面向层次结构数据的增量特征选择

随着大数据时代的到来,数据样本量越来越多,维度越来越高,同时样本标签存在复杂的层次结构关系。采用包含策略,研究了基于依赖度的分层分类增量特征选择,解决了标签具有树结构且标签分布在任意节点的分层分类问题。首先,利用标签之间的层次结构,采用包含策略来缩小负样本空间。其次,使用模糊粗糙集理论,提出了一个基于包含策略的模糊粗糙集模型,设计了一个基于包含策略的依赖度计算算法和一个非增量特征选择算法。基于此,引入增量机制,提出了基于包含策略的依赖度增量更新方法,设计了两个基于两种策略的增量特征选择算法。最后,将此方法与基于兄弟策略的依赖度进行对比,通过实验验证了所提方法的可行性与高效性。

数据流分类中的增量特征选择算法

概念流动的出现及数据的高维性增加了数据流特征选择的复杂性。信息增益是最有效的特征选择算法之一,但计算量大。对信息增益做了等价替换,提出一种基于改进信息增益的混合增量特征选择(IFS)算法。该算法首先利用与分类器无关的评价函数选出候选特征集合,然后将分类器作用于候选特征集合,利用分类精度作为评价标准去选择特征子集,在遇到概念漂移时重新选择特征子集。通过在超平面数据集和UCI数据集上的实验,表明基于IFS算法的分类器能够很快地适应概念漂移,并且比基于全部特征的分类算法有更高的精度。

基于增量特征和局部奇异性的水下图像分割法

针对深海三类典型的纹理:热液、岩石和海水,提出了一种新的基于增量特征和局部奇异性的水下图像分割方法.定义了一种新的增量特征s(d),反映像素点由小尺度到大尺度变化的剧烈程度;利用二维小波变换分析图像局部奇异性,并结合多项式拟合的方法提取奇异性特征P;最后根据s(d)和P组成特征矢量,结合k均值聚类方法,对图像进行分割.实验结果表明该方法能有效地分割出上述三类纹理.

用多样性增量特征选择技术识别蛋白质磷酸化位点

磷酸化是最重要的蛋白质翻译后修饰之一,在许多细胞过程中扮演重要角色。发展磷酸化位点精确识别的计算生物学方法,有助于对磷酸化信号转导机制的理解。本文给出一种激酶无关的磷酸化位点识别模型,称为FSID_PhSite。模型以k间隔氨基酸对组分和位置保守氨基酸组分为特征,应用多样性增量特征选择技术进行特征筛选,将选出的特征输入到支持向量机算法进行识别。在正负样本数之比为1:1的情形下,对磷酸化丝氨酸、苏氨酸和酪氨酸在独立测试集检验,识别精度分别达到84.34%、82.32%和68.89%。结果优于现有的激酶无关磷酸化位点识别模型。

采用电流增量关联度的柔直配电线路双端量保护

针对有效提升多端柔性直流配电线路双端量保护动作速度以及抗干扰能力的问题,提出一种基于故障电流增量关联度比较的直流线路双端量快速保护方法。该方法利用直流线路两侧故障电流增量的变化特性,利用灰色T型关联度算法对故障电流增量的变化态势实测数据求解关联度,分别对正负极线路首末端电流增量序列的灰色T型关联度进行比较,实现线路故障的快速切除。通过在PSCAD/EMTDC平台搭建±10 kV多端柔性直流配电系统进行算例仿真分析,结果表明该保护方法可以准确判别区内外故障,保护实现流程原理简单,动作快速可靠,具有良好的适用性。

认知障碍脑功能磁共振图像的孪生网络特征工程算法

功能磁共振成像技术(fMRI:functional Magnetic Resonance Imaging)是一种高效的脑成像技术研究方法,为减少fMRI数据的冗余,将其转换为更具分类潜力的特征,提出一个基于孪生网络(SANet:Siamese Network)的特征构造算法SANet,将多个扫描点下的脑区信息类比为图,应用改进的AlexNet网络进行特征构造,并结合增量特征选择策略达到优化分类的目的。通过实验对比3种不同网络结构和4种分类器对SANet模型的影响,并进行消融实验,验证增量特征选择算法对SANet构造特征的分类效果。实验表明,SANet模型能对fMRI数据进行有效构造,且提高原始特征的分类性能。

