基于模糊形状上下文与局部向量相似性约束的配准算法

非刚性点集配准研究是模式识别领域的一项重要基础研究.本文在当前流行的非刚性点集配准算法的基础上提出了两个主要贡献:1)模糊形状上下文(Fuzzy shape context, FSC)特征;2)基于局部向量特征的局部空间向量相似性约束项.本文首先进行基于特征互补的对应关系评估,在这一步骤中定义了模糊形状上下文特征,然后基于模糊形状上下文特征差异和全局特征差异设计了特征互补的高斯混合模型.其次,进行基于约束互补的空间变化更新.在这一步骤中,定义了局部向量特征,建立了局部空间向量相似性约束项.本文算法通过使用特征互补的高斯混合模型进行对应关系评估,并将配准问题转化为可以用期望最大化(Expectation maximization, EM)算法解决的参数优化问题,通过创建包含局部空间向量相似性约束项的能量方程优化了空间变换更新.本文首先测试了模糊形状上下文特征的检索率,然后采用公开数据集测试了算法在点集配准与图像配准的性能.在与当前流行的十种算法的对比实验中,本文算法均给出了精确的配准结果,并在大部分实验中精度超过了当前流行算法.

引入局部向量点积密度的数据流离群点快速检测算法

现有数据流离群点检测算法在面对海量高维数据流时普遍存在运算时间过长的问题。为此,提出一种引入局部向量点积密度的高维数据流离群点快速检测算法。以保存少量中间结果的方式只对窗口内受影响的数据点进行增量计算,同时设计2种优化策略和1条剪枝规则,减少检测过程中各点之间距离的计算次数,降低算法的时空开销,从而提高检测效率。理论分析和实验结果表明,该算法可以在保证检测准确性的情况下有效提高数据流的离群点检测效率,并且可扩展至并行环境进行并行加速。

局部支持向量机的研究进展

支持向量机是一种用途广泛的分类器,标准的支持向量机在预测每个样本点的类别时使用了训练集中所有的样本信息(即全局信息),然而这种全局化的方法并不蕴含一致性。局部支持向量机的提出符合"一致性蕴含局部性"的思路。首先回顾局部支持向量机的主要思想,然后阐述各种关于局部支持向量机的改进,并提出基于协同聚类的局部支持向量机用于大规模数据集,最后对局部支持向量机进行总结。

日气温多元时间序列局部支持向量回归预测

气温预报是天气预报的重要因素之一,但大气系统是一个复杂的非线性系统,要提高预报精度,需要探索新的预报方法。研究一种多元时间序列局部支持向量回归的日气温预测方法,以日最高、最低气温为例,使用C-C方法和最小预测误差法构造日最高、最低气温的多元时间序列,将分段提取最近邻点的方法应用于局部支持向量回归,建立提前1天的每日最高、最低气温局部预测模型。以中国753站资料包中的数据进行仿真实验,与欧氏距离提取最近邻点相比,分段提取最近邻点的方法能有效提高日气温的预测精度。多元时间序列局部预测模型在日气温的短期预测(10天以内)上比单元时间序列有着更好的应用价值。

基于Hadoop的局部支持向量机

随着物联网、云计算等技术的不断发展,产生的数据也以爆炸式的速度不断增长.如何在大数据中进行挖掘和分析成为了当前学术界研究的热点,Hadoop分布式计算也因此逐渐成为了大数据挖掘和分析的主要技术.支持向量机则是一种应用比较广泛的数据挖掘方法,局部支持向量机是在支持向量机的基础上引入局部学习算法的一种有效的分类算法.但是,局部支持向量机需要为每个测试样本分别构造分类器,在大数据上进行分类的时间复杂度较高,分类效率比较低.针对上述问题,结合Hadoop并行计算平台,提出了基于Hadoop的局部支持向量机算法.本文对局部支持向量机进行了两方面的改进:1)将计算测试样本的k近邻并行化;2)将训练模型并行化.测试实验结果表明:基于Hadoop的局部支持向量机能够有效降低分类时间,且在分类精度上与局部支持向量机基本保持一致.

