基于稀疏自编码的多维数据去重聚类算法分析

随着科技信息的不断发展,数据量与数据类型与日俱增,针对数据集维度高、重复数据多导致有效信息提取复杂的问题,提出基于改进稀疏自编码器的多维数据聚类算法。算法分为数据处理与聚类分析两大部分,数据处理时首先利用S-SAE中逐层贪婪的原理将高维数据集降维至每组6维的数据集;接着采用映射值匹配机制对降维后的数据集进行重复数据清洗处理,被清洗的值用0替代;然后将处理好的数据投入到K-Means++聚类算法中进行聚类分析;最终构建出TS-SAE-K-Means++多维数据聚类模型,并通过最优化分析得出其最优化参数设置情况。通过对不同基线组合算法的仿真对比分析表明,TS-SAE-K-Means++在聚类轮廓系数S与模型特征值F1评价体系中均优于其它算法组合。这表明提出的算法在解决高维数据内有效信息提取的问题上具有一定的优越性。

考虑数据稀疏性的图书推荐协同过滤算法仿真

图书推荐算法易忽略数据稀疏性问题,导致推荐结果与用户感兴趣内容之间存在较大的偏差。在考虑数据稀疏性的基础上提出一种图书推荐协同过滤算法,对数据预处理,通过对用户和用户之间综合信任度分析,利用分布估计算法对用户兴趣建模;构建用户兴趣簇类集,划分用户兴趣,从中选择出与检索对象最接近的邻居;计算邻近项目得分,按照从大到小的顺序排列,排名靠前的资源项即为图书推荐结果。实验结果表明,所提方法在推荐500本图书时,用时在12s内,且降低了平均绝对误差和均方根误差,实现了最精准的图书推荐。

基于变分模态分解和稀疏表示的局部放电信号去噪算法

鉴于局部放电信号受各种噪声的干扰,文章提出一种基于变分模态分解和稀疏分解的局部放电信号去噪算法。以稀疏表示算法为核心,基于局部放电信号的特性构建其过完备字典,再采用匹配追踪算法在过完备字典中搜索出原信号的最佳匹配原子集合重构信号;为解决过完备字典维度过高而导致的搜索次数太多的问题,引进变分模态分解算法和峭度值筛选进行预处理和预重构;优化后的方法可以限制稀疏分解算法的搜索范围和字典参数,以减小计算复杂度。仿真验证以及对工程环境中实测信号的去噪结果表明:该方法具有更好的降噪效果,即使在极低信噪比的情况下,依旧能提取出有效的局部放电信号。

基于在线学习稀疏特征的大规模多目标进化算法

大规模稀疏多目标优化问题(Sparse Multiobjective Optimization Problems,SMOPs)广泛存在于现实世界。为大规模SMOPs提出通用的解决方法,对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用。由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性,现有的进化算法在解决SMOPs时,很容易陷入维数灾难的困境。针对这个问题,以稀疏分布的学习为切入点,提出了一种基于在线学习稀疏特征的大规模多目标进化算法(Large-scale Multiobjective Evolutio-nary Algorithm Based on Online Learning of Sparse Features,MOEA/OLSF)。具体地,首先设计了一种在线学习稀疏特征的方法来挖掘非零变量;然后提出了一种稀疏遗传算子,用于非零变量的进一步搜索和子代解的生成,在非零变量搜索过程中,其二进制交叉和变异算子也用于控制解的稀疏性和多样性。与最新的优秀算法在不同规模的测试问题上的对比结果表明,所提算法在收敛速度和性能方面均更优。

基于遗传算法优化稀疏分解的防护涂层测厚研究

针对采用高频超声水浸法检测装配式钢结构的防护涂层厚度的仿真试验中,防护涂层的界面反射回波相互混叠,导致无法提取涂层的时域信息的问题,利用基于遗传算法优化稀疏分解中的匹配追踪过程对混叠信号进行分离与重构。该算法在构建的Gabor原子库中,利用遗传算法对最佳原子参数的搜索过程进行优化,同时将传统稀疏分解匹配追踪算法中的内积运算优化为互相关运算,从而优化了稀疏分解的运算效率。与金相检测涂层厚度的结果相比较,该改进算法的检测相对误差为2.50%,在可接受的范围内,且较传统稀疏分解匹配追踪算法5.01%的检测相对误差的检测精度高,同时运算速度得到较大提升。

