基于多流ConvNeXt网络和马氏距离度量的未知信号增量识别

为解决现阶段基于深度学习网络的信号识别技术无法实现未知信号增量识别的问题,提出了基于多流ConvNeXt网络和马氏距离度量(MDM)相结合的未知信号增量识别方法.首先,利用改进的多流ConvNeXt网络提取信号的属性特征;其次,使用马氏距离度量判决方法进行未知信号检测进而实现已知信号和未知信号的二分类;最后,该方法根据不断增加的未知信号对模型的参数进行自动更新,使模型具备了自我进化的能力,进而可以识别出不断增加的新的未知信号类别,实现对未知信号的增量识别.仿真实验结果表明,该方法对未知信号的平均识别率达到97%以上.

基于不同距离度量的K-Means算法在配对交易中的应用研究

本研究探讨了K-Means聚类算法,在不同距离度量基础上对配对交易中两种期货合约的历史价差序列进行分类的应用。本文比较了欧式距离、曼哈顿距离、切比可夫距离和余弦相似度在价差序列分类中的应用效果。研究结果表明,相较于传统的欧式距离,余弦相似度能够更好地对价差序列进行聚类,在效果评测指标上表现更加优异。This study explores the application of K-Means clustering algorithm to classify the historical spread sequences of two futures contracts in paired trading based on different distance measures. This article compares the application effects of Euclidean distance, Manhattan distance, Chebyshev distance, and cosine similarity in price difference sequence classification. The research results indicate that compared to traditional Euclidean distance, cosine similarity can better cluster price difference sequences and perform better in performance evaluation indicators.

基于新的距离度量的异构属性数据子空间聚类

真实数据集中往往包含分类属性和数值属性,其中分类属性可分为有序属性和标称属性,同时具有分类属性和数值属性的数据集可称为异构属性数据。针对现有异构属性数据距离度量不区分分类属性中的有序属性导致信息缺失、聚类效果不理想这一问题,提出了一种基于新的距离度量的异构属性数据子空间聚类算法。首先,总结了现有的异构属性数据距离度量的思路和区分有序属性的解决方案;其次,利用不同属性的数据特征分别定义了有序属性、标称属性和数值属性下的属性值之间的距离公式;再次,利用簇间差异和簇内距离这2个因素分别给出了不同属性在聚类过程中的动态加权方案;最后,联立距离公式和加权机制得到了可适用于异构属性数据的距离度量,进而设计了一种基于新的距离度量的异构属性数据子空间聚类算法。由于该算法既统一了异构属性数据的距离度量又能在子空间中进行簇搜索,因此该算法能在异构属性数据集上取得良好的聚类效果,在11个真实数据集上的对比实验结果验证了此算法的有效性。

基于图结构的分类数据距离度量

针对现有的大多数分类数据的度量方法效果不佳的问题,本文提出了一种基于有序属性和标称属性图结构的分类数据距离度量方法(New Distance Metric,New DM)。首先总结了分类数据距离定义的基本框架公式并分析度量该类型数据的挑战,然后利用不同属性的图结构定义了2个概率分布列距离,紧接着联立权重给出了分类数据的距离度量新方法,最后在6个公开数据集上进行实验,结果表明本文提出的New DM度量性能优于其他度量方法。

基于距离度量法聚类的无线网络路由优化系统

配置无线网络路由时,研究人员缺乏对实际能量剩余情况的分析,导致网络的传输性能较低,因此提出基于距离度量法聚类的无线网络路由优化系统研究。首先,将RT-FK1-M现场总线光纤中继器作为系统的硬件装置,为网络节点的调整和组网拓扑结构功能的设置提供可靠的基础条件。其次,在软件设计阶段,利用距离度量的方式对无线网络路由节点进行聚类处理,充分考虑了在实际的网络运行过程中网络节点的不可移动属性特征。最后,根据节点剩余能量,结合能量系数、质心系数、距离系数之间的协同关系,对路由能量进行优化配置。测试结果表明,设计系统下对应的网络在负载强度为300 Mb/s时的吞吐量和丢包率分别为98.26 Mb/s和4.54%,具有较高的传输性能。

基于近红外光谱距离度量的烟叶均质性评价研究

现阶段,对烟叶均质性的评价一般是检测出烟叶化学指标,再运用化学指标进行均质性判定,这需要耗费大量的人力财力。基于多元统计分析的距离度量方法,对烟叶近红外光谱进行预处理后计算光谱间的距离,并研究了烟叶常规化学成分变异系数与烟叶近红外光谱距离变异系数之间的典型相关关系,建立了一种直接使用光谱欧氏距离、马氏距离、城市街区距离、切比雪夫距离和闵氏距离的变异系数来评价烟叶主要常规化学成分及其相对比例均质性的方法。典型相关性为0.799,烟叶化学成分变异系数集合已解释的方差比例为0.854,距离度量变异系数集合已解释的方差比例为0.798。为直接运用光谱建立烟叶质量均匀性评价提供了数据支撑,为快速、高效、低成本地实现烟叶均质性反馈控制奠定了基础。

