基于均值的谱聚类特征向量选择算法

在数据聚类当中,谱聚类是最流行的方法之一,其性能取决于所选取相关图的拉普拉斯(Laplacian)矩阵的特征向量。对于一个K类问题,Ng-Jordan-Weiss(NJW)谱聚类算法通常采用Laplacian矩阵的前K个最大特征值对应的特征向量作为数据的一种表示。然而,对于某些分类问题,这K个特征向量不一定能够很好地体现原始数据的信息。本文提出一种基于均值的谱聚类特征向量选择算法。该算法首先得出图的Laplacian矩阵的前3K个最大特征值的均值,然后选取K个离均值最近的特征值所对应的特征向量。相比传统谱聚类算法,该算法在UCI数据集上获得了较好的聚类性能。

基于向量选择的神经纤维跟踪改进算法

为了使跟踪出的神经纤维更加平滑,本研究在基于向量选择跟踪算法的基础上,提出了一种改进方法。首先将向量选择的标准细化,区分出与前步纤维路经方向大致相反的体素;然后将此类体素的距离权重系数进行调整,将反方向贡献转化为正向贡献实现平滑跟踪。对比实验结果表明:本研究的改进算法能够有效去除纤维跟踪过程中出现的抖动,使纤维路径延长,更好的表现神经纤维的解剖特点和脑白质区域的连通性。

基于特征向量选择的非线性盲分离算法

在基于解广义特征方程的线性混合信号盲分离方法的基础上,结合核特征空间给出了一种基于特征选择的非线性混合信号盲分离算法。该算法首先将非线性混合信号映射到高维特征空间,根据适应度函数选出一组完备的特征向量基。其次,通过这组特征向量基将高维特征空间的信号映射到参数空间,从而把非线性混合信号盲分离问题转化为特征空间的线性混合信号盲分离问题。在特征空间中,应用基于解广义特征方程的线性混合信号盲分离方法对信号进行分离。该方法稳定性好,收敛精度高,计算量小。仿真结果表明该算法具有良好的分离性能。

故障模拟中的测试向量选择

本文就测试向量的选择问题作了较为详细的讨论。如何从宠大的向量空间中选择一个有效的向量子集，并使得在满足测试复盖率要求下，能加速测试过程是电子设计自动化ＣＡＤ和ＣＡＴ普遍关心的问题。以最大距离的向量选择原则在实验系统中显示出了它的有效性。

谱聚类中基于熵排序的特征向量选择方法

Ng-Jordan-Weiss(NJW)是使用最广泛的谱聚类算法之一。对于一个K类问题,该算法使用数据集标准化的亲合矩阵的最大的K个特征向量来划分数据。已经证明,K-way划分的谱放松解决方法在于对这K个最大的特征向量子空间的划分。然而,从大量实验表明,前K个最大的特征向量并不总能检测得出真实的模式识别问题的数据结构。所以,谱聚类中特征向量的选取变得很有必要。

平面向量选择、填空题的解题策略

平面向量是近几年高考常考的一个内容,它在选择题或填空题中常以单独成题考查,基本上属于基础题或中档题,也可以结合三角函数、解析几何等知识考查.这就要求学生对向量的基本运算,向量的几何意义有较好的理解。

基于GPU的最大化1～n倍检测的测试向量选择方法

针对已有的测试向量选择方法采用串行程序实现，难以应对测试程序时间及测试数据量迅速增加的问题，提出一种基于GPU的测试向量选择方法，用于高效地从大测试向量集（n倍检测的测试向量集或随机的测试向量集）中选择出较高测试质量的测试向量．在考虑受限的测试时间／成本的条件下，采用GPU编程将测试向量选择过程并行化，以最大化1～n倍检测覆盖率为目的，将测试向量按照故障检测能力从大到小排序，从而在实际芯片测试时能够尽快淘汰故障芯片，减少测试时间．实验结果表明，与国际上考虑”倍检测的测试选择工作相比，该方法获得了21．9倍加速；与商业工具产生的同样大小的测试集相比，该方法得到的测试集具有更好的1～n倍检测覆盖率（平均提升3．2％～8．3％），同时也能获得更加陡峭的故障覆盖率曲线．