基于改进A-star算法的轮椅无障碍出行路径规划策略研究

随着当前城市出行空间环境的复杂化,针对轮椅无障碍出行路径规划问题,文章提出一种基于改进A-star算法的轮椅无障碍出行路径规划策略。首先分析轮椅出行路径的影响因素,通过结合出行障碍以及出行时间两种影响因素将出行地图进行栅格化处理,同时将出行障碍函数融入A-star算法的成本函数中,实现对A-star算法的改进。最后通过实例进行仿真验证,结果表明:改进后的A-star算法可以有效地考虑轮椅出行障碍,并规划出合适的轮椅出行路径,验证了文章所提出策略的有效性。

基于灰狼算法的轨道交通钢轨缺陷的稀疏全聚焦成像方法

[目的]采用超声相控阵技术可实现轨道交通钢轨缺陷的高精度成像检测,但广泛应用的全矩阵捕获全聚焦成像方法存在计算耗时长、实时性不高的缺点。为缩短成像计算时间,采用稀疏矩阵替代全矩阵进行超声成像,但传统智能优化算法在解决稀疏阵列设计问题时存在收敛慢、易陷入局部最优的问题。为提高收敛性能和全局搜索能力,提出基于灰狼算法的轨道交通钢轨缺陷的稀疏全聚焦成像方法。[方法]对优化算法下的稀疏阵列性能进行了分析;利用超声相控阵仪器在钢轨试样上采集超声信号,通过稀疏矩阵进行全聚焦成像,以分析成像质量和成像时间。[结果及结论]利用优化算法得到的稀疏阵列具有较高的旁瓣抑制力,PSL(峰值旁瓣水平)可达到-12.83 dB;当PSL阈值为-6 dB时,稀疏阵列主瓣宽度与全阵列2.8°的主瓣宽度相当;稀疏率为75%时,钢轨成像性能指标质量接近全阵列,成像时间缩短了56.35%。

一种基于稀疏优化和Nesterov动量策略的模型剪枝算法

随着深度学习快速发展,模型的参数量和计算复杂度爆炸式增长,在移动终端上部署面临挑战,模型剪枝成为深度学习模型落地应用的关键。目前,基于正则化的剪枝方法通常采用L2正则化并结合基于数量级的重要性标准,是一种经验性的方法,缺乏理论依据,精度难以保证。受Proximal梯度方法求解稀疏优化问题的启发,本文提出一种能够在深度神经网络上直接产生稀疏解的Prox⁃NAG优化方法,并设计了与之配套的迭代剪枝算法。该方法基于L1正则化,利用Nesterov动量求解优化问题,克服了原有正则化剪枝方法对L2正则化和数量级标准的依赖,是稀疏优化从传统机器学习向深度学习的自然推广。在CIFAR10数据集上对ResNet系列模型进行剪枝实验,实验结果证明Prox⁃NAG剪枝算法较原有剪枝算法性能有所提升。

应用于脑机接口系统的动态稀疏矩阵压缩算法

在脑机接口系统中,高通道数神经信号采集是一个核心功能模块,能够为外部计算机设备采集大量人脑中的神经信息;在高通道数神经信号采集中,因其原始数据量巨大,直接传输和处理产生的原始数据会消耗极大的功耗并增加硬件设计上的难度;为解决这个问题,一个有效的方法是在数据传输和处理前依据原始神经信号数据的特点对其进行压缩;神经元动作电位信号具有不应期性即有效信号的时域宽度与信号重复周期之比很小;利用此特点,能够将多通道神经信号的数字标记输出在一定时间范围内定义为一个稀疏矩阵,并对此稀疏矩阵进行特征提取,根据其特征动态地采用优化算法进行数据压缩;所提出的算法在Xilinx平台使用FPGA进行设计与实现,并且将其作为中控硬件在32通道神经信号采集硬件系统上通过实时验证,实验证明提出的动态稀疏矩阵压缩算法可实现83.4%的数据压缩率。