基于度量参数自学习的半监督密度聚类方法

针对密度聚类算法(DBSCAN)难以体现各维度对聚类的差异化贡献,且算法准确性依赖人工设置距离阈值等问题,文中提出基于度量参数自学习的半监督DBSCAN,即SMP-SDBSCAN。设计基于logistic回归模型的距离参数训练方法,利用少量的标记数据训练各维度的聚类贡献权重;构建数据聚簇参数计算机制,将标记数据聚簇的平均类间距离和邻域密度设置为聚类参数,提升密度聚类算法对数据集的适应性。实验表明,所提方法能够选择合理的聚类参数,可有效提升密度聚类算法聚类精度。

基于轨迹图片特征距离的船舶轨迹聚类

为了进一步优化海上交通管理,针对基于多维属性的船舶轨迹聚类算法难以设置权重参数、运行时间长的问题,提出了一种基于轨迹图片特征距离的船舶轨迹聚类算法。该算法利用船舶自动识别系统(AIS)数据,根据轨迹点的位置、航速和航向绘制轨迹图片,通过深度残差网络提取轨迹图片特征,采用主成分分析技术降低特征维度,基于欧式距离实现轨迹间的距离度量,并通过基于密度的含噪数据空间聚类算法(DBSCAN)对降维后的船舶轨迹图片特征聚类。实验结果表明,论文所提算法能够在降低运行时间的情况下,对实验水域轨迹进行有效聚类,反映的船舶交通流特征符合实际情况。

基于新的距离度量的K-Modes聚类算法

传统的K-Modes聚类算法采用简单的0-1匹配差异方法来计算同一分类属性下两个属性值之间的距离,没有充分考虑其相似性.对此,基于粗糙集理论,提出了一种新的距离度量.该距离度量在度量同一分类属性下两个属性值之间的差异时,克服了简单0-1匹配差异法的不足,既考虑了它们本身的异同,又考虑了其他相关分类属性对它们的区分性.并将提出的距离度量应用于传统K-Modes聚类算法中.通过与基于其他距离度量的K-Modes聚类算法进行实验比较,结果表明新的距离度量是更加有效的.

有监督的距离度量学习算法研究进展

近年来,距离度量学习已成为计算机视觉和模式识别等领域最为活跃的研究课题之一.如何利用训练数据学习得到有效的距离度量来衡量目标之间的相似性是该类研究的关键问题.针对有监督的距离度量学习问题,目前已提出了大量的研究算法.结合近年已发表相关文献对有监督的距离度量学习算法进行了详细的介绍和讨论.根据样本信息利用方式的不同,将其划分成基于成对约束和非成对约束的距离度量学习算法,重点介绍了一些常用的典型算法,分析了每种算法的原理和优缺点,最后是未来发展方向和趋势的展望.

一种基于距离度量的自适应粒子群优化算法

惯性权值对粒子群优化(Particle Swarm Opti mization,PSO)算法的性能起着重要作用。基本的PSO算法未考虑各粒子的差异而在一次迭代中所有粒子采用固定的惯性权值。为了体现各粒子相对于已知最优解的差异,提出了一种基于距离度量的自适应PSO算法DMAPSO(Distance Measurement-based Adaptive PSO)。算法采用欧式距离计算粒子与已知全局最优粒子的差异,然后根据差异自适应调整各粒子的惯性权值。通过基准测试函数对算法进行了实验,结果表明,对于连续函数优化问题,提出的DMAPSO算法优于经典PSO算法,DMAPSO收敛到最优解的迭代次数比PSO平均减少了约60%。

一种新的基于对应像素距离度量的图像相关匹配方法

传统的图像相关匹配方法中 ,由于实时图和参考图之间存在着灰度差异和一定程度的几何形变以及对目标的局部遮挡 ,使得利用求取对应像素灰度差累加和来进行相似性度量算法的性能很容易受到影响。文中从另一角度提出了一种新的图像相关匹配算法。该方法改变了原先匹配算法中求取模板图像和目标图像的像素灰度差的和的方法 ,而改为求取两幅图像之间相接近的点的个数 ,从而使匹配算法的稳定性大大提高 ,因为局部出现的大片噪声点将不会影响匹配的结果 ,而这样的情况在传统的相关算法中将会显著影响匹配结果。实验结果表明了该方法的有效性。

基于余弦距离度量学习的伪K近邻文本分类算法

距离度量学习在分类领域有着广泛的应用,将其应用到文本分类时,由于一般采用的向量空间模型(VSM)中的TF*IDF算法在对文本向量表达时向量均是维度相同并且归一化的,这就导致传统距离度量学习过程中采用的欧式距离作为相似度判别标准在文本分类领域往往无法取得预期的效果,在距离度量学习中的LMNN算法的启发下提出一种余弦距离度量学习算法,使其适应于文本分类领域,称之为CS-LMNN。考虑到文本分类领域中样本类偏斜情况比较普遍,提出采用一种伪K近邻分类算法与CS-LMNN结合实现文本分类,该算法首先利用CS-LMNN算法对训练数据进行距离度量学习,根据训练结果对测试数据使用伪K近邻分类算法进行分类,实验结果表明,该算法可以有效的提高分类精度。