向量角选择和指标删除的高维多目标进化算法

针对进化算法求解高维多目标优化问题平衡收敛性和多样性所面临的挑战,提出了向量角选择和指标删除的高维多目标进化算法(MOEA/AS-ID)。该算法在环境选择过程中设计了一种包含两种策略的协作机制逐一删除收敛性和多样性差的解以保留精英个体参与下一代的进化。前者基于向量角的选择策略用于选择一对在目标空间具有相似搜索方向的解,后者基于指标的删除策略采用同时兼顾个体收敛性和分布性的I_(SDE)^(+)指标比较被选择的这一对解,然后删除具有较小指标值的解,进而促使种群朝各个方向收敛到帕累托最优前沿,最终平衡解集的收敛性和多样性。在包含各种特征的3组标准测试系列问题DTLZ、SDTLZ、MaF上,MOEA/AS-ID与近年提出的6个涵盖了当前各种类型的高维多目标进化算法执行了广泛的对比仿真实验和数值结果分析。仿真结果和数值分析表明所提算法MOEA/AS-ID求解各种特征的高维多目标优化问题平衡收敛性和多样性的能力具有较强的竞争力。

半监督谱聚类特征向量选择算法

对于一个K类问题,Ng-Jordan-Weiss(NJW)谱聚类算法通常采用数据规范化亲和度矩阵的前K个最大特征值对应的特征向量作为数据的一种表示.然而,对于某些模式识别问题,这K个特征向量不一定能够体现原始数据的结构.文中提出一种半监督谱聚类特征向量选择算法.该算法利用一定量的监督信息寻找能够体现数据结构的特征向量组合,进而获得优于传统谱聚类算法的聚类性能.UCI标准数据集和MNIST手写体数据集上的仿真实验验证该算法的有效性和鲁棒性.

基于贝叶斯优化算法的脸面特征向量子集选择

Eigenvector subset selection is the key to face recognition. In this paper ,we propose ESS-BOA, a newrandomized, population-based evolutionary algorithm which deals with the Eigenvector Subset Selection (ESS)prob-lem on face recognition application. In ESS-BOA ,the ESS problem, stated as a search problem ,uses the BayesianOptimization Algorithm (BOA) as searching engine and the distance degree as the object function to select eigenvec-tor. Experimental results show that ESS-BOA outperforms the traditional the eigenface selection algorithm.

一种新颖的动态选择输入向量的仿射投影算法

仿射投影算法利用多个输入向量更新滤波器系数,不同输入向量对滤波器性能影响不同。以均方偏差下降最快为目标,推导了动态选择输入向量的理想条件,该条件适用于仿射投影算法类中的多种算法。在此基础上,提出了一种便于实现的动态选择输入向量的仿射投影算法。理论分析与仿真结果表明:与传统的仿射投影算法相比,该算法具有收敛速率快、稳态误差小和计算复杂度小等优点。

实数向量型阴性选择算法的改进

通过对实数向量型阴性选择算法的分析,提出了检测器空间覆盖率的概念,用它作为估计检测器数量的一项理论依据,将这个估计值引入到实数向量型阴性选择算法中,控制检测器的生成,同时对检测器采取了新的变异操作。实验表明,这一改进在保证算法检出率的同时,又可降低误报率。

实数向量型阴性选择算法的改进

通过对实数向量型阴性选择算法的分析,提出了检测器空间覆盖率的概念,用它作为估计检测器数量的一项理论依据,将这个估计值引入到实数向量型阴性选择算法中,控制检测器的生成,同时对检测器采取了新的变异操作。实验表明,这一改进在保证算法检出率的同时,又可降低误报率。

短时交通流预测中的特征选择算法研究

短时交通流预测是智能交通系统的重要基础,其精度直接影响到交通控制和诱导的效果.对于交通流预测中的非参数回归方法,其中一个重要的问题是状态向量的选取.本文提出基于ReliefF和Delta Test的特征选择算法来对特征向量进行选择.首先使用ReliefF算法根据特征和类别的相关性对状态向量进行快速初步筛选,加快算法的执行效率.接下来以Delta Test为性能指标,使用遗传算法对状态分量的权重进行进一步优选.最后通过基于实际数据的算例,对本文方法优选的状态向量与时间序列状态向量,简单时空关联向量进行了对比.结果表明,本文的方法在一般交通状态条件下和突变交通状态下都具有较好的性能.