基于改进A-star与DWA相融合的移动机器人动态路径规划算法

A-star算法常用于移动机器人的全局路径规划,但在复杂场景中A-star算法存在耗时长、搜索节点过多、路径不平滑、不能避开环境中未知的障碍物等问题。针对于此,本文提出一种融合路径规划算法。首先,在A-star算法的基础上引入环境中的障碍物信息和搜索节点到起始位置的距离信息动态调节启发函数的权重,减少搜索节点数,提升A-star算法的性能;然后,利用自适应分段步长的高阶贝塞尔曲线对路径进行优化,减少转折点提升路径的平滑性;最后,将改进A-star算法规划的全局路径作为引导,将路径节点作为DWA算法的中间目标,实现全局路径规划和局部规划的融合,使移动机器人在找到全局最优路径的同时,能够避开环境中的未知障碍物,实现移动机器人的动态路径规划。仿真结果验证了该算法的有效性。

基于稀疏中智聚类的图像分割算法

聚类算法是机器学习领域的重要研究课题之一,基于聚类的分割算法无需图像的任何先验信息,减少了人为干涉,所以该算法已广泛应用于图像处理的多个领域。中智聚类算法由于其处理不确定性问题的优越性,而被广泛用于图像分割算法。本文从中智聚类基础性的研究算法(FC-PFS)出发,提出了一种新的基于稀疏正则项的中智聚类算法。首先引入正则化项,增强隶属度矩阵的稀疏性,其次引入数据k近邻,给出正则化项参数的优化方案,降低调参难度,从而学习到结构合理且稀疏的隶属矩阵,提高中智聚类算法的聚类性能,同时利用提出的算法在无噪声图像,不同方差的高斯噪声及不同密度的乘性噪声图形上进行图像分割,试验结果验证了基于稀疏正则项的中智聚类算法是合理且有效的。

基于两阶段LASSO-ADMM算法的半盲稀疏信道估计和数据检测

基于两阶段LASSO ADMM算法,提出一种适用于多输入多输出(MIMO)系统的半盲稀疏信道估计和数据检测方法。在高信噪比(SNR)环境下,现代无线通信中的传统信道估计方法,如基于导频的方法和子空间方法,常面临低频谱效率和适应性差的问题。为解决这一问题,将信道估计和数据检测任务公式化为一个优化问题,并通过两阶段LASSO ADMM算法求解。利用信道的稀疏性,并通过减少对导频信号的依赖,来提升系统的频谱效率;同时,通过两阶段优化,增强了算法的准确性和鲁棒性。仿真结果表明,与现有技术相比,所提出的方法在多个SNR条件下显示出显著的性能优势,不仅为大规模MIMO系统的信道估计和数据检测提供了新视角,也为未来无线通信系统的设计提供了重要的理论支持。

基于长短期记忆的稀疏数据过滤推荐算法

采用目前算法对稀疏数据进行过滤推荐时,没有综合考虑用户的整体评分特征和不同项目的单独评分对数据补全的影响,导致MAE值和RMSE值大、F1值小。提出基于长短期记忆的稀疏数据过滤推荐算法,首先通过相关因子对相似性进行计算,利用云模型将稀疏数据缺失项进行补全,然后采用补全后的数据构建长短期记忆网络,通过长短期记忆网络得到简单优化函数并对其求解,最后建立稀疏数据过滤推荐算法模型,完成基于长短期记忆的稀疏数据过滤推荐。实验结果表明,所提方法的MAE值和RMSE值更小、F1值更大。

基于动态搜索策略离散粒子群算法的稀疏阵列约束优化

针对目前稀疏阵列优化算法搜索策略单一和适用范围受限问题,对离散粒子群(Discrete Particle Swarm Optimization,DPSO)算法进行改进,提出了一种基于多种融合的综合粒子学习策略的算法,用其设计具有多个约束条件的稀疏平面阵列.该方法在粒子速度更新时使用基于小生境的分散解集合替换群体最优解,以形成高多样性种群.为了增强后期局部收敛性,在适时启动局部变异策略,利用变异概率自适应地调整粒子位置,并通过两个观测参数监控其运动状态.经典函数测试和平面稀疏阵列数值仿真结果证明了算法的有效性和鲁棒性.相同仿真条件下,相比于现有三种算法,该算法峰值旁瓣电平(Peak Side-Lobe Level,PSLL)分别降低了8.45%,6.77%和8.27%.

