非负拉格朗日松弛优化的子空间聚类算法

传统的子空间聚类和谱聚类中普遍使用谱松弛方法聚类,需要先计算拉普拉斯矩阵的特征向量。特征向量中包含负数,根据元素的正负可以直接得到二类聚类的结果。对于多类聚类问题,需要递归地进行二划分,或在特征向量空间中使用k-means算法聚类,分配类簇标签是间接的,这种后处理的聚类方式会增加聚类结果的不稳定性。针对谱松弛的问题,提出了一种非负拉格朗日松弛优化的子空间聚类算法,在目标函数中集成了自表示学习和秩约束。通过非负拉格朗日松弛来求解相似性矩阵和隶属矩阵,并保持隶属矩阵的非负性。在这种情况下,原来的隶属矩阵就变成了类簇的后验概率,当算法收敛时,只需将数据点分配给具有最大后验概率的类簇,即可得到聚类结果。与已有的子空间聚类和谱聚类方法相比,所提出的算法设计了新的优化规则,可以实现类簇标签的直接分配,不需要额外的聚类步骤。最后,给出了算法的收敛性证明。在5个基准聚类数据集上的大量实验表明,所提算法的聚类性能优于近几年来的子空间聚类方法。

基于IECSDE算法的PEMFC改进分数阶子空间辨识模型

为准确描述质子交换膜燃料电池(PEMFC)在其发电过程中的特性及变量影响关系,提出一种基于信息交流布谷鸟搜索差分进化(IECSDE)算法的改进分数阶子空间辨识方法来建立PEMFC分数阶模型。首先基于状态空间方程建立PEMFC模型,为了描述PEMFC的分数阶特性,将分数阶微分理论融入到模型中,引入Poisson滤波函数预处理实验数据,解决数据多阶不可导的问题,同时引入变步长记忆法处理分数阶微分时的权系数,提高子空间辨识精度。其次在辨识过程中的参数对于建模效果具有重大影响,因此基于IECSDE算法并对其进行优化,对布谷鸟搜索(CS)算法中的控制参数进行自适应处理,受到粒子群优化(PSO)算法的启发,改进随机游走方式提高收敛精度和速度,并引入差分进化(DE)算法与改进CS算法分别对种群进行优化,同时在寻优过程中进行信息交流提高种群的多样性和算法的鲁棒性。仿真结果表明,IECSDE算法的寻优能力在8种测试函数下比其他5种优化算法至少提升了10倍;通过对PEMFC测控平台收集到的实验数据进行模型辨识,所建立的模型将误差缩小到基于短记忆法的分数阶子空间辨识方法误差的20%,输出功率误差控制在0~0.1之间,输出电压误差控制在0~0.2之间,能够精准地模拟PEMFC发电过程。

改进鲸群优化子空间匹配追踪的稀疏解混算法

为了提升高光谱图像的稀疏解混精度,提出一种基于改进鲸群优化算法的子空间匹配追踪(improved whale optimized subspace matching pursuit,IWOSMP)的稀疏解混算法.对鲸群优化算法进行改进,通过引入非线性种群控制参数和进化策略,提高鲸群优化算法的收敛速度和收敛精度,基于子空间匹配追踪算法,以约束稀疏回归为目标函数,利用改进的鲸群优化算法对已知端元集求解丰度系数.以重构误差最小为标准,通过最大程度地去除系数较小的冗余端元,提高子空间匹配追踪算法的端元提取的精确度,进一步提高了高光谱图像的解混精度.合成图像实验和真实遥感图像实验表明,IWOSMP能有效去除大量的冗余端元,且解混精度更高.

一种新的贪婪回溯子空间追踪算法研究

针对目前的贪婪类算法在实际应用中出现的重构遮挡和虚假等问题,在分析该问题产生的原因基础上,提出了一种新的贪婪回溯子空间追踪(greedy backtracking subspace pursuit,GBSP)算法。该算法的基本思想是在每次的迭代过程中,采用回溯反馈和贪婪精选的思路进行支撑集选择。具体而言,在原子识别阶段,从残差投影中挑选出绝对值最大的K(K是信号稀疏度)个投影值位置,添加到候选支撑集中,为降低在此步骤中产生的错误概率,每次只将候选支撑集中的前s(s<K)个最大值对应的位置添加到真实支撑集中进行更新;此后再进行投影计算和残差更新,直到完成支撑集的选择。新算法结合了正交匹配追踪算法和子空间追踪算法两者的优势,所以可较好地解决重构遮挡与虚假问题,使得压缩感知重构算法更具实用性。

一种解函数优化问题的精英子空间演化算法

文献[1]提出了一种有效的求解优化问题的演化算法,算法简单易行,并能在较短时间内找到问题的最优解。在该算法的基础上,文中提出了一种精英子空间演化算法,在算法的杂交过程中,通过采用精英保存策略,增加父体的选择压力来加速算法的收敛。数值试验表明新算法比文献[1]中的算法具有更好的收敛性,能更快地找到优化问题的最优解。

一种变步长稀疏度自适应子空间追踪算法

针对压缩感知(Compressive sensing,CS)中未知稀疏度信号的重建问题,本文提出一种变步长稀疏度自适应子空间追踪算法.首先,采用一种匹配测试的方法确定固定步长,然后以该固定步长与变步长方式相结合,通过不同支撑集原子个数下的重建残差变化确定信号稀疏度,算法采用子空间追踪方法确定相应支撑集原子,并完成原始信号准确重建.实验结果表明,与同类算法相比,该算法可以更准确重建原始信号,且信号稀疏度值较高时,运算量低于同类算法.

