从功能语用角度对比分析英汉可能类情态意义

汉语表达情态意义的词与英语在分布上及词法、句法的特征及含义都有较大区别,本文从功能语用角度来展示英汉可能类情态意义的异同,揭示其复杂性和多功能特征。就自然语言条件下的英汉情态意义差异性进行深入研究。

可能性聚类假设的多模适应学习方法

基于图的半监督学习(GSSL)凭借其直观性和良好的学习性能,在机器学习领域吸引了越来越多的关注。然而,通过分析发现,现有基于图的半监督学习方法存在对噪声、异常数据的鲁棒性不够好以及较敏感的问题。此外,该方法具有较好性能的前提是训练数据与测试数据为独立同分布(IID),导致在实际应用中存在一定的局限性。为解决上述问题,在某个再生核Hilbert空间,在充分考虑最小化噪声、异常数据影响的基础上,结合不同数据分布特点,基于结构风险最小化模型,提出一种基于可能性聚类假设的多模型适应学习方法(MA-PCA)。其主要思想为:通过模糊熵减弱噪声、异常数据对方法所带来的负面影响;综合考虑训练数据与测试数据在独立同分布和在独立不同分布时进行有效的多模适应学习,弱化训练数据和测试数据的独立同分布约束条件亦具有较好性能;给出了算法实现及其收敛性定理。在多个真实视觉数据集上分别进行了大量实验并进行深入分析,证实了所提方法具有优越的或可比较的鲁棒性和泛化性能。

基于带约束可能性聚类的多目标跟踪新算法

针对密集杂波环境下的多目标跟踪问题,提出了一种基于可能性聚类的联合概率数据关联滤波算法。在提出算法中,分析了传统FCM数据关联算法在噪声抑制方面的不足;利用可能性聚类能够有效抑制噪声的优势,同时结合多目标跟踪中,聚类中心应该在目标预测位置或者在其附近的特点,提出了一种以目标预测位置为约束条件的可能性聚类新目标函数,通过对目标函数进行优化得到目标观测的数据关联矩阵,有效减少由杂波引起的错误关联,实现对多目标与观测的准确关联。实验结果表明,提出的方法能够有效解决多目标与观测的关联问题,关联准确率要高于传统的Fitzgerald’JPDAF、MEF-JPDAF算法和IF-JPDAF算法。

可能性分布距离度量:一种鲁棒的域适应学习方法

领域适应(DA)学习旨在解决训练数据集与测试数据集分布不一致问题而广受关注,现有方法大多采用最小化领域间最大均值差(MMD)或其变体来解决域分布不一致问题。然而,领域中存在的噪声数据将会导致领域均值发生明显漂移,会在一定程度上影响基于MMD及其变体的学习方法的适应性能。故此,提出了可能性分布距离度量下的一种鲁棒的域适应学习方法:首先,将传统MMD准则变换为新颖的可能性聚类模型来削弱噪声数据所带来的影响,以此构建一种鲁棒的可能性分布距离度量(P-DDM)准则,并通过引入模糊熵正则项来进一步提升领域分布配准的鲁棒有效性。其次,基于P-DDM准则,提出一种鲁棒的域适应视觉分类机(C-PDDM),其引入图拉普拉斯矩阵来保留源域与目标域内部数据间的几何结构一致性,以提升标签传播性能,同时通过最大化利用源域判别信息进行最小化领域判别误差,以进一步提升学习模型的泛化性能。理论分析证实,在一定条件下,所提P-DDM是传统分布距离度量方法MMD准则的一个上界,因而通过最小化P-DDM能有效优化MMD目标。最后,与几个代表性的领域适应学习方法进行比较,在6个视觉基准数据集(Office31、Office-Caltech、Office-Home、PIE、MNIST-UPS和COIL20)上的实验结果显示,该方法在泛化性能上平均提升了5%左右,在鲁棒性能上平均提升了10%左右。

基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究

变压器油中溶解气体分析(DissolvedGasAnalysis,DGA)是电力变压器绝缘诊断的重要方法。针对模糊C均值聚类算法用于溶解气体成分分析时存在的问题,文中将核函数和可能性聚类算法相结合,提出一种简化的核可能性聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断。经实践证明,该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境。

基于样本加权的可能性模糊聚类算法

可能性模糊聚类算法解决了噪音敏感和一致性聚类问题,但算法假定每个待分析样本对聚类的贡献相同,导致离群点或噪声点对算法的干扰较强,算法迭代次数过大.为此,提出一种基于样本加权的可能性模糊聚类算法,新算法具有更快的收敛速度,对标准数据集和人工数据集加噪后的测试结果表明,该算法具有更强的鲁棒性,在有效降低时间复杂度的同时能够取得较好的聚类准确率.

