基于离散指示矩阵优化的多视角图聚类方法

为了解决当前多视角图聚类方法依赖于谱分解而导致计算量高且超参数调优过程繁琐的问题,基于离散指示矩阵优化的方式,提出了一种无超参数的多视角图聚类方法。为了避免谱分解的连续松弛,采用一种超集群策略来高效区分数据的离散集群关系。在优化层面,改进了传统的坐标下降方法,以降低计算复杂度以及实现离散指示矩阵的快速优化。在物体图像、人脸图像、文本数据、手写字体图像中进行了算法性能验证。结果表明:相比于最近常用的多视角图聚类方法,所提方法在聚类精度和运行效率方面具有明显优势。

网壳结构的指示矩阵算法

网壳结构作为一种新颖的建筑型体.在我国已开始得到重视并用于实际工程.但由于网壳结构形体的多变性和众多单元数量,当用计算机进行结构分析和设计时,前期工作量很大.因此,本文在分析了网壳结构形体的基础上,提出了结构的成形策略,并引进了一套易在计算机上实施的、指示结构几何构成的算法,用指示矩阵算法实现了网壳结构的前处理.使用结果表明,本法简单、正确、有效,是用于结构前处理的一种较为系统的方法.

基于离散指示矩阵优化的多视图子空间聚类算法

多视图子空间聚类旨在把一组多源数据按照其底层结构分到对应的子空间。现有的方法局限于只探究多视图之间的公共信息,或者只探究多视图之间的互补信息,容易造成聚类的关键信息缺失。提出一种基于离散指示矩阵优化的多视图子空间聚类的方法,用离散指示矩阵优化用于多视图聚类的邻接矩阵。算法考虑了多视图之间的互补信息,保证在不同视图下聚类的一致性。实验结果表明,提出的算法获得的邻接矩阵块状结构更明显,聚类的准确度更高。

索穹顶结构的前处理研究

前处理是进行索穹顶结构有限元分析的重要过程。本文首先分析了索穹顶结构的几何外形和拓扑关系，讨论了针对其拓扑特点利用指示矩阵法将索穹顶结构网络化及节点指示矩阵和单元指示矩阵的生成方法；最后详细叙述了索穹顶结构的节点编号、单元信息、节点坐标和边界约束。

结构的数学建模分析方法

提出结构拓朴和几何的一般规律及其抽象的方法,引入整型名义坐标系,并在该坐标系下,利 用指示矩阵对抽象结构进行描述。

TD-LTE-A系统中波束赋形权值PMI量化仿真研究

为了降低TD-LTE-A系统下行链路波束赋形技术实现难度,本文在基于有效功率最大化准则,通过构建PMI码本对波束赋形权值进行量化,并且根据TDD系统的上下行互易性选取最优权值补偿信号的衰落与失真,进而搭建基于Matlab的评估平台对PMI量化方案和SVD分解算法下的功率、权值相关性进行对比分析。仿真结果表明,权值PMI量化可以正确实现波束赋形,由于量化误差的存在,PMI量化方案相对于SVD分解算法有一定的性能损失,但随着码本数的增加和搜索方案的优化,PMI量化方案性能接近于SVD分解算法。仿真结果为实际场景中的算法选择提供了重要的参考依据。

基于二部图的联合谱嵌入多视图聚类算法

多视图聚类在图像处理、数据挖掘和机器学习等领域引起了越来越多的关注.现有的多视图聚类算法存在两个不足,一是在图构造过程中只考虑每个视图数据之间的成对关系生成亲和矩阵,而缺乏邻域关系的刻画;二是现有的方法将多视图信息融合和聚类的过程相分离,从而降低了算法的聚类性能.为此,提出一种更为准确和鲁棒的基于二部图的联合谱嵌入多视图聚类算法.首先,基于多视图子空间聚类的思想构造二部图进而产生相似图,接着利用相似图的谱嵌入矩阵进行图融合,其次,在融合过程中考虑每个视图的重要性进行权重约束,进而引入聚类指示矩阵得到最终的聚类结果.提出的模型将二部图、嵌入矩阵与聚类指示矩阵约束在一个框架下进行优化.此外,提供一种求解该模型的快速优化策略,该策略将优化问题分解成小规模子问题,并通过迭代步骤高效解决.提出算法和已有的多视图聚类算法在真实数据集上进行实验分析.实验结果表明,相比已有方法,提出算法在处理多视图聚类问题上是更加有效和鲁棒的.

基于改进挖掘算法的电力中台服务数据整合研究

由于电力中台服务数据构成较复杂,不能保证整合后数据的完整性,因此本文提出基于改进挖掘算法的电力中台服务数据整合研究。将电力中台服务数据的属性指示矩阵映射到单一维度的环境中后,根据单个电力中台服务数据属性在单一维度下的投影结果挖掘数据的特征;在整合阶段,确定目标电力中台服务数据特征对应的整合范围后,根据电力中台服务数据与整合中心特征之间的关系确定整合结果。在测试结果中,不仅针对各指标数据的完整性始终保持较高的稳定状态,而且对应的完整性水平也始终处于较高状态,在96.5%~99.5%区间内小幅波动。

基于粒子群算法的认知无线电下行链路中的OFDMA资源分配算法

认知无线电技术是解决当前频谱资源紧缺情况的有效手段,其中功率和频谱联合分配问题是一个非常重要的环节.用一个联合矩阵代替传统的功率分配矩阵和频谱分配指示矩阵,以系统总发射功率最小和在不对主用户造成干扰的条件下最大化系统的吞吐量为目标,并应用粒子群算法求解该问题.重新设计了粒子群算法的位置和速度更新策略,更适合于求解联合优化问题.仿真结果表明,新算法复杂度要优于传统利用粒子群算法求解,且提高了系统吞吐量.