多种群子空间学习粒子群优化算法

针对标准PSO在处理复杂高维优化问题时易出现收敛速度慢、陷入局部最优等问题,提出一种多种群子空间学习的粒子群优化算法(MSPSO).该方法构造了一种新的多子群间信息共享模式,提出子空间学习的概念,并对普通粒子和精英粒子分别进行子空间学习.本文算法简单明确,易于实现,具有很强的稳定性、收敛速度快和较好的全局搜索能力.在固定评估次数的情况下,对常用的19个基准测试函数进行了30维和100维仿真实验,实验结果表明本文算法在收敛速度和求解精度上优于最近提出的几种知名算法(如FIPS、HPSO-TVAC、DMS-PSO、CLPSO、APSO等),特别是在高维问题上优势更加明显.

基于连续蚁群优化算法的小快拍加权子空间拟合快速算法

该文针对加权子空间拟合(WSF)算法多维非线性优化计算量大,难以工程应用的问题,将连续空间蚁群算法与加权子空间拟合算法相结合,提出了基于蚁群算法的加权子空间拟合(Ant Colony Optimization based Weighted Subspace Fitting,ACO-WSF)方位估计新方法。该方法利用连续蚁群算法中的信息量高斯核概率分布函数,经过有限次迭代得到加权子空间拟合算法的非线性全局最优解。仿真结果表明,低信噪比、小快拍条件下该方法估计性能与WSF方法基本相同,优于MUSIC方法,而且显著减少了计算量。

基于子空间近似算法的鱼雷总体多学科设计优化

在子空间近似算法的基础上,结合鱼雷总体设计的内容和实际特点,对基于子空间近似算法的鱼雷总体多学科设计优化的相关内容进行了详细分析,建立了数学模型,并进行了实例验证,结果表明该方法对提高鱼雷的设计质量,避免人力、物力的浪费,降低设计风险等有极为重要的作用。

自适应子空间高斯学习的粒子群优化算法

为了克服粒子群优化算法在复杂优化问题上易出现早熟收敛、多样性缺失等问题,提出了自适应子空间高斯学习的粒子群优化算法。该方法提出了适应值离散度和子空间高斯学习的概念,以自适应地调整参数和搜索策略,帮助粒子逃离局部最优。同时,该方法还提出邻域学习策略,引入了邻域最优粒子。当前粒子的邻域在进化过程中通过动态构建,以增强种群的多样性。实验对19个常用的经典基准测试函数在30和100维进行了测试,结果表明该算法在收敛速度和寻优精度上优于一些知名的PSO算法。最后,将改进的算法应用于无线传感器网络覆盖优化问题,获得了较好的结果。

基于多种群子空间学习的粒子群优化算法

针对标准粒子群(particle swarm optimization,PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于多种群子空间学习的粒子群优化算法(MSPSO)。算法将种群分成多个子群,除了传统的种群历史最优粒子和全局最优粒子,还引入分群最优粒子和混合粒子,该混合粒子随机选择各子群最优粒子的相关维度混合而成,增加种群多样性,防止算法陷入局部最优。在种群进化后期,算法对子群最优粒子进行子空间学习,帮助算法逃离局部最优,加快收敛速度。在固定评估次数的情况下,对8种经典的测试函数进行仿真实验,相比较经典知名算法如FIPS、HPSO-TVAC、DMS-PSO、CLPSO、APSO等,MSPSO算法不仅在低维和高维仿真实验中,在逃离局部最优、全局收敛速度和收敛精度上,具有绝对的优势。

基于子空间追踪的时变信道预测算法

给出一种子空间追踪和 ESPRIT 算法相结合的时变信道预测算法。该算法能够对信道 模型中，多普勒频移参数缓慢变化情况下的平坦快速衰落信道进行预测，避免了重新计算信道模型参数 时，ESPRIT 算法中奇异值分解的巨大运算量。仿真实验显示，这种基于子空间追踪的时变信道预测算 法(多普勒频移缓慢变化)能够达到和 ESPRIT 算法(多普勒频移不变)相当的预测性能。

特征加权优化软子空间聚类算法比传统算法的优越性分析

聚类算法在当前的各个领域都有着非常广泛的应用,常见的有生物学和医学领域的数据探测、信息检索以及文本挖掘和图像处理等.尤其是目前随着计算机信息技术的发展,数据的规模比以往更大,数据挖掘工作需要的数据特征维数大大增加.导致高维数特征加权和选择面临多学科交叉的问题,大大增加了空间聚类分析的工作难度.本文将分析特征加权优化软子空间聚类算法,并将其与传统算法进行了对比,总结了其优越性.