基于核的可能性聚类算法

针对模糊C-均值算法聚类分析时的缺陷,采用能够较好地处理噪音和孤立点的可能性聚类算法,并将核学习方法的思想应用于可能性聚类算法中,提出一种基于核的可能性聚类算法。该方法利用Mercer核将观察空间的待分类样本点经过一个非线性映射后,映射到一个高维的核空间,突出不同类别样本之间的特征差异,使得原来线性不可分的样本点在核空间中变得更加线性可分,从而更好地聚类。经仿真实验表明,基于核的可能性聚类算法比模糊C-均值以及可能性聚类算法具有更好的聚类效果,且算法能够很快地收敛。

一种基于核的快速可能性聚类算法

传统的快速聚类算法大多基于模糊C均值算法(Fuzzy C-means,FCM),而FCM对初始聚类中心敏感,对噪音数据敏感并且容易收敛到局部极小值,因而聚类准确率不高。可能性C-均值聚类较好地解决了FCM对噪声敏感的问题,但容易产生一致性聚类。将FCM和可能性C-均值聚类结合的聚类算法较好地解决了一致性聚类问题。为进一步提高算法收敛速度和鲁棒性,提出一种基于核的快速可能性聚类算法。该方法引入核聚类的思想,同时使用样本方差对目标函数中参数η进行优化。标准数据集和人造数据集的实验结果表明这种基于核的快速可能性聚类算法提高了算法的聚类准确率,加快了收敛速度。

一种具有最优保证特性的贝叶斯可能性聚类方法

该文结合概率理论和可能性理论,提出一种具有最优保证特性的贝叶斯可能性聚类新方法。首先,将未知隶属度和聚类中心作为随机变量,为每个随机变量选择一个合适的概率分布,提出贝叶斯可能性聚类模型;在此基础上,基于贝叶斯推理和和蒙特卡洛采样方法,通过最大后验概率框架求解贝叶斯可能性聚类模型中的未知参数,从而提出一种具有最优保证特性的贝叶斯可能性聚类新方法。并对算法收敛性、算法复杂度等方面作了理论探讨。在合成数据集和真实数据集上的实验表明,所提算法扩展了传统可能性聚类性能,改进了聚类结果。

一种基于马氏距离的可能性聚类方法

可能性聚类方法在数据分析和模式识别领域被广泛应用。本文通过选择马氏距离,构造一种特殊的基于马氏距离的可能性聚类方法。该方法在保持可能性聚类性能的同时,能有效地防止一致性聚类的发生,依照最大最小概率原理,根据聚类的结果直接推断出聚类结果的误分下界,从而判断聚类的有效性。最后通过图像分割实验和标准数据集实验,验证了该算法的优越性。

基于非欧式距离的可能性C-均值聚类

改进型可能性C-均值聚类(Improved possib ilistic C-means,IPCM)是在综合了模糊C-均值聚类(Fuzzy C-means,FCM)和可能性C-均值聚类(Possib ilistic C-means,PCM)的基础上得到的。在IPCM的基础上,利用鲁棒统计观点和影响函数,引入一种新的距离度量以代替IPCM的目标函数中的欧式距离度量,提出了一种新的可能性C-均值聚类模型(A lternative improved possib ilistic C-means,A IPCM),并给出了该模型的具体实现算法。A IPCM具有良好的鲁棒性,更适合对含有噪声或野值的数据进行划分聚类。仿真实验表明,A IPCM能克服噪声敏感性问题,获得合适的聚类中心和高的聚类准确率。

可能性模糊C-均值聚类新算法

模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.

基于样本-特征加权的可能性模糊核聚类算法

经典的模糊C-均值聚类算法存在对噪声数据较为敏感、未考虑样本属性特征间的不平衡性及对高维数据聚类不理想等问题,而可能性聚类算法虽然解决了噪声敏感和一致性聚类问题,但算法假定每个样本对聚类的贡献程度一样。针对以上问题,提出了一种基于样本-特征加权的可能性模糊核聚类算法,将可能性聚类应用到模糊聚类中以提高其对噪声或例外点的抗干扰能力;同时,根据不同类的具体特性动态计算样本各个属性特征对不同类别的重要性权值及各个样本对聚类的重要性权值,并优化选取核参数,不断修正核函数把原始空间中非线性可分的数据集映射到高维空间中的可分数据集。实验结果表明,基于样本-特征加权模糊聚类算法能够减少噪声数据和例外点的影响,比传统的聚类算法具有更好的聚类准确率。

