小样本机器学习下数据多尺度挖掘算法设计

数据多尺度挖掘是指在数据挖掘过程中考虑不同尺度的数据信息,由于数据中存在大量特征,为了提高信息处理效率,且更精准地划分数据类型,提出一种小样本机器学习算法下数据多尺度挖掘方法。将使用者的部分动作抽象,建立网站页面会话用于学习不同的事件内容,获得小样本数据信息。通过复值函数构建Hibert空间,计算出样本元素再生核,提取小样本数据特征;利用特征向量构造特征矩阵调节数据间平衡性,得到数据相对熵。建立多尺度信息数据库,使用机器学习下逻辑回归离散化数据特征值,挖掘复杂项集指标的支持度,实现精准的数据多尺度挖掘。通过实验证明,所提方法数据分类效果好,挖掘准确率高,耗费时间少。

多尺度数据挖掘方法

多尺度理论已被引入到数据挖掘领域,但人们对其研究仍不够深入和完善,缺乏普适性理论与方法.随着大数据处理应用的不断深入,其研究变得更加迫切.针对上述问题,进行了普适的多尺度数据挖掘理论和方法的研究.首先,基于概念分层理论给出了数据尺度划分和数据尺度的定义以及多尺度数据集之间的上下层尺度数据集关系;其次,阐明了多尺度数据挖掘的定义、研究实质和方法分类;最后,提出了多尺度数据挖掘算法框架,给出其理论基础,并将此框架应用于关联规则挖掘,提出了多尺度关联规则挖掘算法MSARMA(multi-scale association rules mining algorithm),实现了多尺度数据集之间知识的跨尺度推导.利用IBM T10I4D100K数据集和H省全员人口真实数据集对MSARMA算法进行了实验和分析,实验结果表明:算法具有较高的覆盖率、精确度和较低的支持度估计误差,是可行且有效的.

基于多尺度挖掘的区域供热系统负荷预测

将多尺度分析方法引入到热力过程进行优化分析,从区域供热系统实际运行数据入手,采用优选分解的方法,深入分析不同尺度时间序列对供热负荷发展趋势的贡献,采用抽样组合方法对未来时刻负荷需求作出预测。仿真实验证明本文介绍方法的预测精度高,实时性强,具有推广前景。

多尺度聚类挖掘算法

数据挖掘领域在多尺度研究上已取得了一些进展。然而,当前研究主要集中于空间、图像数据的多尺度挖掘,并且传统的聚类挖掘并未对数据集的多尺度特性进行单独的研究。针对存在的问题,进行了普适性的多尺度聚类挖掘理论和方法的研究。首先,根据概念分层理论扩展尺度定义并构建多尺度数据集;其次,阐述尺度转换原因、分类,归纳多尺度聚类的定义;然后,以克里格法为理论基础,给出多尺度聚类尺度上推算法MSCSUA和多尺度聚类尺度下推算法MSCSDA;最后,利用公用UCI聚类数据集和H省全员人口真实数据集对算法进行实验验证,结果表明MSCSUA和MSCSDA是有效、可行的。

多尺度关联规则挖掘的尺度上推算法

多尺度理论已被引入到数据挖掘领域中,但目前多尺度数据挖掘的研究并不深入,缺乏普适性理论与方法。针对上述问题,研究了普适的多尺度数据挖掘理论,提出了尺度上推关联规则挖掘算法。首先基于概念分层理论给出了数据尺度划分和数据尺度的定义;然后根据多尺度理论的研究重点阐明了多尺度数据挖掘的实质及研究核心;最后在多尺度数据理论研究的基础上提出了尺度上推关联规则挖掘算法SU-ARMA(scaling-up association rules mining algorithm)。该算法利用采样理论和Jaccard相似性系数对数据集挖掘结果中的频繁项集进行处理,实现了多尺度数据间知识的向上推导。利用人造数据集和H省全员人口真实数据集对算法进行了实验和分析,实验结果表明算法具有较高的覆盖率、精确度和较低的支持度估计误差,是可行且有效的。

