面向翻唱歌曲识别的改进相似度网络融合算法

提出了改进型相似度网络融合(modified similarity network fusion, MSNF)算法,通过自建核矩阵实现了非方阵的直接融合;通过引入核矩阵的融合,避免了由表现较差的特征构造的核矩阵的负面影响的延伸。在3个数据集上的实验结果表明:MSNF算法在翻唱歌曲识别任务中取得了比SNF算法更高的识别准确率,大幅度降低了时间复杂度。

基于相似度网络融合的极化SAR图像地物分类

从极化合成孔径雷达(synthetic aperture radar,SAR)图像中提取多种特征向量堆叠成一个高维特征向量用于地物分类,将导致部分特征向量的分类能力减弱或丧失。针对此问题,将每种特征向量看作为不同视角数据,提出了一种基于一致相似度网络融合的极化SAR图像非监督地物分类方法。首先,将极化SAR图像进行过分割,基于超像素提取5种特征向量以构建5个相似度矩阵;其次,采用一致相似度网络融合多视学习算法生成融合的相似度矩阵;然后,基于该矩阵进行谱聚类;最后,提出一种分类后处理策略修正错分像素。仿真和实测极化SAR图像地物分类结果表明,该方法性能优于其他5种经典方法。

基于多视角网络融合的典型用电负荷模式挖掘

为了识别用户端典型用电负荷模式,解决传统聚类算法中仅使用单视角数据致使典型模式识别不全面的问题,提出一种基于多视角网络融合的典型用电负荷模式挖掘方法.采用多视角网络融合算法对三个粒度视角数据进行融合,利用谱聚类算法与共现矩阵度量方法识别典型用电负荷模式,结合教育行业和房地产行业用户基本信息对其用电负荷曲线趋势进行挖掘与分析.结果表明,与单视角数据相比,挖掘出的典型用电负荷模式更为准确且具有较好的鲁棒性,能够结合不同行业特点为电网系统在不同时段采取错峰用电、削峰填谷等措施提供指导.

基于多视角数据与社区发现的典型用电负荷模式挖掘研究

电力系统为满足各类用户的用电需求,需掌握用户端用电负荷曲线的典型模式。当前电力负荷模式挖掘过程中往往使用单视角数据进行聚类分析,未考虑不同视角数据内部度量信息差异和复杂的计算。针对这一问题,从三个粒度获取多视角用电负荷数据并进行预处理,分别计算相似度矩阵,使用相似度网络融合算法构建融合相似度矩阵,选用Leiden社区发现算法对用户群体进行划分,然后动态识别各个子社区的典型用电负荷曲线并进行趋势分析。实验结果表明,算法能够稳定划分用户群体并识别各个子社区的典型用电负荷模式曲线,结合用户基本信息,得到各个子社区的峰值模式,从而为电力系统采取个性化措施以满足不同用户群体的需求提供指导。