基于空间信息的可能性模糊C均值聚类遥感图像分割

可能性模糊C均值(PFCM)聚类算法作为模糊C均值(FCM)聚类算法的一种改进算法,能在一定程度上克服FCM算法对噪声的敏感性;但由于PFCM没有考虑像元间的空间信息,对含有较大噪声的图像分割效果依然不理想。为此,提出一种新的基于空间信息的PFCM算法(SPFCM),克服了PFCM算法对含有较大噪声的图像分割效果不佳的缺点。通过对人工图像和IKONOS遥感图像进行分析,结果表明,SPFCM算法无论是在视觉上还是在分割正确率上都优于传统的FCM算法、PFCM算法及两种加入空间信息的FCM算法;对于含有高斯噪声和盐椒噪声的图像,平均分割正确率高达99.71%,是一种去噪效果较好的图像分割算法。

一种改进的可能模糊聚类算法

通过分析FCM、PCM、IPCM和PFCM等流行的聚类算法和它们在噪声环境下所面临的问题,提出一种概率模糊聚类新算法(SWPFCM),该算法结合样本加权和一种适用于噪音环境下的初始化聚类中心的方法,可以有效地消除噪声对聚类结果的影响。实验表明,SWPFCM算法具有处理大量噪声数据的能力,但对于没有噪声或噪声很少时,效果不明显,当目标样本集中出现噪声时,使用SWPFCM算法聚类将会得到满意的聚类结果。

一种基于加权特征的可能模糊聚类方法

利用数据点特征权重的概率约束关系和可能分布,提出了分别建立在概率和可能加权特征方式之上的改进可能模糊聚类的两种模型。其中建立在可能约束之上的改进PCM算法扩展了原算法,具有更广泛的适用性。实验结果表明,算法能够实现不同概率权重或可能分布特征条件下的模糊聚类,扩展了改进的PCM算法,适用性更广。与PCM及其改进算法相比,聚类的效果较为明显。

一种Web用户访问路径的可能性模糊聚类算法

结合Web用户访问特点,针对Web用户访问路径聚类分析中普遍存在的对象类别不确定性现象进行了研究.结合模糊聚类和可能性聚类的特点,提出来一种新的用户访问路径的可能性模糊聚类算法.新方法通过定义相关的截集,自动地将对象分配到若干簇中,避免了人工干预,实现了交叉聚类的目的.新方法建立在leader聚类算法的框架上,只需要扫描数据集一遍使得算法效率大大提高.在标准数据集上的对比试验表明新算法不仅是有效的,而且效率较高.

多尺度可能性聚类算法

针对可能性聚类算法对初始化参数敏感及容易产生重合聚类的问题,提出了多尺度可能性聚类算法(MPCM)。算法结合均值漂移聚类算法与可能性聚类算法的思想,使其既保留了均值漂移聚类算法中能够揭示数据的多尺度聚类结构、不依赖于初始化参数的优点,也保留了可能性聚类算法可对数据集进行模糊划分的优点。同时,避免了均值漂移算法计算量过大以及可能性聚类对容易产生重合聚类的缺点。与传统的可能性聚类及其改进算法的对比实验结果表明,MPCM能够更加准确地揭示数据在不同尺度下的聚类结构,具有相对较好的聚类性能。

一种二型模糊可能性聚类红外图像分割算法

提出了一种新的基于二型模糊可能性聚类的红外图像分割算法。针对受概率约束的模糊聚类算法和不受概率约束的可能性聚类算法在红外图像分割时存在的问题,采用二型模糊系统融合两种分割算法的隶属度函数,将隶属度函数看作一个区间型分布,而不是单独采用两种算法输出的确定模糊值。这种处理方式不但能有效抑制噪声及野值,而且能有效防止红外图像的过分割。实验仿真结果表明,该算法较传统聚类算法能获得更好的分割效果,可有效抑制噪声对目标区域分割的干扰。

基于改进可能性聚类算法的轴承故障诊断

通过研究轴承及其组件的振动信号来分析其工作状况是机械故障检测和诊断的一种常用方法。针对传统可能性聚类算法用于故障诊断时存在的问题,将改进可能性聚类算法与聚类有效性指标相结合,提出一种无监督的可能性聚类算法。将算法应用于滚动轴承的故障诊断中,实验结果表明,该算法不但能够自动确定聚类个数,对噪声具有较好的鲁棒性,而且聚类的准确性高于传统可能性聚类算法。