复杂装备健康状态评估的粗糙核距离度量方法

复杂装备的健康状态评估对于减少定时维修和事后维修的次数以及推动视情维修具有重要的意义。提出了一种基于粗糙核距离度量的复杂装备健康状态评估方法,该方法首先用粗糙集进行健康特征的约简和权重系数确定,以得到优化的联合健康特征向量,然后基于加权核距离度量进行健康状态分类。航空发动机健康状态评估中的应用表明,该方法具有鲁棒性、实时性强、计算简单的特点。

基于动态时间弯曲空间距离度量的电能质量综合评估

将电能质量进行综合评估得出的量化结果,是衡量电能质量优劣的依据之一,有利于实现电能按质定价的市场机制。采用集成层次分析法和熵值法确定电能质量各项指标的综合权重值;同时,将空间距离度量的思想应用于电能质量综合评估,将电能质量指标问题转化为空间上的模式距离问题,采用动态时间弯曲算法进行序列模式识别,计算经加权化的标准电能质量指标序列、待评估电能质量指标序列与理想电能质量指标序列的匹配系数,进而确定电能质量等级,实现电能质量的综合评估与分级评估。实例计算结果表明,所提出的综合评估方法具有一定的有效性和可行性。

基于加权Minkowski距离的IFS相异度度量方法

针对现有直觉模糊集合间距离度量的局限性,提出一种基于加权Minkowski距离的相异度度量方法。该度量方法适合于连续论域中集合间距离的测量,而且通过引入加权参数解决了各个属性具有不同权重的实际问题,同时克服了现有IFS距离度量的缺陷,进而解决了几个特殊直觉模糊集合之间距离度量问题。通过算例分析比较,证明了该方法在现存的距离度量方法中是比较优越的。

基于支持向量机和距离度量的纹理分类

针对图象纹理分类问题 ,提出了一种将支持向量机和距离度量相结合 ,以构成两级组合分类器的分类方法 .用该方法分类时 ,先采用距离度量进行前级分类 ,然后根据图象的纹理统计特征 ,采用欧氏距离来度量图象之间的相似性 ,若符合条件 ,则给出分类结果 ,否则拒识 ,并转入后级分类器 ;而后级分类器则采用一种新的模式分类方法——支持向量机进行分类 .该组合分类方法不仅充分利用了支持向量机识别率高和距离度量速度快的优点 ,并且还利用距离度量的结果去指导支持向量机的训练和测试 .由纹理图象分类的实验表明 ,该算法具有较高的效率和识别精度 。

基于对应像素距离度量的图像匹配跟踪算法

结合最小绝对差度量MAD和Hausdorff距离度量的基本思想,提出了一种新的对应像素距离相似性度量方法的图像匹配算法和自适应模板图像匹配跟踪算法,并对对应像素距离相似性度量方法的图像匹配算法的匹配跟踪性能进行分析.对这2种算法的匹配跟踪性能参数的实验结果进行比较.实验结果表明:对应像素距离相似性度量方法的图像匹配算法具有较强的抗噪、抗畸变能力和稳定性,具有较高的匹配精度和匹配概率.

融合距离度量学习和SVM的图像匹配算法

目前度量学习方法通过有限样本数据学习得到新度量后,采用简单的分类器(如直接欧式距离计算)通常不能达到最佳分类效果.SVM作为一种经典的分类器,具有优秀的线性和非线性分类能力,可以弥补距离度量学习方法的不足.对此,提出一种应用于图像匹配的融合距离度量学习和SVM的(DML-SVM)算法.首先,利用度量学习方法得到的线性变换矩阵,将样本变换到新的特征空间,降低特征各维度之间的相关性,调整特征各维度的权重;然后通过SVM对新特征进行线性或非线性分类.通过在LFW,Pubfig,Toycars三个图像数据库上的测试结果表明:融合方法的分类能力优于度量学习和SVM算法各自单独使用时的性能,且融合算法对训练样本数量具有很强的鲁棒性,即使只有少量训练样本(180个)时,融合算法仍然能具有较高的分类能力.

面向相似性查询的时间序列距离度量方法述评

从一元时间序列和多元时间序列两个方面对当前提出的主要时间序列距离度量方法进行了述评。深入分析了各种算法的原理和特点,比较了算法对时间序列形变的支持情况以及时间复杂度。从客观上讲,各种算法之间并不具有绝对的优劣关系,每种算法的原理和特点各异,适用的问题领域也不一样。对于工程应用中选择时间序列距离度量方法具有指导意义,同时对于设计新的距离度量方法也具有参考价值。