基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

基于聚类的ICN缓存空间规划方法

为合理分配信息中心网络(ICN)中每个节点的缓存空间,提出一种基于聚类的ICN缓存空间规划方法。根据节点属性数据集对ICN节点聚类后,以得到的聚类中心属性数据集为每一类分配缓存空间,后根据欧氏距离评估聚类效果为类内每个节点分配缓存空间,来提高缓存系统性能。在实际应用中,也可以为互联网服务提供商(ISP)提供一定的指导意义。仿真结果表明,该方法与均分分配部署方法、基于度数部署方法、基于介数部署方法相比,缓存命中率有明显提高,响应时延明显降低。

基于双重自表达与最大熵原理的深度子空间聚类算法

深度子空间聚类算法使用深度神经网络将原始输入数据映射至潜在空间,并利用数据的自表达性作为数据相似程度的度量,从而实现对高维数据的有效聚类。然而,这类算法仅关注潜在空间中的自表达关系,导致其性能严重依赖于深度神经网络所提取特征的质量。此外,正则化过程忽略各空间内的连通性,影响谱聚类算法的性能。针对这些问题,提出了基于双重自表达与最大熵原理的深度子空间聚类算法。该算法同时学习潜在空间与输入空间的自表达关系,以引导深度神经网络获得适合于子空间聚类的数据表示。通过最大化相似度矩阵的熵,确保同一子空间的元素分布均匀且密集,从而提升数据聚类性能。在5个数据集上进行大量实验,验证了所提算法的有效性。

基于空间模糊C均值聚类和贝叶斯网络的高分一号遥感影像变化检测

在目前经典的变化检测算法中,后验概率空间变化向量分析(CVAPS)方法广泛用于遥感影像的变化检测。然而,基于支持向量机(SVM)的CVAPS法无法有效处理高分一号影像中等分辨率遥感影像中的混合像元问题,且难以有效保证变化检测的精度。因此,本文通过引入空间信息,使用空间模糊C均值聚类(Spatial Fuzzy C Means, SFCM)有效地实现高分一号影像混合像元的分解,并结合简单贝叶斯网络(SBN),提出一种新的后验概率空间变化向量分析法SFCM-SBN-CVAPS。实验结果表明,本文算法的总体精度和Kappa系数均高于基于普通模糊C均值聚类(Fuzzy C Means, FCM)的CVAPS算法,且耗时更短,本文所提出的算法有助于提高遥感影像变化检测的精度和效率。

基于空间模糊C均值聚类和贝叶斯网络的抗噪声遥感图像变化检测

目前,大部分遥感变化检测算法无法有效处理受高斯、椒盐和混合噪声污染的图像。为了解决这一问题,文章将能够在噪声污染条件下有效分解混合像元的5种基于邻域空间信息的模糊C均值聚类(FCM_S1,FCM_S2,KFCM_S1,KFCM_S2和FLICM)算法分别与简单贝叶斯网络(simple Bayesian network,SBN)相结合,在后验概率空间变化向量分析(change vector analysis in posterior probability space,CVAPS)框架下,实现了5种能够较好地抗高斯、椒盐和混合噪声的遥感变化检测方法。对比实验证明,该文所提出的变化检测算法对高斯、椒盐和混合噪声具有较好的鲁棒性。

基于神经网络的岩体边坡稳定性的灰色聚类空间预测法及其应用

针对岩体边坡稳定性与影响因素之间的非线性关系 ,提山了基于神经网络的岩体边坡稳定性的灰色聚类空间预测法。结合实例仿真分析 ,表明该方法能较好地处理岩体边坡稳定性与影响因素之间的灰色非线性关系 ,同时 ,能比较准确地预测岩体边坡的稳定性。

基于相空间重构技术的EM聚类模糊神经网络预测模型及其应用

应用相空间重构技术对时间序列进行分割,将原序列映射到多维的数据空间中。将期望最大化(EM)聚类算法和神经网络相结合,提出了一种基于相空间重构技术的EM聚类模糊神经网络预测模型。在股票市场上进行了应用,结果表明该预测模型降低了预测误差,提高了系统的性能。

广义回归神经网络在空间数据聚类中的应用

针对空间数据聚类中由于空间数据本身的特点造成模糊C均值聚类算法无法满足使用要求的问题,提出1种改进的空间数据聚类算法:将模糊C均值聚类算法与广义回归神经网络相结合,得到结合广义神经网络的模糊C均值聚类算法;并将结合广义神经网络的模糊C均值聚类算法应用到空间数据的聚类中。实验结果表明,结合广义神经网络的模糊C均值算法在空间聚类方面比模糊C均值有着更好的效果,可以满足实际空间数据聚类的要求。

