一种非对称距离下的粗糙粒结构选择方法

针对目标信息系统中粒结构在近似求解中的选择问题,给出一种非对称距离下的粗糙粒结构选择方法.首先,在商空间知识距离框架下定义了一种非对称知识距离,用以刻画条件知识与目标概念之间的近似程度.其次,在同一目标信息系统中,按条件属性的不同添加顺序,建立相应的非对称知识距离序列.再次,在属性代价约束条件下,引入粗糙粒结构评价参数.最后,选择评价参数较小的粗糙粒结构逐级进行求解.

一种非对称距离下的层次聚类算法

层次聚类算法在数据挖掘领域有着广泛应用,现有的层次聚类算法都依赖于对称距离定义.针对聚类对象的非对称距离下的层次聚类展开研究,提出完整的非对称距离下的层次聚类算法,给出聚类对象选择因子,并定义相应的计算方法.文中提出不同簇之间的合并方法,形成非对称距离下的单连接、全连接等算法.采集社会化书签系统中的热点标签,基于共现次数定义非对称距离,对所提出的算法进行大量实验,实验结果表明聚类结果与实际结果具有较高的一致性.对算法进行量化指标分析的结果也表明非对称层次聚类算法具有良好性能.

点对称距离模糊C均值聚类算法在脑部MRI图像分割中的应用

背景:在传统的图像分割方法中,模糊C均值聚类算法应用十分广泛。目的:将改进的模糊C均值聚类算法应用到MRI图像的分割中,提高MRI图像分割的准确度。方法:针对传统的基于Minkowski距离的模糊C均值聚类算法,提出了基于点对称距离的模糊C均值聚类算法,并将其运用到了脑部MRI图像分割中。结果与结论:实验结果表明,与模糊C均值聚类算法相比,点对称距离的模糊C均值聚类算法有明显的优势。

非对称距离的旅行商问题的构造算法

文章分析了非对称距离的旅行商问题 ,讨论了节约算法与最小生成树算法两种启发式方法 ,并用实例进行了说明。最后对算法的有效性进行了说明。

一个关于非对称距离的旅行商问题的迭代算法

本文对非对称距离的旅行商问题,给出了一个迭代算法,并分析了此迭代算法的复杂度为M O(N4),其中,N是问题中旅行商所要经过的城镇数,M是两城镇间的最大距离。最后用实例对此算法进行了验算和说明。

基于方向约束的对称距离聚类算法

K-means算法是数据挖掘领域研究、应用都非常广泛的一种聚类算法,其各种衍生算法很多,其中包括近年出现的以点对称距离为测度的K-means聚类算法。在点对称距离聚类算法的基础上提出一种新的聚类算法,根据对对称性的分析,为对称性的描述增加方向约束,提高对称距离的描述准确性,以此来提高聚类的准确性。同时,针对对称点成对出现的特点,调整了聚类过程中的收敛策略,以对称点对连线中点计算聚类中心,改善了基于对称距离的聚类算法收敛性能。通过数值仿真比较了所提算法与原有算法的优劣,结果显示该算法在计算复杂度不变的条件下获得了更准确的结果,聚类结果更接近数据的真实分类。

基于分散分配的非对称距离倒排索引机制研究

随着计算机多媒体技术的快速发展,基于图像内容的检索逐渐成为了热点的研究问题。图像的特征描述和特征索引机制的建立是实现基于内容图像检索的关键。根据图像局部特征向量与聚类中心的相对距离,建立非对称距离计算倒排索引机制。为了进一步提高查询效率,本文将可能落入多条哈希链表中的数据库向量进行多次编码,实现了基于分散分配的非对称距离计算倒排索引机制。通过实验可以发现,这种索引机制可以有效的提升查询效率。

基于对称K-L距离及决策者主观偏好的混合属性决策方案客观权重确定方法

为直接获得含有不确定信息的混合属性决策方案指标属性的客观权重,提出对称Kullback-Leibler(K-L)距离并考虑决策者对不确定数的确定项和不确定项设定偏好比例的方法.将混合型数据指标值统一转化为二元联系数,进而转化为二元组数,并进行规范化处理以使其在各属性下具有可比性.计算各个属性下各个方案指标之间的两两对称K-L距离.汇总各属性下的两两对称指标K-L距离的值作为其初始客观权重,并经归一化后得到各属性的客观权重.算例分析表明,该客观属性权重确定方法能够最大程度上减少信息的失真,且处理方法统一,原理简单,能够较好地解决含有不确定信息的客观属性权重的确定问题,同时也验证了决策者的主观偏好对客观权重的确定具有较大的影响.

