振动预警模型

基于高斯核函数的支持向量数据描述(SVDD),因其具有良好的异常检测性能,常被用于机械振动故障预警领域,但其性能的好坏受限于核函数带宽的取值是否适宜。为此,针对常规高斯核函数支持向量数据描述(SVDD)存在需要负类样本训练模型、计算量大、不收敛、不适用于小数值数据等问题,提出了一种不需要专家经验知识和负类样本训练SVDD超球体的优化核函数带宽计算方法,构建了基于优化SVDD核函数带宽的机械振动故障预警模型。首先,根据空间矩阵复杂度的信息熵,量化表征核函数带宽的取值对SVDD超球体的影响;然后,采用粒子群优化(PSO)算法寻找空间矩阵复杂度最大时对应的核函数带宽σ取值,实现了目标函数的快速收敛目的;综合考虑惩罚参数对SVDD超球体描述边界的影响,引入惩罚参数对寻优结果进行了修正,完成了对历史正常运行状态数据驱动的机械振动故障预警模型的构建任务;最后,应用辛辛那提大学智能维护中心轴承试验数据集等6项公开实验室数据和4项工程案例数据,对上述方法的实用性和可靠性进行了验证,并将其结果与采用常规方法所得结果进行了对比验证。研究结果表明:与常规方法相比,采用优化核函数带宽计算方法训练出的机械振动故障预警模型的合格率为100%,超球体描述边界拟合良好,并且不存在不收敛的问题。

集成改进Mean Shift和区域合并两种算法的图像分割

Mean Shift算法分割图像时,带宽的大小直接影响分割效果。带宽分为空间带宽和值域带宽。本文根据待分割遥感图像的空间分辨率参考选定空间带宽,基于渐近积分均方差最小原则计算每一波段值域带宽;针对MS算法分割图像时存在过分割问题,提出基于区域面积加权的区域相似度准则和基于区域熵的合并停止准则来合并分割后区域。MATLAB软件3组实验结果表明:本文方法相比EDISON软件能得到更好的分割效果,且能在一定程度上提高遥感影像分割的自动化。