基于类别一致性学习的稀疏邻域约束的联合聚类

为了充分挖掘特征结构,提升聚类性能,提出一种基于类别一致性学习的稀疏邻域约束的联合聚类方法。将联合聚类问题转化为附加对偶正则化子的非负矩阵三因式分解,在非负矩阵分解的基础上,增加两个正则化子,使数据关联性与标签分配一致;提出一种目标优化的乘法交替方案,从理论上证明了算法的收敛性和正确性。利用三种评价方法在六个数据集上进行验证,并对其参数敏感性进行分析。实验结果表明,该算法具有较优的聚类性能。

基于稀疏邻域的特征融合算法及其应用

针对无标签样本和单标签样本的融合学习问题,提出样本稀疏邻域的概念,进而给出基于稀疏邻域的特征融合算法(SNSPDA)。样本的稀疏邻域充分利用稀疏表示的判别属性,增强了具有较大表示系数样本对被表示样本的重构作用。SNSPDA算法可捕获数据的局部几何结构,保持样本间的稀疏重构关系,同时避免单标签样本学习中的过拟合问题。大量单标签图像样本的实验结果表明,SNSPDA算法比仅反映单一数据属性的融合算法具有更高的识别率,如在光照条件变化较大时,该算法的正确识别率分别比稀疏保持判别融合算法与半监督判别融合算法提高了2.14%与17.43%。

基于稀疏邻域的主动不平衡学习算法

为了有效地解决不平衡问题,提出一种新颖的基于稀疏邻域和主动学习采样机制的不平衡学习策略。该策略可以克服虚拟样本合成的限制,并且具有降低标记成本的优点。其基本思想是通过对具有较高少数类置信度的未标记样本进行主动采样,标记并添加到不平衡的训练数据集中,从而达到均衡数据集的目的。

考虑技能学习差异的多工人协作柔性车间调度

在考虑工人技能学习差异的基础上,为解决多工人协作柔性车间调度问题,提出了基于稀疏邻域带精英策略的快速非支配排序遗传算法(Non-dominated Sorting Genetic AlgorithmⅡ,NSGA-Ⅱ)的调度方法。对考虑技能学习差异的多工人协作柔性车间调度问题进行了描述,以车间工人学习能力为背景改进了DeJong学习模型,并建立了多工人协作柔性车间调度的多目标优化模型。在NSGA-Ⅱ基础上,引入了邻域稀疏度的选择方法,有效保留了信息丰富和多样化的染色体,并将稀疏邻域NSGA-Ⅱ应用于柔性车间调度问题求解。经实验验证,稀疏邻域NSGA-Ⅱ所得Pareto解集质量高于标准NSGA-Ⅱ和自适应多目标进化算法(Multiobjective Evolutionary Algorithm Based on Decomposition,MOEA/D),最短调度方案的完工时间为127.1 min,该方案满足逻辑和时间等约束。实验结果验证了稀疏邻域NSGA-Ⅱ在柔性车间调度中的优越性。