一种基于非对称冲突度量的证据融合决策方法

在Dempster-Shafer(D-S)证据理论中,传统的冲突度量是对称的。由于对称冲突度量无法反映两个证据之间相互支持程度的差异,提出了一种新的非对称冲突度量方法,非对称Jousselme距离。利用非对称Jousselme距离与平均距离之间的关系,得到距离关系矩阵,绘制证据之间的关系图,确定融合顺序和不予融合的证据。利用Dempster组合规则依次组合证据,得出融合决策结果。通过数值分析以及与其他方法的比较,表明了所提方法的有效性。

基于总体距离最小的多用户偏好信息融合算法的研究

信息融合是人工智能和知识库领域的一个关键问题。文章根据Dalal提出的距离概念犤1犦定义了多用户偏好信息的融合,提出并证明了一组相关定理,以这些定理为基础可以简洁地得到融合的结果,并在Dalal定义的距离的基础上将距离的定义一般化,提出了不对称距离的概念。现实表明,对于多用户偏好信息的融合,利用不对称距离可以得到更合理的融合结果,这个结果更加符合人们的通常心理。

对称描述符中的卷积积分计算

卷积在数字信号处理和图像处理领域有着广泛的应用。研究了基于圆周函数的对称描述符的卷积积分的计算问题。采用了梯形法对圆周函数取样,离散化卷积积分,并利用快速傅立叶变换计算离散卷积,最后进行复杂度分析和误差分析。

对称差度量及基本性质

以勒贝格测度空间（Ｒ，Ｂ，ｍ ）为基础，以Ｆｕｚｚｙ 集合的分解定理为背景，从集合的对称差的测度出发，给出了一种建立Ｆｕｚｚｙ 数之间的距离的思想方法，并讨论了这种距离的基本性质。

基于对称差测度的Fuzzy度量

以测度空间(X,■,μ)为基础,以客观所需及Fuzzy集的分解定理为背景,从集合的对称差测度出发,建立了几种衡量X上的Fuzzy集之间的距离,并讨论了它们的基本性质。

基于改进置信距离的多传感器一致性校验

针对置信距离不对称,最大一致传感器组求取的算法复杂,数据分析量大的问题,文章基于对称置信距离,对一致性关系矩阵中的元素预处理,从而简化矩阵,按照可能性从大到小的顺序,依次寻找最大一致传感器组。实验结果表明,该方法可行性高,算法时间复杂度降低,运算效率高。

确定RBF神经网络参数的新方法

提出一种确定RBF网络隐含层神经元和权值的有效方法。该方法将自动聚类算法与对称距离相结合优化每个隐含层神经元的中心向量;利用伪逆方法确定隐层神经元到输出神经元的权值。实验结果表明:该方法比自动聚类算法有更好的分类能力。

面向图像检索的累加乘积量化方法研究

针对经典的乘积量化方法易受数据相互依赖关系限制的问题,提出一种累加乘积量化方法。对高维特征向量进行正交分解,得到相互独立的特征向量子空间,依据压缩效率要求,对各特征向量子空间进行进一步分解,得到相互不独立的特征向量次子空间,对次子空间采用累加量化方法进行编码,对子空间采用乘积量化方法进行编码,在保障压缩效率的前提下降低数据相互依赖关系对量化精度的影响。实验结果表明,与经典的乘积量化方法和笛卡尔K-均值方法相比,该方法的编码误差较小,在图像检索应用中的查全率较高。

基于SIFT的图像盲取证方法

采用一种基于尺度不变特征变换的算法提取图像特征,使用乘积量化的近似最近邻搜索方法对子空间分别进行量化,运用非对称距离算法计算特征向量之间的欧氏距离,提出一种新的数字图像复制粘贴被动盲取证方法。实验结果表明,该方法能够准确地对复制区域经过预处理的伪造进行检测,减少内存的使用量和空间复杂度,缩短搜索时间。

基于乘积量化的近似最近邻算法

多媒体数据平台难以应付海量数据高效索引和搜索数据的问题,提出了一种解决近似最近邻问题的乘积量化算法。首先,根据海量数据索引和搜索问题的特性,采用近似最近邻思想建立数学模型;然后通过将数据的高维特征分段进行单独k最近邻编码得到数据的压缩编码;其次,根据编码方式建立解码器使得压缩编码可以近似地还原成原始特征。最后利用非对称距离计算的方式,计算出原始向量与压缩编码的距离,根据该距离来判断数据之间的相似程度达到搜索的目的。理论分析表明,与传统的基于局部哈希敏感的数据搜索算法相比,采用非对称距离计算的乘积量化算法在同等时间和召回率的条件下,搜索速度提高了约1 000倍。

基于K-means算法的RBF神经网络预测光伏电站短期出力

对K-means算法加以改进,使用减法聚类确定聚类中心数量;以相距最远的两个样本作为聚类中心的边界,改进的K-means算法将K个初始中心分散到含有输入样本点的各个区域中,使其能够反映样本之间的关系和分布特征;初始中心确定后,使用点对称距离方法调整聚类中心。利用改进的K-means算法将历史日聚类分成4种天气类型,取相似日作为训练样本,对4种天气类型分别建立基于改进K-means算法的RBF神经网络功率预测模型。采用上海某光伏电站实测数据验证,结果表明提出的的预测方法精度提高,实用性较强。

Mean Shift的渐进无偏变换图像配准

基于标志点对应关系的图像配准方法不能保证变换的无偏性,一般不适用于大形变配准问题。该文提出了一种基于标志点对应关系的渐进式无偏变换图像配准方法,该方法利用少量的初始标志点对,通过Mean Shift迭代寻找对应标志点对,构造无偏性较好的变换函数,逐步得到一致的配准结果。文中详细讨论了标志点的分布对变换函数无偏性的影响,实验结果表明该文方法可以同时适用于大形变和小形变配准,是一种简单、有效的配准方法。