面向多尺度数据挖掘的数据尺度划分方法

多尺度挖掘在图形图像、地理信息、信号分析、数据挖掘等领域已有应用,多尺度数据挖掘在关联规则、聚类、分类挖掘领域也有相关研究与应用,但对如何对数据集进行普适性的多尺度划分以及如何构建多尺度数据集仍未展开研究,已有相关研究缺乏深度。文中从多尺度数据挖掘任务入手,定义了尺度概念,并给出了多尺度化数据集模型,以及基准尺度评分模型;依据概率密度估计的离散化方法提出了多尺度划分算法,扩展了可划分尺度的数据类型,划分结果更贴近数据的多尺度特性,且具有较低的时间复杂度;提出了多尺度化数据集方法、构建多尺度数据集算法和基准尺度选择算法,将多尺度熵与信息熵作为评价方法,在扩充多尺度化数据集方法的基础上,有效减弱了多尺度数据挖掘中因尺度推衍而产生的尺度效应,算法的时间复杂性也较为可控。利用H省真实人口数据集、UCI公用数据集和T10I4D100K数据集对所提算法和模型进行验证与实验分析,结果表明多尺度划分算法和多尺度化数据集方法是可行的,提出的多尺度化数据集方法和基准尺度评分模型是有效的,多尺度划分方法、构建多尺度数据集方法和基准尺度选择方法的应用平均提高了尺度推衍过程中1.6%的覆盖率、2.1%的F1-measure和3.7%的正确率,且具有较低的平均支持度误差。

多尺度分类挖掘算法

多尺度分类挖掘多局限于空间数据,且对一般数据尺度特性进行分类的研究较少。针对上述问题,进行普适的多尺度分类方法研究,以扩大多尺度适用范围。从空间数据估计角度出发,结合层次理论和尺度特性,基于概率密度估计离散化方法,针对数据的多尺度特性进行分类挖掘。以非局部均值和三次卷积插值为理论基础,利用Q统计和不一致度量进行操作,提出多尺度分类尺度上推算法和多尺度分类尺度下推算法。采用UCI数据集和H省人口真实数据集进行实验,并与CFW、MSCSUA和MSCSDA等算法进行对比,结果表明,该算法可行有效。与其他算法相比,尺度上推算法正确率平均提高4.5%,F-score提高4.8%,NMI提高12.3%,尺度下推算法各个相应指标分别平均提高5.3%,6.6%和11.8%。

基于跨尺度图对比学习的人体骨架动作识别方法

传统基于人体骨架的自监督学习方法常用对比学习模块进行表征学习,而现有对比学习模块使用数据增强方法来构建相似的正样本,其余样本皆为负样本,这限制了同类样本的语义信息表达。针对上述问题,提出一种图对比学习与跨尺度一致性知识挖掘的动作识别算法。首先,基于骨架图结构设计了一种新的数据增强方法,对输入的骨架序列进行随机边裁剪,得到两个不同的扩增视图,加强了同一骨架序列不同视图间的语义相关性表达;其次,为缓解同类样本嵌入相似度较低的问题,引入自监督协同训练网络模型,利用同一骨架数据源的不同尺度间的互补信息,从一个骨架尺度获取另一个骨架尺度的正类样本,实现了单尺度内关联及多尺度间语义协同交互;最后,基于线性评估协议对模型效果进行评估,在NTURGB+D60与NTURGB+D120数据集的实验结果表明,本文所提方法在识别精度上较前沿主流方法平均提升了2%~3.5%。

P-集合与数据挖掘-还原

在P-集合的基础上给出了数据w的（F^-,F）-挖掘、挖掘尺度和挖掘还原系数的概念,讨论了数据w的属性特征,得到数据w挖掘的可分辨定理、数据的外还原与数据的内还原定理.为数据处理提供了一个新的数学工具.

多尺度关联规则尺度上推算法

数据挖掘在多尺度研究方面取得了一些成果。然而,多尺度数据挖掘研究还不够深入和完善。目前针对空间和图像数据的研究较多,对于一般数据的多尺度数据挖掘的研究较少。随着大数据应用的不断发展,其研究显得尤为重要。针对上述问题,进行了普适的多尺度关联规则尺度转换方法的研究。首先,基于包含度的相似度理论提出频繁项集的处理方法;然后,以图像金字塔为理论基础,提出了多尺度关联规则尺度上推算法MSARSUA(Multi-Scale Association Rules Scaling Up Algorithm);最后,利用H省1)全员人口真实数据集、UCI公用数据集和IBM数据集对所提算法进行了实验验证与分析,结果表明MSARSUA具有较高的覆盖率、较高的F1-measure值和较低的平均支持度估计误差,在效率上比Apriori算法和FP-Growth算法有较大的提升,在性能上比SU-ARMA有更好的表现。