基于子空间聚类的网络流量分类方法

应用层网络流量分类技术对流量控制与管理等研究具有重要意义.针对传统的基于有监督机器学习的分类方法对所有应用程序使用相同的特征,使得某些特征对一种或几种应用类型有区分性,而对其他应用类型的网络流分类产生干扰等问题,提出基于子空间聚类方法的网络流分类框架.利用子空间聚类算法,在总特征集中为每一种类型应用进行特征选择,提取与之相对应的关键特征,自动消除不相关的特征,使得每种应用类型都产生对应的特征签名集,并用这些不同的特征签名对未知的网络流进行分类.实验结果表明:本文提出的方法能够有效地提出每种应用类型的特征签名,并且所提出的特征签名具有明显的可区分性,该方法的分类准确率在93%以上,并且能很好的识别新出现的应用.

模糊子空间聚类的径向基函数神经网络建模

传统径向基函数(radial basis function,RBF)神经网络模型在处理噪声环境下的数据时,会因缺乏去除噪音特征的机制而使得受训模型的泛化性能下降。针对此缺陷,根据模糊子空间聚类(fuzzy subspace clustering,FSC)算法的子空间特性,为RBF神经网络添加特征抽取机制,提出了一种模糊子空间聚类RBF神经网络建模新方法(RBF neural network modeling using fuzzy subspace clustering,FSC-RBF-NN)。与传统RBF神经网络建模方法相比,FSC-RBF-NN方法可根据FSC的子空间特性和特征抽取机制,为不同的隐含层节点选取不同的特征子空间。当训练数据中含有大量噪音特征时,FSC-RBF-NN方法可通过特征抽取机制去除噪音特征,只保留对建模有积极作用的特征,使模型能保持良好的泛化性能。模拟和真实数据集上的实验结果亦验证了FSC-RBF-NN方法在噪声环境下具有更好的鲁棒性。

基于稀疏子空间聚类的多层网络社团检测

现有的子空间聚类方法大多只适用于单层网络,或者仅对多层网络中每层的聚类结果简单地进行平均,未考虑每层网络中包含信息量不同的特点,致使聚类性能受限。针对该问题,提出一种面向多层网络的稀疏子空间聚类方法。将距离正则项和非负约束条件集成到稀疏子空间聚类框架中,从而在聚类时能够同时利用数据的全局信息和局部信息进行图学习。此外,通过引入稀疏约束使学习到的图具有更清晰的聚类结构,并设计迭代算法进行优化求解。在多个真实数据集上的实验结果表明,该方法能够挖掘网络不同层的互补信息,得到准确的一致性联合稀疏表示,有效提高社团聚类性能。

论网络空间的“类公共”特性

网络空间具有信息传播非理性、公私界限模糊化、传播模式多元化等三个基本特征。其中信息传播非理性是公私界限模糊化和传播模式多元化的基础,公私界限模糊化是信息传播非理性的重要补充,传播模式多元化则是信息传播非理性的必然结果。这三个基本特征辩证统一的存在,使得网络空间呈现出"类公共"的特性。

一种通用的生命线工程网络事件空间聚类分析算法

网络事件空间聚类分析可发现供水、排水、燃气、电力等生命线工程爆管、漏损事件的高发区域。生命线工程事件由网络边约束,可抽象为网络事件。若不考虑网络拓扑关系,将产生网络事件空间聚类结果与实际分类不符的问题。基于事件网络距离,提出了一种通用的网络事件空间聚类方法,给出了核心概念的形式化定义以及算法描述,可广泛应用于生命线工程事件高发区域的发现,具有较强的实用性。并结合供水管网生命线工程爆管事件高发区域分析实例,给出算法参数的确定原则和范围,验证了所提出的算法的有效性。

