基于多阶近邻约束的深度不完整多视图聚类方法

多视图聚类是重要的无监督学习方法之一,然而在实际应用中很难获取完整的多视图数据,导致不完整多视图聚类问题.大多数已有的不完整多视图聚类方法只考虑了视图的属性信息,而忽视了数据结构信息对聚类的影响,使提取的特征不能充分表示原始数据的潜在结构.针对以上问题,提出一种基于多阶近邻约束的深度不完整多视图聚类方法.首先,利用具有自注意力机制的深度自编码器获取带有视图间信息交互的深层次隐含特征,并采用加权融合的方式获取视图的公共语义信息;然后,对于不完整多视图中的缺失数据,利用多视图的公共表示进行补全;最后,提出一种多阶近邻约束机制,该机制考虑不完整多视图数据的深层结构信息,利用多视图的互补性构建近似完整的近邻图,引导编码器学习更紧致、更有判别性的高级语义特征.在公共数据集上的实验结果证明了所提方法的有效性.

空间自回归模型下不完整大数据缺失值插补算法

针对不完整大数据因其自身结构具有不规则性,导致在进行缺失值插补时计算量大、插补精度低的问题,提出空间自回归模型下不完整大数据缺失值插补算法。利用迁移学习算法在动态权重下过滤出原始数据中冗余数据,区分异常和正常数据,提取残缺数据,采用最小二乘回归对残缺数据实施修补。将缺失值插补分为3种类型,分别为一阶空间自回归模型插补、空间自回归模型插补和多重插补法。根据实际情况将修补后数据插补到合适的位置,实现不完整大数据缺失值插补。实验结果表明,所提方法具有良好的缺失值插补能力。

基于试验子结构恢复力修正的不完整边界条件混合试验方法

相比于传统拟静力和拟动力试验,混合试验通常存在较为复杂的试验子结构边界条件。受到实验室加载条件的限制,子结构的边界条件往往难以完全实现,这将对混合试验的保真度产生很大影响,即混合试验中的不完整边界条件问题。为解决不完整边界条件问题,提出一种基于试验子结构恢复力修正的不完整边界条件混合试验方法。该方法为试验子结构建立两套数值模型,并通过两套数值模型修正试验子结构的不完整恢复力。两套数值模型的区别在于边界条件的设定:第一套数值模型具有完整的边界条件;第二套数值模型具有与试验子结构相同的边界条件,为不完整边界条件。该研究分析了边界自由度耦合程度、数值模型误差对该方法精度的影响,验证了该方法对存在模型误差的数值模型具有较好的鲁棒性;最后,采用所提方法对一座两层两跨抗弯框架结构进行了抗震性能数值分析。结果表明:与常规混合试验方法和弱耦合混合试验方法相比,该方法不仅具有解决不完整边界条件问题的能力,而且也表现出较高的仿真精度。

基于自表示和投影映射的不完整多视图聚类

针对不完整多视图聚类存在的缺陷,提出一种融合自表示和投影映射的统一框架.首先,利用自表示和样本存在指示矩阵学习一致相似图,它反映了样本间的公共相似关系;其次,利用投影映射将样本矩阵投影到超球面上,得到公共低维表示;最后,将两者通过谱表示嵌入在一起,解决了因多视图数据缺失引起的不完整多视图聚类问题.该算法在真实数据集上的实验结果优于其他算法,证明了算法的有效性.

基于相关性分析的不完整数据函数依赖挖掘方法

函数依赖(FD)挖掘方法通常专注于发现所有满足函数依赖语法特征的结果,在数据不完整的情况下常导致大量成立但无意义的FD。针对挖掘无效FD的问题,提出基于相关性分析的不完整数据FD挖掘方法。利用概率图模型构建具有缺失值属性的概率分布,通过相关性分析捕捉属性之间的关联关系,避免枚举所有可能性,以挖掘具有统计学意义的FD。实验结果表明,该方法可以更准确地定位到有意义的FD,与最先进的FD发现方法相比,F_(1)分数平均提高1.5倍。

舰船通信网络不完整节点数据模糊采集算法

基于改进数据采集结果冗余的目的,研究舰船通信网络不完整节点数据模糊采集算法。根据所定义的节点传输数据的概率,并结合聚类阈值,对不完整节点数据进行模糊聚类,选定聚类簇中心。采用平滑参数对舰船通信网络数据中的冗余数据进行处理,并提取不完整节点的数据特征向量。构建目标函数,通过求解最优路径来实现数据采集,同时考虑比特序列开销值,输出最优解。测试结果表明,采用提出的方法对不完整节点数据进行模糊采集时,数据集的平均冗余度为22,具备较为理想的数据采集效果。