一种自动确定特征向量与类别数目的谱聚类算法

目前大多数应用于复杂网络社团划分的算法都不能自动确定类别数目.为了解决该问题,在计算出复杂网络的拉普拉斯矩阵特征值之后,利用特征值间隔提出一种自动确定特征向量与类别数目的谱聚类算法.该算法通过数据构造拉普拉斯矩阵,得到一系列特征值,再利用特征值差值确定聚类数目以及特征向量,然后利用K-means算法对特征向量进行处理最终得到社团划分结果.用MATLAB软件对常用网络进行测试,实验结果表明,该算法对复杂网络社团的划分具有较好的分类准确性.

基于改进离散二进制粒子群的SVM选择集成算法

针对基于离散二进制粒子群(BPSO)的SVM选择集成算法的分类精度不高,以及所选分类器个数过多等问题,利用改进的离散二进制粒子群算法(IBPSO)和SVM选择集成算法相结合,提出基于IBPSO的SVM选择集成算法。通过选用合适的适应度函数以及调节因子k,进行多次仿真,实验表明,对由boostrap方式生成的SVM集合,基于IBPSO的SVM选择集成在精度和分类器个数方面均优于基于BPSO的SVM选择集成,证明了IBPSO算法的优越性。

基于改进多尺度核主元分析的化工过程故障检测与诊断方法研究

针对化工过程数据的多尺度性和非线性特性,提出了改进多尺度核主元分析法。先利用小波变换分析测量数据的多尺度特性,然后采用核主元分析算法进行在线故障检测,对检测到的故障采用核函数梯度算法实现在线故障诊断,根据每个监控变量对统计量T2和SPE的贡献程度,绘制贡献图,用于故障的分离。在监控过程中为解决核矩阵计算困难,引入特征向量选择方法。TE过程的仿真结果表明它能有效实现故障检测、故障诊断,与主元分析方法相比,显示出更高的过程监控能力。

一种新的特征提取方法及其在模式识别中的应用

核典型相关分析(KCCA)是一种有监督的机器学习方法,可以有效地提取非线性特征。然而随着训练样本数目的增加,标准的KCCA方法的计算复杂度会随之增加。针对此缺点,提出一种改进的KCCA方法:首先用几何特征选择方法选择一个训练样本子集并将其映射到再生核希尔伯特空间(RKHS),然后设计了一种提升特征提取效率的算法,该算法按照对特征分类贡献的大小巧妙地选取样本的特征值,进而求出其相应的特征向量,最后将改进的KCCA与支持向量数据描述(SVDD)多分类器相结合用于分类识别。在ORL人脸图像数据库上的实验结果表明,改进的方法相对传统的KCCA方法,在不影响识别率的情况下提高了人脸识别速度,减小了系统存储量。

基于快速提升KLDA准则的MSTAR SAR目标特征提取与识别研究

核线性判别准则(KLDA)是一种非线性特征提取准则。利用KLDA提取MSTAR SAR图像特征,既达到较理想的识别概率,又可克服SAR图像对方位的敏感性。但此时训练样本最多,KLDA的计算代价高。为了解决这一问题,提出一种快速特征向量选择法(FFVS)。FFVS把类别和方位相似的SAR图像分成若干组,然后快速选择各组中部分图像组成一个集合且其到高维特征空间的映射作为一组基。利用该组基的线性组合表示任一样本和投影算子,降低了KLDA中核矩阵的阶数,达到降低计算代价的目的。实验结果表明,FFVS与KLDA组合能达到理想的识别结果。

基于半正定秩松弛方法的稳健波束形成

现有的向量加权稳健波束形成方法只有在指向误差较小的情况下才能有效估计目标的信号功率;矩阵加权波束形成方法在指向误差较大时,虽然可以估计目标的信号功率,但是它的系统实现复杂度与向量加权稳健波束形成方法相比较大。针对以上问题,该文提出基于半正定秩松弛(SDR)方法的稳健波束形成,该方法优化模型中的目标函数与Capon算法的目标函数相同,优化变量为加权向量的协方差矩阵,并约束方向图的主瓣幅度波动范围、旁瓣电平,协方差矩阵的秩为1。应用SDR方法求得加权向量的协方差矩阵,将该矩阵中的每一行(列)转化为加权向量,然后选择使得方向图主瓣与0 dB之间失真最大值最小的一个加权向量。该方法的系统实现复杂度与传统向量加权方法一致,对信号功率的估计性能与矩阵加权方法相当。仿真实验验证了该文方法可以得到理想的方向图形状,并且可以在大指向误差条件下有效估计信号功率。