基于包络学习和分级结构一致性机制的不平衡集成算法

集成方法是不平衡学习方法的重要分支,然而,现有不平衡集成方法均作用于原样本而没考虑样本的结构信息,因此其效能仍然有限.样本的结构信息包括局部和全局结构信息.为了解决上述问题,本文提出了一种基于深度样本包络网络(Deep Instance Envelope Network,DIEN)和分级结构一致性机制(Hierarchical Structure Consistency Mechanism,HSCM)的不平衡集成学习算法.该算法在考虑局部流形和全局结构信息的情况下,通过多层样本聚类,生成高质量的多层包络样本,从而实现类平衡化.首先,算法基于样本近邻拼接和模糊C均值聚类算法,设计DIEN来挖掘样本的结构信息,得到深度包络样本.然后,设计局部流形结构度量和全局结构分布度量来构建HSCM用于增强层间样本的分布一致性.接着,将DIEN和HSCM结合起来,构建出优化后的深度样本包络网络——DH(DIEN with HSCM).之后,将基分类器应用于包络样本.最后,设计bagging集成学习机制来融合基分类器的预测结果.文末组织了多组实验,采用了十多个公共数据集和有代表性的相关算法进行验证比较.实验结果表明,本文算法在AUC(Area Under Curve),F-measure等四个性能指标上显著最优.

改进的LLGC高光谱图像半监督分类

针对高光谱数据波段多,地物标签获取代价高,带标记的样本数量少,分类过程中容易引起Hudges现象。本文提出一种基于改进的局部全局一致性(learning with local and global consistency,LLGC)算法的半监督分类方法。通过边缘采样法(margin sampling,MS)选取最富含信息量的无标签样本,加入到训练集来扩充训练样本;用KNN算法计算相似度进一步优选无标签样本,去除噪声点和存在的野值点;使用改进的局部全局一致性算法对无标签样本集进行分类标记,得到各类别的分类结果。实验结果表明,本文方法在充分利用无标签样本的情况下,有效地提高了带有少量标签样本的高光谱图像的分类精度。

基于粒子滤波与局部全局一致性学习的目标跟踪算法

针对目标形变及复杂背景条件下的目标跟踪问题,利用基于图的半监督学习方法,结合粒子滤波,提出一种自适应的目标跟踪算法。该算法利用局部全局一致性学习(LLGC)算法建立代价函数,将当前的候选状态作为未标记样本,以所有样本为顶点建立图,以代价函数的最优解作为当前的状态,从而得到当前帧的目标位置;同时利用跟踪结果对标记样本进行实时更新,以适应目标形变,部分遮挡以及环境光照的变化。实验结果表明,该方法能够很好地处理目标跟踪中常见的遮挡、相似背景干扰等复杂情形,实现对目标的鲁棒跟踪。

基于稀疏分解的局部全局一致性学习算法

提出一种基于稀疏分解的l0构图法,通过稀疏分解系数矩阵得到图中邻接矩阵和边的权重。将l0构图法应用到局部全局一致性学习(Learning with Local and Global Consistency,LLGC)算法中,并通过K-均值聚类优化稀疏分解所需字典,以降低计算复杂度。在8个UCI数据集上的实验表明,与经典LLGC算法相比,新算法能在消耗时间不增加的情况下提高分类精度,提升算法性能。

基于局部全局一致性学习算法的故障选线方法

针对现有故障选线方法用于中性点经消弧线圈接地系统或相电压过零点附近发生故障时选线不准确的问题,提出一种基于局部全局一致性学习算法的小电流选线方法,即首先对线路接地故障原始信号进行傅里叶变换,然后将各故障信号的特征量输入局部全局一致性学习算法,通过标签循环传递判断故障特征信号,从而选出故障线路。通过Matlab仿真模型与实验室测试平台对该方法进行了研究,结果表明该方法具有较高的选线可靠性与准确性。

