基于异常值检测矩阵分解的服务质量预测

基于Qo S感知的Web服务推荐是帮助用户找到高质量服务的解决方案之一.为了准确预测候选服务的QoS值,通常需要收集用户的历史QoS数据.然而,现有的方法大多忽略了历史数据中的异常值会导致预测准确度降低.为了解决这一问题,提出一种基于异常值检测矩阵分解的服务质量预测方法.首先,使用基于K-means的隔离森林算法先对历史QoS数据进行聚类,将历史数据中的异常值剔除;然后,将其用于改进的矩阵分解模型中对未知值进行预测;最后,利用柯西损失来评估观察值与预测值之间的差异.实验采用WSDream数据集进行测试,结果表明,提出的异常值检测模型的响应时间的MAE与RMSE指标平均提高了19.11%和39.59%,吞吐量的MAE与RMSE指标平均提高了9.82%和29.89%,证明所提模型有效改进了预测准确度.

基于图拉普拉斯正则化的柯西非负矩阵分解高光谱解混

基于欧氏距离标准的非负矩阵分解(NMF)在面对含有噪声和异常像元污染的高光谱图像时,容易造成解混的失败。为了抑制噪声或异常像元的影响,采用基于柯西损失函数的NMF模型以提高解混的鲁棒性。由于对异常值的抑制可能会破坏高光谱图像内在的丰度结构,因此为保证原始高光谱内部数据不被破坏,将图拉普拉斯约束引入模型中。同时,为提高丰度矩阵的稀疏性,提高解混性能,引入重加权稀疏约束项,提出基于图拉普拉斯正则化的柯西非负矩阵(CNMF-GLR)分解的算法。考虑到图拉普拉斯约束对邻域选择的需求,使用局部邻域加权的方法,通过矩形窗结构来确定局部邻域。在模拟数据集和真实数据集上使用相同初始化条件与其他经典算法进行比较,结果表明,所提算法具有更好的鲁棒性和解混性能。

基于空谱约束的加权稀疏柯西非负矩阵分解高光谱解混

传统非负矩阵分解(NMF)应用于高光谱解混时,容易受到椒盐噪声的干扰,造成解混的失败。以往的稀疏解混需要在涉及信息比较分散且易受噪声影响的空间域中寻找最优特征子集。为了解决这些问题,提出了基于空谱约束的加权稀疏柯西非负矩阵分解(SSCNMF)算法,首先采用基于柯西损失函数的NMF模型,其在抑制极端异常值方面,有着良好的鲁棒性。其次,引入自适应稀疏权重因子,提高了丰度矩阵的稀疏性。同时,加入光谱空间约束项,其中光谱因子用于测量不同光谱之间的丰度稀疏度,空间因子利用了丰度空间域的平滑性,提高了数据特征的提取效率。分别对模拟数据集和真实数据集进行了仿真实验,通过与一些经典高光谱解混算法的对比,验证了SSCNMF算法的有效性和优良的抗噪声性能。