局部支持向量回归在小麦蚜虫预测中的研究与应用

针对小麦蚜虫预测预警准确率不高的问题,本文提出了一种基于局部支持向量回归的小麦蚜虫短期预测算法。首先用相关分析法进行特征选择,然后进行归一化处理,最后使用局部支持向量回归进行小麦蚜虫百株蚜量短期预测模型的构建,并对未知样本进行预测。利用1990~2013年山东省烟台地区的小麦蚜虫数据及气象数据进行实验,并与标准的支持向量回归进行对比试验。局部支持向量回归的预测以及回代的均方误差为196362和198780,准确率为82.69%和91.03%;支持向量回归的预测以及回代的均方误差为199366和213108,准确率为80.77%和91.03%。实验结果表明,对于小麦蚜虫的短期预测,局部支持向量回归在准确率和推广能力上均明显优于支持向量回归。

一种改进的局部支持向量机算法

局部支持向量机是一种用途广泛的分类器,无论在理论研究还是实际应用方面,局部支持向量机都受到越来越多的关注。目前,许多传统的局部支持向量机算法都存在一个问题,即模型中样本比例失衡,导致无法提高分类精度。在加权支持向量机的启发下,提出了将加权思想应用在局部支持向量机Falk-SVM中的WFalk-SVM算法,并通过实验分析验证了WFalk-SVM的可行性及其有效性,最后对WFalk-SVM算法进行分析总结。

基于中心加权的局部核向量机算法

为了解决大规模非线性分类中局部学习的不平衡性问题,提出一种改进的局部支持向量机算法,在高维特征空间中聚类后,为每一个簇构造局部非线性支持向量机。为了克服簇内样本的分布不均衡问题,根据闭合超平面不规则边界的几何特点,经过梯度下降寻找稳定均衡向量,以此构造簇几何中心;再结合簇密度中心共同约束类心形成双重加权中心。然后通过求解加权最小闭球问题实现对大规模样本向量的分类。对照实验显示,除了个别数据集以外,改进的算法在训练时间、测试时间以及测试精度等方面都比另外两种分类算法表现更佳。

基于图像局部奇异值向量和BP神经网络分类器的道路导航方法

提出以道路图像矩阵的局部奇异值向量作为特征输入 ,以BP神经网络作为分类器的道路导航方法 .首先将图像分割成若干子图像 ,然后分别对子图像进行奇异值分解 ,提取子图像的代数特征向量 .子图像的特征奇异值组成整个图像的局部奇异值向量 ,作为分类器的输入 .再利用BP神经网络分类器对道路图像进行训练及识别 .实验中处理了三类道路图像 (偏左、偏右、正确方向 ) ,每类用 2 0幅图像作为训练样本 ,30幅用作测试 .结果表明 ,这种道路导航方法的识别率达到了 10 0 % .

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时,由于新工况下的样本一般很少,且批次间存在着不确定性(由于原材料波动或过程动态特性波动等),基于全局学习的建模方法(如最小二乘支持向量机回归,LSSVR)建立的模型泛化性能不强。将局部学习融入LSSVR中,提出一种局部LSSVR(local LSSVR,LLSSVR)的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数,针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例,验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型,较LSSVR有着更好的推广能力、适应性和鲁棒性。

基于指数权重局部聚合向量特征的轮毂型号识别

在轮毂型号识别过程中,为了能在大量轮型库中快速识别正确的轮型,提出了基于指数权重局部聚合向量(VLAD)特征的轮型识别方法。VLAD特征是针对BOW特征的改进版,用待分类特征和聚类中心的累积残差代替特征的累加数目,采用四近邻软分配的查找方式,相对于一对一的分配规则具有更好的鲁棒性。最后把得到的VLAD向量进行主成分分析降维,并在降维VLAD的基础上将指数权重和VLAD向量的各数据相乘以削减个别不稳定值,最后通过特征向量的对比来找到最相似图片,识别过程具有非接触、灵活、准确的优点,实验表明在提高图片识别率的同时也具有较好的鲁棒性。

基于特征向量局部相似性的社区检测算法

社区的发现和分析是复杂网络结构和功能研究中的一个热点。目前广泛应用的社区划分算法存在时间复杂度过高、社区核心数量无法准确量化、划分精度不高等问题。文中提出了一种基于特征向量局部相似性的社区检测算法ELSC。该算法首先计算网络中每个节点的特征向量中心性,在此基础上提出了特征向量局部相似性(ELS)和特征向量吸引性(EA)指标。ELS指标表示节点之间的相似性,用来形成初始社区,在同一个社区内部节点之间的相似性较高,在不同社区节点之间的相似性较低;EA指标同时考虑了局部相似性和特征向量中心性的占比,表示节点之间的吸引性,用来优化初始社区,并在此基础上完成网络的社区划分。该算法由最值确定节点,避免了节点数量阈值不确定的问题。在7个真实网络上将所提算法与6种知名算法的模块度和标准化互信息两个指标进行综合比较,结果表明,该算法具有良好的准确性,并且具有较低的时间复杂度。

局部凸拓扑向量空间中的不动点定理

把Altman定理推广到局部凸拓扑向量空间,并由此获得了一些更广泛的不动点定理.