基于流形距离核的自适应迁移谱聚类算法

谱聚类算法中,当样本的簇边缘分布不均匀或不同簇边缘分布密度相近时,会导致错分现象。通过对相似度矩阵的改进,提出基于流形距离核的自适应迁移谱聚类算法。使用流形距离作为构造相似度矩阵的度量方法,共享近邻方法对相似度矩阵进行自适应调整,且使用加权距离自适应调节核参数,提高谱聚类对复杂数据集的处理能力。针对样本匮乏或受到污染时聚类效果不佳问题,引入迁移学习,利用源域知识指导目标域进行聚类。经实验验证,该算法性能优于传统谱聚类算法。

基于一致性学习预测药物-靶标相互作用

提出了一种基于局部全局一致性(LLGC)学习的药物-靶标相互作用预测模型。该模型基于邻近结点及流形结构或聚类中的结点更有可能有相同标签这一结论,综合考虑靶标和药物数据的全局和局部特征,融合靶标的序列相似性和药物-靶标网络的拓扑结构信息,提出药物-靶标相互作用预测方法,挖掘来自标准数据集中的药物-靶标相互作用数据。为了分析局部全局一致性方法的性能,在酶、离子通道、GPCR与核受体4个数据集中对此方法与SBGI、KBMF2K、NetCBP和WNN-GIP进行了比较,实验结果表明,除了在核受体数据中LLGC的AUC值比NetCBP和WNN-GIP中的略低外,在其他3个数据中,LLGC的性能都优于其他方法。确定模型性能后,将其用于药物-靶标相互作用数据预测,给出了得分最高的5个药物-靶标相互作用数据,且得知标准数据集中已知的药物-靶标相互作用数据绝大部分出现在预测集的前20%中,91%以上出现在预测集的前50%中。这个结果表明,LLGC能有效预测药物与靶标之间的潜在关联。

基于自适应邻居局部与全局一致性的雷达辐射源识别

为了实现在只有少量训练样本情况下的雷达辐射源识别,本文将局部与全局一致性(Learning with local and global consistency,LGC)算法引入到雷达辐射源识别领域,并针对传统的K近邻图局部与全局一致性算法对参数K较为敏感的问题进行改进,研究一种基于自适应邻居局部与全局一致性的雷达辐射源识别方法。该方法用自适应邻居图代替传统的K近邻图,根据每个样本数据所处位置的密度为每一个样本自适应地选取不同的K近邻个数,有效解决了传统方法参数敏感问题。仿真结果证明,改进后的算法能够在训练样本较少条件下对雷达工作状态进行有效识别,在消除了参数影响的同时还在一定程度上提高了识别准确率。

结合局部全局一致性和支持向量机的半监督分类方法

半监督分类方法通过提取无标签样本的信息,结合有限的有标签样本,克服了高光谱图像准确地物标签样本不足的问题,有效提高了图像的分类精度。局部全局一致性算法是一种基于图的标签传递半监督分类方法,具有性能良好,易于求解以及能够有效反映所有样本间关系的优点,但是其分类结果极不稳定,不利于实际应用。支持向量机是高光谱图像的分类领域应用最广的监督分类方法,拥有较强的鲁棒性,但是由于高光谱图像中有标签的样本不一定能够代表该类地物的全部特征,其分类结果也有可能出现波动性较大的问题,分类精度不理想。因此本文提出了一种结合局部全局一致性和支持向量机的半监督分类算法,通过迭代不断提取两种算法中分类结果相同的部分扩充有标签样本集,然后通过支持向量机进行分类,大幅度提高了分类精度和稳定度。

一种简洁局部全局一致性学习

针对局部全局一致性学习(LLGC)算法的分类精度在很大程度上取决于控制参数的合理设置问题,提出一种少参数的简洁局部全局一致性学习(BB-LLGC).简化图上的目标函数,使其不受参数α的影响.另外,在标签传递过程中,仅将未标记样本的标签根据相似度传递给其近邻,而将已标记样本的标签强制填回以确保标签传递源头的准确性.UCI数据集的实验结果表明,与LLGC相比,BB-LLGC不仅控制参数少、使用简单,而且分类精度高、收敛速度快.