基于广义分形插值理论的多尺度分类尺度下推算法

多尺度数据挖掘多应用于空间遥感图像数据,以图像的分辨率或者区域分割为依据进行尺度划分,然后在每个尺度层进行分析。近期,有不少学者将多尺度数据挖掘应用于一般数据集上,以等级理论、概念分层以及包含度理论等为尺度划分依据,研究不同尺度层的分布规律,进而发现有意义的事实,如多尺度关联规则以及多尺度聚类。但是在一般数据集下很少将多尺度数据挖掘应用于分类算法领域。定义了广义分形插值理论的概念,打破了局限于迭代函数系统(iterative function systems,IFS)的缺憾,拓展了分形插值的应用;提出了基于广义分形插值理论的多尺度分类尺度下推算法(multi-scale classification scaling-down algorithm,MSCSDA)。仿真实验建立在四个UCI基准数据集和一个H省部分人口真实数据集上,并将MSCSDA与KNN、decision tree以及LIBSVM算法进行对比分析,实验结果表明,MSCSDA在不同的数据集上均优于其他算法。

基于分形理论的多尺度分类尺度上推算法

目前,多尺度数据挖掘的研究多集中于空间图像数据,在一般数据集上的研究已经初见成果,主要包括多尺度聚类以及多尺度关联规则,但还没有研究涉及一般数据下的分类。结合分形理论思想,将多尺度数据挖掘相关理论、知识和方法应用于分类领域,提出基于豪斯多夫距离(HD)的相似性度量方法;相对于以往对权重的经验定义,文中明确通过广义分形维数的相似性定义权重来提高相似性度量方法的精度;提出多尺度分类尺度上推算法(MultiScale Classification Scaling-Up Algorithm,MSCSUA);实验采用4个UCI基准数据集和1个真实数据集(H省部分人口)进行仿真实验,实验结果表明多尺度分类思想可行有效,并且MSCSUA算法在不同数据集上的性能均优于SLAD,KNN,Decision Tree以及LIBSVM算法。

基于小波-支持向量机的工业取水异常数据挖掘与重构

提高取水监测数据质量是水资源管理中的紧迫问题。以工业取水监测数据为样本,梳理其异常类别,按照“粗筛选-精识别-再重构”思路,提出基于分段式3σ准则与小波变换、Fourier函数相结合的多尺度工业取水监测异常数据识别方法。采用自适应惯性函数与粒子群优化的最小二乘支持向量机模型重构恢复异常数据。结果表明,分段式3σ准则对数据的粗处理效果较好,采用Fourier函数可有效降低数据小波变换中的信息损失,提高异常数据的识别精准度。采用惯性函数-粒子群优化的LSSVM模型可满足异常数据较高精度的重构恢复需求,其重构精度强于LSSVM、PSO-LSSVM和传统的曲线拟合方法。该方法可为提高水资源数据的决策支持能力提供良好的方法参考。

信息类大学生创新教育综合评价模型及应用

以信息类大学生创新教育对学生学习能力的影响为背景,以所带班级连续4年的创新成果与课程成绩等数据为考察对象,利用优化的主成分分析方法,提出信息类大学生创新教育综合评价模型;并以此为基础,利用MATLAB工具对学生成绩进行多尺度挖掘分析,探讨大学生创新教育对学生学习能力的激励关系,摸索培养信息类大学生创新人才的新途径。

The multiscale modeling and data mining of high-temperature dielectrics of SiO_2/SiO_2 composites

The high temperature dielectrics of Quartz fiber-reinforced silicon dioxide ceramic （Si02/SiO2 ） composites were studied both theoretically and experimentally. A multi-scale theoretical model was developed based on the theory of dielectrics. It was realized to predict dielectric properties at higher temperature （ 〉 1200 ℃） by experimental data mining for correlative coefficients in model. The results show that the dielectrics of SiO2/SiO2, which were calculated with the theoretical model, were in agreement with experimental measured value.