缺失数据数据集的组增量式特征选择

实际应用中获取到的数据集通常是动态增加的,且随着数据获取工具的迅速发展,新数据通常会一组一组地增加。为此,针对含有缺失数据的动态数据集,基于粗糙集理论,提出了一种组增量式的粗糙特征选择算法。首先分析、证明了信息熵的组增量计算公式,并以信息熵作为特征重要度的度量,在此基础上设计了基于信息熵的可有效处理含有缺失数据的动态数据集的组增量式特征选择算法。实验结果进一步证明了新算法的可行性和高效性。

一种面向特征增量的软件产品线分析方法

针对现有的面向特征的软件产品线分析方法大多着眼于细粒度的特征,对宏观特征考虑不多,导致对产品线体系结构支持不足的问题,基于逐步精化的思路,提出特征增量概念,试图捕捉和描述产品线中产品的宏观联系与差异,以增强从需求到产品线体系结构再到单个产品体系结构的可跟踪性和可维护性.分析了特征增量的依赖关系和组合原则,并给出了基于目标场景的面向特征增量分析过程.结合一个可视化建模工具产品线实例对特征增量和分析过程进行说明.实例表明,特征增量的引入提升了产品线分析的粒度,增强了分析过程的层次性,从而系统且有效的支持产品线的开发活动.

结合切空间及特征空间校准的增量流形学习正则优化算法

高维流式大数据的产生与发展对传统机器学习和数据挖掘算法提出了诸多挑战。本文结合流式大数据流式到达的特性,首先建立自适应增量特征提取算法模型。然后,针对噪声环境,建立基于特征空间校准的增量流形学习算法模型,解决小样本问题。最后,构造流形学习的正则化优化框架,解决高维数据流特征提取过程中产生的降维误差问题,并得到最终的最优解。实验结果表明本文提出的算法框架符合流形学习算法的3个评价指标:稳定性、提高性以及学习曲线能迅速增加到一个相对稳定的水平;从而实现了高维数据流的高效学习。

基于最小二乘支持向量机的特征增量学习算法

本文针对传统的增量学习算法无法处理后采集到的样本中含有新增特征的问题,设计适应样本特征维数增加的训练算法。在基于最小二乘支持向量机的基础上,提出了特征增量学习算法。该算法充分利用先前训练得到的分类器的结构参数,仅对新增特征采用最小二乘支持向量机进行学习。实验结果表明,该算法能够在保证分类精度的同时,有效地提高训练速度并降低存储空间。

基于特征增量的新类识别方法研究

在分类应用的过程中,经常会出现新的类别,导致数据分布发生显著变化,使得原分类模型不再适用。如何识别新的类别使分类模型能适应其出现已经成为一个亟需解决的问题。本文提出基于特征增量的SVDD(支持向量数据描述)新类识别方法。该方法在SVDD算法的基础上,通过增加新特征,扩大特征空间维度从而提高模型对于新类的识别能力。在多个数据集上的实验结果表明,该方法能有效识别新类,使更新后的模型具有更高的准确度。

基于关联规则提取的外语翻译信息密度检测

为了提高外语翻译信息密度检测的有效性,提出基于关联规则提取的外语翻译信息密度检测方法。构建语料特征信息挖掘的二元模型,并采用关联规则提取方法计算关联规则分布特征参数,完成语料特征的提取。根据语料特征提取结果,计算信息密度检测中心点与信息增量特征的多维尺度信息。计算信息的平均可达密度,将其作为密度检测结果进行输出。实验结果表明,相较于传统对比方法,所提方法可以提高外语翻译信息密度检测精度,检测精度在97%左右。

增量深度学习目标跟踪

由于现有目标跟踪算法在复杂环境下易发生目标漂移甚至跟踪丢失,故本文提出了以双重采样粒子滤波为框架,基于增量深度学习的目标跟踪算法。该算法在粒子滤波中引入粒子集规模自适应调整的双重采样来解决粒子衰减及贫化问题,并利用无监督特征学习预训练深度去噪自编码器以克服跟踪中训练样本的不足。将深度去噪自编码器应用到在线跟踪中,使提取的特征集合能够有效表达粒子图像区域。在深度去噪自编码器中添加了增量特征学习方法,得到了更有效的特征集以适应跟踪过程中目标外观变化。该方法还用线性支持向量机对特征集合进行分类,提高对粒子集合的分类精度,以得到更精确的目标位置。在复杂环境下对不同图片序列进行的实验表明:该算法的跟踪综合评价指标为94%、重叠率为74%,平均帧率为13frame/s。与现有的跟踪算法相比,本算法有效地解决目标漂移甚至跟踪丢失问题,并且对遮挡、相似背景、光照变化、外观变化具有更好的鲁棒性及精确度。

