一种噪声容错弱监督矩阵补全的生存分析方法

生存分析旨在预测某个感兴趣事件发生前的延续等待时间,已广泛应用于临床治疗中患者的生存状态分析.然而,受限于研究代价高昂和环境因素的影响,现有的生存分析方法不可避免地面临着高维小样本挑战以及复杂环境所引起的噪声敏感等问题.为了克服上述缺陷,本文提出一类噪声容错弱监督直推式矩阵补全(Weakly supervised transductive matrix completion,WSTMC)生存分析方法.该方法首先将生存分析问题建模为多任务直推式矩阵补全模型,然后引入高斯混合分布拟合真实数据中的复杂噪声以减轻模型的噪声敏感性,同时设计了一类多任务直推式特征选择机制来缓解高维小样本所带来的过拟合缺陷.此外,设计了一类有效的拟期望最大化优化算法用于求解所提出的WSTMC模型.最后,5个微阵列基因表达数据集上的实验结果证实了所提出的WSTMC模型优于当前广泛使用的18种生存分析方法.

图趋势过滤诱导的噪声容错多标记学习模型

针对多标记学习中特征噪声和标记噪声经常共同出现的问题,提出了一种图趋势过滤诱导的噪声容错多标记学习模型(GNTML)。该模型通过组稀疏约束桥接增强的标记,从而同时容忍特征噪声和标记噪声。模型的关键之处在于标记增强矩阵的学习。为了在混合噪声场景下学习到合理的标记增强矩阵,首先通过引入图趋势过滤(GTF)机制来容忍含噪示例特征与标记之间关联的不一致性,从而减轻特征噪声对标记增强矩阵学习的影响;然后通过引入组稀疏约束的标记保真惩罚来减轻标记噪声对标记增强矩阵学习的影响,同时引入标记关联矩阵的稀疏约束来刻画标记之间的局部关联特性,使得样本标记能够在相似样本之间得到更好的传播;最后在7个真实多标记数据集上进行5个不同评价指标下的实验。实验结果表明,提出的模型在66.67%的情况下取得最优值或次优值,优于其他5个多标记学习算法,能有效地提高多标记学习的鲁棒性。

基于噪声容错UWB定位的高程越界检测算法研究

针对变电站改扩建施工过程中高程越界违章检测的实际需求,探讨采用一种基于超宽带(UWB)定位技术的虚拟电子围栏方案替代传统的物理围栏。UWB本质上是一种基于测距的无线定位技术,其定位精度依赖于UWB节点间距离信息的完备和准确程度。然而,在变电站改扩建施工的复杂场景下,UWB节点所获取到的距离信息往往是缺失或含噪的。为此,提出一种基于混合指数幂分布的噪声容错超宽带定位算法,该算法一方面引入混合指数幂分布拟合不可预知的复杂噪声,另一方面采用低秩矩阵分解技术补全缺失的距离信息。与已有的其他方法相比,所提出的噪声容错UWB定位算法能很好地重构UWB节点间的距离信息,从而确保了复杂环境下高程越界违章检测方案的可行性。