基于最大差异选择算法的代表性海况选取

数值模拟及物理模型试验是研究近岸波浪的重要方法。在实施数值模拟和物理模型试验前,需要根据近岸波浪特征确定入射波浪要素。近岸波浪往往是由混合浪主导的,包含多个独立的波浪系统,每个波系都需用多个波浪特征参数进行描述,因此实现多波浪系统的代表性海况的选取具有重要意义。首先介绍了数据挖掘算法,随后根据汉班托塔港的实测波浪数据,运用最大差异选择算法(MDA)分别选取了二维、三维以及多维特征参数描述下的代表性波浪条件。结果表明,对于可进行人为筛选的二维波浪特征参数,MDA算法的筛选结果优于人工筛选结果。在三维及多维波浪特征参数条件下,MDA算法选取的代表性海况在数据空间上分布均匀,具有较高的代表性,证实了MDA算法适用于选取混合海况下的代表性波浪特征参数。

基于最大差异延展算法的Web资源描述算法

针对虚拟计算环境下Web资源特性的描述问题,提出资源空间模型,采用流形学习的方法提取Web资源特征。首先根据资源空间模型,有效地将Web资源抽象为高维空间中的数据集;然后,采用流形学习中的最大差异延展算法。此方法不仅能有效地提取Web资源的特征,而且能够挖掘隐含在Web资源内部的本征信息;此时,描述Web资源特征的数据位于低维空间,有利于资源的进一步处理。基于最大差异延展算法的Web资源描述方法有效地解决了Web资源的描述问题。通过仿真实验证明了此方法的有效性。

波形特征的高斯混合模型锋电位分类算法

锋电位分类是进行大脑信息处理机制研究的基本步骤之一。针对锋电位信号的复杂性和非平稳性,从统计聚类的角度出发,采用高斯混合模型描述锋电位信号的概率密度函数,提出了一种新的基于波形变化率特征和高斯混合模型聚类的锋电位分类方法。首先计算锋电位的波形变化率,然后利用最大差异方法获得锋电位波形的低维特征,最后采用高斯混合模型算法对特征进行聚类,实现锋电位分类。采用开放的仿真数据分析了该算法的分类精度和可行性,然后分别利用来自5只大鼠和1只恒河猴初级视觉皮层的实测数据验证了该算法的实用性,并与主成分分析特征的高斯混合模型聚类、幅值特征的高斯混合模型聚类和变化率特征的k均值聚类等3种方法进行了比较。仿真实验中,在噪声水平为0.05、0.10、0.15、0.20时,误分率分别为1.18%±1.18%、1.41%±1.06%、2.27%±1.51%、2.98%±2.06%,低于其他3种方法;实测实验中,恒河猴数据的J3准则值为13.50±5.26,大鼠数据的J3准则值为26.43±10.46。与其他3种方法相比,平均J3准则值较大,且显著高于幅值特征的高斯混合模型聚类算法。所提出的方法表现出较高的分类精度和较好的类可分性,为实现神经元锋电位的可靠分类提供了一种有效的手段。

监督最大差伸展算法及其在步态识别中的应用

在步态识别过程中影响步态识别性能的因素很多。为了提高步态识别率,在最大差异伸展(MVU)算法的基础上,提出了一种监督MVU算法并应用于步态图像识别中。该方法能够通过线性变换找到一个最佳子空间,使不同子流形数据更分散、同一流形数据更紧密。由真实的步态图像数据库上的实验结果证实了所提出算法的有效性和可行性。

新的流形学习方法统一框架及改进的拉普拉斯特征映射方法

流形学习是多个领域的重要研究课题.通过考察各种流形学习方法,提出了一种新的流形学习方法的统一框架,并在此框架下对拉普拉斯特征映射方法(Laplacian eigenmap,LE)进行了分析.进一步,基于此框架,提出了一种改进拉普拉斯特征映射方法(improved Laplacian eigenmap,ILE).它建立在LE方法和最大差异延展算法(maximum variance unfolding,MVU)的基础上,在保持流形谱图拉普拉斯特征的同时,以最大化任意两点之间的差异为目标.ILE有效地解决了拉普拉斯特征映射方法对邻域选择敏感以及MVU方法大计算量、局部限制过强等问题,且能够保持数据聚类性质,挖掘数据内蕴特征.通过实验说明了ILE的有效性.