基于时间近邻拉氏正则的多工况软测量回归

针对流程工业中,工况改变导致传统软测量模型预测精度下降的问题,考虑到工业数据连续性、序列性、多重共线性、数据量庞大等特殊性对模型建立的影响,提出一种基于时间近邻拉普拉斯正则的多工况软测量回归模型框架。针对工业数据的多重共线性,回归框架采用非线性迭代偏最小二乘方法,同时引入域适应正则项改善工况变化对模型的影响,在此基础上,提出时间近邻拉普拉斯正则项,能够在映射过程中保持住数据的序列结构,并且大幅度减少模型训练时间以满足工业实时性要求。实验部分以三聚氰胺聚合过程多工况数据集为例,对本文模型的预测有效性以及减少训练时间的有效性进行了实验和分析。结果表明,与传统方法偏最小二乘回归相比,当目标工况为工况1到工况4时,本文方法使平均均方根误差分别降低了30.3%、31.4%、29.3%和24.1%。且相较于传统全连接法,时间近邻法构建拉普拉斯正则项能够使得四个工况上模型训练时间分别降低14.11、1.01、26.43和0.71 s,表明该模型的预测准确性和训练时间均得到有效改善.

采用多任务特征融合的脑电情绪识别方法

特征选择与融合是提升脑电信号情绪解码精度的重要手段之一。然而,当前脑电情绪解码中的特征选择方法常忽略了脑电信号内在数据结构的隐含信息。该文提出一种基于近邻传播聚类的多任务特征融合方法,通过L_(2,1)范数约束实现稀疏特征选择,同时利用图拉普拉斯正则化保持不同子类间的潜在关系。该算法在不揭示真实样本标签的情况下,在子任务空间有效融合脑网络空间拓扑结构信息和微分熵信息,为高精度脑电信号情绪解码提供具有更高情绪表征能力的特征。DEAP和SEED数据集以及本实验室数据集的分析结果表明,该文提出的方法能显著提高脑电情绪解码的精度。

一种时间分数阶扩散方程的初边值问题

讨论了一种时间分数阶扩散方程的初边值问题。首先利用分离变量法求出了方程的解,然后借助于拉普拉斯变换讨论了方程的强解、连续性和正则性等性质。

基于双重正则矩阵分解的缺失数据恢复

针对多源时间序列缺失数据恢复问题,提出一种基于双重正则矩阵分解的恢复方法。该方法在多源时间序列矩阵分解的基础上,利用时间序列的平滑性构建时间序列隐含因子的二阶差分正则项,同时引入反映数据内部结构的图拉普拉斯正则项对传感器隐含因子进行约束,并在图拉普拉斯矩阵获取过程中设计了一种联合数据本身的相似度和数据变化趋势相似度的双重皮尔逊相似策略,构造数据内部的最相似图。最后,将双正则项统一于矩阵分解的框架中,利用梯度下降法实现目标函数的优化,数据实验中分别采用合成数据和真实数据验证了算法的有效性。

自适应近邻聚类及其在个性化推荐中的应用

介绍了自适应近邻聚类算法的原理,并对算法中的几个名词进行了解释;分别采用自适应近邻聚类与K-Means聚类对半月形数据集进行了实验演示;将自适应近邻聚类与个性化推荐系统相结合,采用自适应近邻聚类对某高校3个专业65名学生读者的借阅记录数据进行聚类处理,验证了相同专业读者具有相似借阅行为这一规律,进而说明了该算法应用在个性化推荐中有效可行。自适应聚类是一种优秀的聚类算法,在实际数据聚类应用中具有良好的效果。