档案管理中文本数据的增量多模态聚类方法

随着现代档案管理数据量的不断增长,有效地对档案文本进行聚类划分能够提升档案分类和检索的效率。文中提出2种增量多模态文本数据聚类方法,通过对文本内容进行多视角分析,融合挖掘文本的潜在主题特征,提升文本聚类的准确性。此外,设计文本聚类多模态增量学习模型,提升海量、动态文本划分的效率。在文本数据集上的实验结果表明,文中提出的增量多模态文本聚类方法优于单模态和多模态聚类算法,能够对文本数据进行有效划分。

用主链局域结构关联特征识别疟原虫分泌蛋白

应用生物信息学方法识别疟原虫分泌蛋白和非分泌蛋白,为了提供快速的抗疟疾药物和疫苗的设计药物靶标筛选手段,采用径向核函数支持向量机进行疟原虫分泌蛋白和非分泌蛋白的分类识别.Jackknife检验结果表明,敏感性为85%,特异性为90%,总精度为88%.与现有的其它模型相比,在保证较高识别精度的前提下,大幅降低了模型所使用的特征数,增强了识别模型的鲁棒性.构建精度高且鲁棒性好的药物靶标蛋白质生物信息学识别模型,一方面可以为理解蛋白质功能机制提供有价值的线索,另一方面可作为针对病源蛋白进行药物和疫苗设计的快速筛查手段.

基于协方差矩阵特征分解的MIMO阵列多目标检测方法

正交波形MIMO雷达各阵元发射相互正交的信号波形,采用低增益的宽波束照射探测空域。利用信号和噪声特征值大小以及特征增量之间的差异,提出了MIMO阵列特征门限(ET)多目标检测方法(MIMO-EI),并与常规阵列算法做比较,通过计算机仿真说明MIMO-ET方法双目标检测能力优于传统相控阵ET方法。

基于DTW的轮廓特征目标识别算法

为提升传统目标轮廓识别算法的实时性,提出一种基于动态时间规整(dynamic time warping, DTW)的轮廓特征目标识别算法。该算法将质心高度增量特征描述符与DTW相似性度量算法相结合,首先对目标轮廓均匀提取采样点,并对目标图像以及模板图像轮廓点的质心高度增量特征进行提取,然后使用DTW算法寻找规整路径的方法对目标图像以及模板图像的特征矩阵进行相似性度量,最后定义形状复杂度,同时联合翻转目标的二次匹配得出最终识别结果。实验结果表明,所提出算法在MPEG-7、Kimia99数据集中对待测形状能够在保证识别率优于大多数常见的传统目标识别算法的同时提升目标识别的实时性。

步进电机电流信号测量及其负载估算方法研究

因为感应电机、伺服电机的输出力矩大小同其电流的幅值有直接的关系,且电流信号易于采集,故可以直接由采集电流的幅值,评判电机的负载情况。但是对于步进电机而言,其驱动控制原理同上述两种电机有较大不同,采用恒流斩波控制方式,无论电机的末端负载多大,均表现为相近的电流波形。这造成仅通过采集的电流信号,无法直接表征设备的负载情况。本文通过深入分析步进电机的驱动原理,基于设备位置信号和相电流信号,得到同电机负载正相关的增量残差累加特征量。通过搭建专用的测试平台,基于实测实验验证了本文提出方法的有效性。

一种水下退化图像的增强方法

针对水下退化图像的特点,提出了一种以邻域像素的增量特征为指导的插值增强方法,根据不同的增量特征判断待插值点的插值类型,再对不同插值类型分别设计插值算法,最后对插值图像进行修正增强。实验结果表明了方法的有效性。

印刷图像质量评价方法的研究

印刷图像的质量是指图像各种质量特性以印刷工艺再现图像过程中相互作用所形成的综合性产物。在印刷复制过程中,视觉判读性和复制工艺的评价十分重要。本文采用网点转移特征面积增量和平均网点面积增量两种方法评价研究印刷图像质量和工艺方法,通过对国内外几种典型印刷图像的参数测定分析结果表明,这两种指标对印刷图像衰退非常敏感,并且不受原稿种类不同的制约。其评价结果不仅与传统评价方法的结果一致,而且对现有工艺的改进具有一定的指导作用。本文曾获武汉测绘科技大学科技基金资助。