光子神经网络研究进展

在数据海量化、信息化的时代,电子计算机处理系统所面临的算力和能耗等性能要求愈发严苛,传统冯·诺依曼架构存在“内存墙”和“功耗墙”瓶颈,加之摩尔定律放缓甚至失效,使得电子芯片在计算速度和功耗方面遇到极大挑战,利用光计算替代传统电子计算将是解决当前算力与功耗问题的极具潜力的途径之一。本文系统地梳理了片上集成和自由空间的光子神经网络架构与算法方面的研究进展,详细介绍了典型的研究工作,然后讨论并对比了这两种光子神经网络的优劣势,以及光子神经网络的训练策略等。最后探讨了光子神经网络面临的挑战,并对其未来发展进行了前瞻性的展望。

融合空间聚类信息和上下文感知的下一位置点推荐

针对现有的人类轨迹预测算法难以充分挖掘轨迹移动规律,以及未能充分利用城市空间区域信息等问题,提出一种新颖的融合城市空间聚类信息和上下文感知的下一位置推荐算法。首先,基于城市地理信息利用HiSpatialCluster空间聚类算法将整个城市分为多个地理区域,同时提出了一种新的轨迹嵌入方法,以获得轨迹点的特征表示;然后,通过自注意力网络(SAN)分别学习用户的长期偏好和短期偏好特征,并通过注意力网络捕获长短期偏好的关系,获得代表用户上下文信息的特征向量;最后,通过引入多任务组件增强框架的通用性。在真实数据集NYC和TKY上设置对比实验,通过与同类先进算法的对比,验证算法的有效性。实验结果表明:所提算法在召回率(Recall@K)和归一化折损累计增益(NDCG@K)上有显著提高。

基于构造型神经网络和商空间粒度的聚类方法

采用构造型神经网络对大规模模式进行聚类,其中利用商空间粒度分析法选择最优粒度聚类。该方法既发挥了构造型神经网络计算复杂度低的优点,又利用了商空间理论选取最优粒度聚类。对大规模复杂数据聚类实验结果表明该方法是实效的。

高职院校教育资源平台汽车类专业课网络学习空间建设与应用研究

在职业教育提质培优行动计划背景下,其重点任务之一就是实施职业教育信息化2.0建设行动,高职院校教育资源平台网络学习空间建设就是职业教育信息化技术研究,即教育信息技术与教育教学融合的创新应用。基于超星泛雅平台和学银在线平台,通过汽车类专业课程网络学习空间的建设过程,对高职院校推动开放教育资源及其平台的发展建设具有理论指导意义,同时对促进优质教育资源的社会共享及教育公平、进一步深化教育教学改革,提质培优,增值赋能具有重大意义。

基于聚类和随机搜索优化的核反应堆数字孪生参数反演模型

为了实现对核反应堆内置传感器的大量数据的高效存储、传输和分析,本文结合聚类算法与随机搜索优化的人工神经网络,对空间热离子反应堆的数字孪生系统搭建了一个参数反演模型,实现在热管失效工况下的堆芯温度数据的反演。使用20%热管失效工况下空间热离子反应堆堆芯4个区域的温度数据,通过K-means聚类与轮廓系数指标提取各区域的特征温度参数,通过随机配置优化的全连接人工神经网络(ANN)完成特征参数到其他参数的反演,并对反演效果进行验证。研究结果表明,运用该方法对燃料、发射极、接收极、冷却剂4个区域进行参数反演,温度反演值的相对误差均方根分别为0.55%、0.41%、0.19%、0.18%,其中用于反演的特征参数占总参数比例均不超过8%。因此本研究建立的参数反演模型能够获取特征参数的物理含义,并对空间热离子反应堆堆芯温度参数进行较高精度的反演。

基于空间网络的多阈值对象聚类

为了提高空间网络上对象聚类的准确性,发现潜在的聚类结果,分析了多阈值选择的必要性,提取了空间网络上(以道路网为例)对象的相似性特征,首次提出了基于空间网络的支持向量回归多阈值方案,并将多阈值方案应用到已有的基于道路网络的对象聚类方法中,解决了已有聚类方法中聚类阈值选择困难的问题。性能分析及实验结果表明,多阈值对象聚类方案对真实的道路网络中的对象聚类是有效的。

基于聚类生成图的空间网络对象聚类

为了解决现有聚类技术难以适应大规模空间网络对象的聚类问题,提出了一种基于聚类生成图的空间网络对象聚类算法,以便降低空间网络对象聚类的时间复杂度和空间复杂度.首先,对网络中的非空边进行概略化聚类;然后,在此基础上,构建聚类生成图;最后,查找聚类生成图的连通子图,每个连通子图即为一个聚类.实验结果表明该方法在保证准确性的同时具有良好的效率和可扩展性.