变系数计量经济学联立模型的局部线性工具向量估计及其性质

联立方程计量经济学模型在经济政策制定、经济结构分析和经济预测方面起着重要作用。本文首次提出了我国宏观经济的一类变系数联立模型,并建立了函数系数的局部线性工具向量估计,同时在时间点列固定设计、经济变量随机设计条件下,研究了估计量的大样本性质。与我国宏观经济经典线性联立模型相比,变系数联立模型拟合效果更优。另外它也有助于克服我国宏观经济数据不多而造成的非参数方法应用困难的现实情况。

广义模糊p-伪范数与局部半凸I-拓扑向量空间(英文)

给出局部半凸I-拓扑向量空间的一个新定义,并重新命名"局部半凸模糊拓扑线性空间"为"(QL)-型局部半凸I-拓扑向量空间",研究这两种定义之间的关系,引入广义模糊p-伪范数的概念,证明每个局部半凸I-拓扑向量空间可通过一族广义模糊p-伪范数来刻画.

基于局部最小二乘支持向量机的音频频带扩展方法

在网络传输过程中宽带音频会由于高频信息的缺失导致音频质量下降,因此,本文提出了一种基于局部最小二乘支持向量机的宽带向超宽带音频频带扩展方法.根据音频频域序列的非线性特性,本文采用相空间重构和局部最小二乘支持向量机对音频信号的高频频谱细节进行预测,并结合高斯混合模型对高频子带能量进行估计,最后经过高频频谱包络调整,所提方法能够有效地恢复7k Hz^14k Hz频率范围内的高频成分.主客观测试结果表明,该方法改善了宽带音频的听觉质量,其性能优于参考音频频带扩展方法.

基于机器学习的非线性局部Lyapunov向量集合预报订正

基于Lorenz96模型初步探讨了机器学习算法提高非线性局部Lyapunov向量(NLLV)集合预报效果的可行性和有效性.结果表明:基于岭回归算法和NLLV集合预报结果建立的机器学习模型(Ens-ML)能够有效提高整体预报技巧,而且优于集合平均预报(Ens Ave)、控制预报(Ctrl)以及基于Ctrl结果建立的机器学习模型(Ctrl-ML).同时,还发现Ens-ML的预报技巧改进程度依赖于集合成员的数量,即增加集合成员数有助于提高Ens-ML模型的整体预报准确率.通过对比个例预报表现得到,随着预报时间延长,Ens-ML,Ctrl-ML和Ens Ave的个例预报误差逐渐小于Ctrl.进一步分析Ens-ML,Ctrl-ML和Ens Ave预报的吸引子,发现它们的概率分布的值域收缩、峰度增大并向平均值靠拢,尤其Ens-ML的表现更为明显.

基于内积加权局部聚合描述子向量的图像分类

局部聚合描述子向量(vector of locally aggregated descriptors,VLAD)是一种硬编码方式,会导致较大的量化损失。为了解决此问题,提出了一种基于内积加权的VLAD编码(inner product weighted vector of locally aggregated descriptors,IPWVLAD),它是一种软编码方式,为图像中的每个描述子寻找若干个近邻的基向量,并采用内积编码的方式生成权重信息添加到累积残差中。对于最近邻的基向量和描述子之间的残差给予最大的权重,对于次近邻的情况依次赋予越来越小的权重。在Corel 10、15 Scenes、UIUC Sport Events数据集上的实验结果表明,与已有的4种基于VLAD的方法和2种常用的表示方法相比,本文所提出的IPWVLAD编码获得了较好的分类性能。

局部广义矩阵学习向量量化在多联机系统阀类故障诊断中的应用

多联机(VRF)系统结构复杂,采用传统方法难以识别设备故障,本文首次将特征选取和多目标进化算法优化框架集成于局部广义矩阵学习向量量化(LGMLVQ)故障诊断模型中,并应用于多联机系统的电子膨胀阀和四通阀故障诊断研究。运行数据来自多联机系统实验平台。实验结果表明,特征选择后的模型对多联机阀类故障的诊断准确率从91.40%提升到95.73%,而进化算法进一步将准确率提升至99.50%,耗时从14.109 s缩短为11.724 s。分析最优模型的正常数据自适应相关性矩阵可以对故障发生部位进行模糊定位,可以对实际故障维修提供一定的帮助。

Hausdorff局部凸拓扑向量空间Φ－混合平稳随机序列的大偏差

证明了Ｈａｕｓｄｏｒｆｆ局部凸拓扑向量空间中Φ－混合平稳随机序列的算术平均的大偏差原理．