不完整螺纹形成机理分析及应用

以普通螺纹为例,分析典型工况下不完整螺纹产生的原因,提出应用场景解决方案。

邻域信息修正的不完整数据多填充集成分类方法

不完整数据集分类前需要对缺失值先填充。目前已有了一些经典的缺失值填充算法,如均值填充、K近邻填充等。它们各有优势,但这些算法对缺失值的估算易受到与缺失值相关性不大的其他数据干扰,影响缺失值填充效果,进而影响后续分类性能。针对该问题,提出一种邻域信息修正不完整数据多填充集成分类方法。该方法通过嵌入修正填充模块来优化填充过程,利用纯度和邻域半径筛选出待修正填充的近邻数据样本,并根据这些近邻数据样本对缺失值进行修正填充,进一步提升填充精度。同时,融合了多种经典填充算法优势,利用多填充的数据多样性,通过引入集成学习提升分类精确度。实验结果表明,该方法对基准数据集上的缺失值填充效果、数据分类精确度都优于对比方法,同时在真实不完整数据集上也表现出更好的分类精确度。

面向不完整多视图聚类的深度互信息最大化方法

多视图聚类是无监督学习领域研究热点之一,近年来涌现出许多优秀的多视图聚类工作,但其中大多数方法均假设各视图是完整的,然而真实场景下数据收集过程极容易发生缺失,造成部分视图不完整。同时,很多方法采取传统机器学习方法(即浅层模型)对数据进行特征学习,这导致模型难以挖掘高维数据内的复杂信息。针对以上问题,本文提出一种面向不完整多视图聚类的深度互信息最大化方法。首先利用深度自编码器挖掘各视图深层次的隐含特征,并通过最大化潜在表示间的互信息来学习各视图间的一致性知识。然后,对于不完整视图中的缺失数据,利用多视图的公共潜在表示进行补全。此外,本文采用一种自步学习策略对网络进行微调,从易到难地学习数据集中的样本,得到更加宜于聚类的特征表示。最后,在多个真实数据集上进行实验,验证了本文方法的有效性。

MMC不完整运行方式的有功功率传输研究

针对柔性直流输电(voltage source converter–high voltage direct current,VSC-HVDC)模块化多电平换流器(modular multilevel converter,MMC)桥臂发生故障停运和不完整运行工况下无法传输有功功率的问题,首先介绍MMC不完整运行无功传输原理;然后,分析MMC不完整运行方式有功功率传输的可能性;进而提出MMC不完整运行方式的有功功率传输控制方法,并研究不完整运行方式下的组合种类、功率运行区间和有功功率波动特性,归纳MMC不完整运行有功功率传输条件;最后,在MATLAB软件平台中搭建柔性直流系统模型,验证了所提出的不完整运行有功功率传输策略的正确性。

基于改进A^(*)算法的不完整轮廓修复方法

在利用机器视觉对一些冲压、注塑等产品进行产品定位或者检测时,由于产品个体的差异,如模具磨损导致圆角局部过渡平缓等,往往会出现局部轮廓缺失而产生不完整轮廓,导致检测到的产品位置与实际位置存在较大偏差。为了解决局部轮廓缺失引起的位置失准问题,对轮廓修复进行了研究,提出一种极坐标下基于改进的A^(*)算法不完整轮廓修复方法。首先,将轮廓目标转换到极坐标下搜索出断开区域;其次,将完整的轮廓作为先验轮廓,结合先验轮廓与图像灰度特征,改进A^(*)算法的代价函数;最终,对断开区域进行最优轮廓点的搜索,实现了不完整轮廓的修复。实验结果表明,该算法对不完整轮廓修复差异率均不超过8.33%,鲁棒性强。

基于低秩张量图学习的不完整多视角聚类

传统多视角聚类都基于视角完备假设,要求所有样本的视角信息完整,不能处理存在部分视角缺失情形下的不完整多视角聚类任务.为解决该问题,提出一种基于低秩张量图学习的不完整多视角聚类方法.为了恢复相似图中缺失视角所对应的样本关联信息,该方法将低秩张量图约束和视角内在图保持约束融入到多视角谱聚类模型.通过在一个统一模型中同时挖掘视角间的互补信息和视角内未缺失样例的关联信息,所提出的方法能够得到表征样例邻接关系的完整相似图和视角间一致的最优聚类指示矩阵.与12种不完整多视角聚类方法进行实验对比,实验结果表明所提出的方法在多种视角缺失率下的5个数据集上获得了最好的聚类性能.