一种自适应正则化子空间追踪算法

针对压缩感知中未知稀疏度信号的重建问题,提出一种新的压缩感知的信号重建算法,即自适应正则化子空间追踪(Adaptive Regularized Subspace Pursuit,ARSP)算法,该算法将自适应思想、正则化思想与子空间追踪(Subspace Pursuit,SP)算法相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,利用正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真结果表明,该算法能够精确重构原始信号,重建效果优于SP算法、正则化正交匹配追踪(ROMP)算法、稀疏度自适应匹配追踪(SAMP)算法、压缩采样匹配追踪(CoSaMP)算法等。

基于子空间追踪算法的稀疏子空间聚类

稀疏子空间聚类是处理高维数据聚类的有效途径,而相似度矩阵的构造是稀疏子空间聚类的关键一步。文章引入子空间追踪算法来构造相似度矩阵,并由此给出了保证特征选择和特征再选择的充分条件。数值实验表明,子空间追踪算法所选择的原子相比经典的正交匹配追踪算法,其选择的原子更具代表性,精确特征选择率更高,聚类误差也得到了保留甚至更低。

改进多目标萤火虫优化的软子空间聚类算法及在短期负荷预测中的应用

针对传统软子空间聚类算法因单目标优化无法准确聚类的问题,提出一种改进多目标萤火虫优化的软子空间聚类算法(IMOFASSC)。对多目标萤火虫算法的步长因子和初始吸引力进行动态定义以弥补算法易提前收敛的缺陷,并设计一种萤火虫单行随机学习机制来提高最优解集分布的均匀性;将改进的多目标萤火虫算法运用到软子空间聚类问题中,同时优化簇内紧凑度、簇间分离度及负权值熵三个目标函数,将IMOFASSC应用到短期负荷预测中。实验结果表明,IMOFASSC不仅在低维和高维数据聚类中有较好的聚类效果,而且在短期负荷预测中具有推广应用价值。

正则化递增支撑集子空间追踪算法的目标定位

为提高压缩感知子空间追踪(SP)算法用于多目标定位的重建精度,并考虑到子空间追踪算法用于多目标定位环境的特殊性,提出一种正则化递增支撑集子空间追踪算法用于定位。该算法保留了SP算法中迭代回溯的思想,将正则化方法融入到子空间追踪算法中,加入正则化约束条件进行缩减筛选,在原子剔除阶段递增保留候选原子,降低原子错选概率,算法以更高概率得到真正支撑集。实验结果对比表明,相比于SP算法和其他压缩感知重构类算法用于多目标定位,该算法在目标数K>25时,平均定位误差在0. 45 m上下波动,在信噪比为5 dB时,平均定位误差也能控制在0. 457 m范围内,具有更好的鲁棒性和抗噪性。

一种改进的子空间追踪算法

为了使压缩感知重构算法在稀疏度未知的情况下能够实现信号精确重构,提出了一种新的贪婪匹配追踪重构算法—一种改进的子空间追踪算法。该算法首先通过一种新的柔性方法获得信号的稀疏度,然后将稀疏度估计的结果和子空间追踪算法结合起来对信号进行重构,若子空间追踪不能精确地重构信号,则利用弱匹配原则来获取新的原子。实验结果表明,和同类算法比较,当信号稀疏度相同时,改进的子空间追踪算法重构的精度较高,运行速度也较快。

人工神经网络中的一种Krylov子空间优化算法

介绍了人工神经网络的二阶优化算法研究现状,对人工神经网络损失函数的KSD(Krylov Subspace Descent)优化算法进行改进。针对KSD算法中采用固定不变的Krylov子空间维数的方式,提出了Krylov子空间维数根据计算结果自适应改变的MKSD(Modified KSD)算法,并给出了利用MKSD、KSD以及SGD(Stochastic Gradient Descent)优化算法对不同问题的全连接神经网络进行训练的数值算例。计算结果说明MKSD的算法对比于其他算法具有一定的优势。

基于响应面法的并行子空间优化算法改进研究

为了更好地解决飞行器多学科设计优化问题,对传统基于响应面的并行子空间优化算法(RS-CSSO)进行改进:改进基于近似模型,在具有同等计算精度的情况下减少学科分析的次数,采用均匀试验设计代替学科级优化来直接获得性能优良的初始设计样本点;在系统级优化过程中引入自适应近似模型算法,在迭代过程中对两种近似模型的精度进行对比,以相对误差的均值和标准差作为判据,选用精度更高的近似模型来提高系统级优化效率。采用改进的RS-CSSO算法对飞翼布局无人机进行了设计优化,并与传统RS-CSSO算法进行了对比。结果表明,改进的RS-CSSO不但有着更小的计算量,而且得到了更优的结果,可以应用于飞行器设计多学科优化。