不完整大数据的分布式聚类填充算法

传统大数据填充算法是根据整个数据集对缺失数据进行填充,使得填充值容易受到不同类别数据的干扰,导致填充结果不精确。针对该问题,给出不完整数据的相似度度量方法,使用近邻传播(AP)算法对不完整数据进行聚类。采用云计算技术优化AP聚类算法,实现一种基于Map Reduce的分布式聚类算法,根据算法聚类结果将同一类数据对象划分到相同簇中,并利用同一类对象的属性值对缺失值进行填充。实验结果表明,该算法能实现不完整大数据的聚类,同时加快聚类速度,提高缺失数据的填充精度。

基于二进制位运算的不完整数据分类与检测

数据清洗包括缺失值的检测、分类和估计填充三个步骤.缺失数据估计填充之前,需完成缺失值的检测与分类,本文采用基于二进制位运算的不完整数据分类检测方法,通过对不完整数据分类检测,提高不完整数据处理的准确性和效率.

粒子群改进模糊C均值的不完整数据聚类

在实际应用中,由于各种原因,采集出来的数据可能是不完整的,比如,数据模糊不清或者是数据丢失。因此在数据库中会经常出现不完整数据,而且没有办法获得数据的真实值[1],如果不对缺失数据作出相应的处理,对后续工作会造成严重影响。为解决不完整数据聚类的问题,国内外学者根据现有的聚类方法提出了各种新策略。1模糊聚类对于不完整数据的处理方法主要分为两种:一种是通过估算填充缺失值,即用相对应的已知属性值的平均值等方法来替换缺失属性值;另一种方法是直接删除缺失属性。对不完整数据进行模式识别最早开始于20世纪60年代,例如,基于概率的估算、EM算法[2]等。

基于改进K近邻算法的海量不完整数据近似查询系统

由于现行海量不完整数据近似查询系统存在概率查询能力较差、查询时间过长、查询误差过大等问题,基于改进K近邻算法设计了一种新的海量不完整数据近似查询系统,并对系统的硬件和软件进行设计。通过信息源端、切换整合平台、查询端构建整体架构,选用4路模拟量差分输入、8632C004的P1同两片TKB730的输入/输出连接、SJW000电路、82B250电路、CAN总线连接电路构成系统硬件结构。由数据采集、数据查询、数据判断实现软件查询,同时设定嵌入式仿真软件、用户审计控制软件完成信息查询。实验结果表明,基于改进K近邻算法的海量不完整数据近似查询系统能够有效提高概率查询能力,缩短查询时间,降低查询误差。

不完整数据的聚类研究

数据采集过程中存在大量缺失数据,即不完整数据.传统方法在聚类不完整数据时采用填充或丢弃缺失数据方式实现数据的聚类.依据不完整信息系统理论提出一种基于K-means的不完整数据聚类算法,算法首先将数据集划分成完整数据集和非完整数据集两部分,对完整数据集采用K-means算法进行聚类,然后将不完整数据依据设计的相似度度量方法划分到对应的簇中,实现数据集的聚类.实验结果表明,提出的方法能够高效、精确地实现不完整数据聚类.

加强高职院校不完整家庭子女心理健康教育的思考

受80后离婚潮、打工潮等影响,不完整家庭子女教育问题已经开始集中在高职院校显现。现以某高职院校6年来的自杀(含未遂)、擅自离校出走等案例为基础,探讨了不完整家庭学生心理健康的特征及成因,提出了解决问题的对策和建议。

MMC不完整运行方式及其控制策略研究

首先分析了柔性直流输电(voltagesourceconverter HVDC,VSC-HVDC)模块化多电平换流器(modular multilevelconverter,MMC)不完整运行的必要性,研究了MMC不完整运行原理,建立了MMC不完整运行的数学模型,提出了MMC在桥臂不完整情况下的运行方式,并针对每种不完整运行方式建立了完整的控制策略;同时提出了在不完整模式下维持换流器有功功率传输能力的"6+1"式MMC衍生拓扑。最后在Matlab/Simulink中搭建了MMCHVDC电磁暂态仿真模型,验证了所提不完整运行控制策略和衍生拓扑的有效性和正确性。

不完整Vague决策表中的近似集学习方法

含糊性和不可分辨性构成了决策表中不确定性的两个不同侧面 .Vague集作为当前模糊信息处理中的一个新兴研究课题 ,它具有强大的表达不精确数据的能力 ,然而针对它的学习方法却未见报导 ,大多数现有针对Vague集的研究仍集中于对其本身性质的讨论 .在介绍 Vague集的有关概念的基础上 ,借鉴了粗糙集合中有关近似集的概念 ,特别对不完整 Vague决策表中的学习机制作了研究 ,解决了数据描述不精确时的学习问题 .所给出的两个算法分别适用于决策属性具有精确与 Vague取值的情形 .