基于图论节点的改进A-star栅格路径规划算法

提出了一种将图论最短问题中的路径节点及栅格地图中的栅格节点位置信息结合的路径规划算法。依据图论最短问题思想,提取室内具有特殊信息的位置节点,并判断节点间可视性,加入到先决地图信息中。在此基础上改进的A-star算法在扩展节点时,根据启发函数,只在特殊节点位置进行扩展,避免计算大量不必要栅格点的启发函数,从而提高算法效率。实验结果表明,改进后的A-star算法较之前时间缩短了79.2%,所遍历栅格节点减少了99.4%,且栅格分辨率大小不影响路径规划效率。最后总结改进方法的优缺点,期望改进算法可用于室内多目标同时导航。

基于人工蜂群遗传算法的稀疏全聚集成像方法研究

稀疏阵列设计是一种可提高相控阵成像实时性的有效途径。遗传算法能较好解决线性阵列稀疏这种典型的约束优化问题。但此算法的局部搜寻能力较弱,且在后期搜寻效率较差。为此,论文通过构建人工蜂群-遗传算法的阵列稀疏方法,把蜂群寻找最优解的过程引入到传统遗传算法中,增加全局最优解的搜索能力。结果显示,人工蜂群-遗传算法优化后得到的稀疏阵列比遗传算法优化后得到的稀疏阵列具有更高的旁瓣抑制力,阵列的峰值旁瓣水平达到-11.40 dB。而在阈值为-6 dB时,两种算法优化得到的稀疏阵列主瓣宽度都等同于全阵列2.8°的主瓣宽度。最后,论文通过相控阵检测系统在钢轨试样上采集超声信号,利用人工蜂群-遗传算法设计得到的稀疏矩阵进行全聚焦成像。实验结果显示,当阵元数为32的线性阵列在稀疏率达到75%时,稀疏阵列的阵列性能指标分辨率、信噪比与满阵相差不大,但成像效率却提高了53.04%。

基于改进整型遗传算法的稀疏矩形平面阵列优化

为了降低固定稀疏率、固定孔径的稀疏矩形阵列的峰值旁瓣电平,提出一种改进整型遗传算法。该算法在整型遗传算法的基础上,提出了等间隔采样的交叉策略、多点变异策略以及优良基因重组的策略。采取等间隔采样的基因交叉方式,可以有效发挥整型编码的优势,从而提高算法的运行效率;为了提高种群的多样性,防止算法陷入局部最优,采用了多点变异策略;采用优良基因重组技术,加快了算法的收敛速度。仿真结果表明,相比传统的二进制和实数编码,整型编码更为直接高效;与用于稀疏矩形阵列优化的相关算法相比,本文所提算法获得了更优的旁瓣电平,证实了算法的有效性和优越性。

一种新型的电能质量扰动信号分析的CDMSPSO-MP算法

针对匹配追踪(matching pursuit,MP)算法在检测电能质量扰动信号时存在的计算量大、重构信号质量不佳的问题,利用混沌动态多种群粒子群优化(chaos dynamic multi-swarm particle swarm optimization,CDMSPSO)算法对MP算法进行优化,提出了CDMSPSO-MP算法。首先,CDMSPSO算法使用Logistic映射替代伪随机数更新种群,提高信号重构时搜索时频原子的随机性;然后,将种群划分为多个小规模种群并设置相应的重组期,增加信号重构时频原子的多样性;最后,以扰动信号与原子内积的绝对值作为CDMSPSO算法的适应度函数,替代MP算法的遍历计算,提升信号的重构速度。实验结果表明,CDMSPSO-MP算法有效提高了计算速度,减少了无关时频原子作为扰动信号分量的计算,提高了重构信号的质量。

室内环境下改进的混合路径规划算法

为了解决室内非结构化复杂环境下的机器人在路径规划时常常出现目标点不可达、规划过程产生折角偏移、规划过程无法及时规避动态障碍物等问题,提出一种改进的混合室内路径规划算法。该算法将改进的全局路径规划与改进的局部路径规划算法相融合。首先,优化传统A-Star算法的启发因子,减少搜索范围和节点,再通过角平分线切点法对传统A-Star算法进行平滑处理。其次,综合路径与环境信息,采用改进的人工势场算法进行局部路径规划,通过修正斥力场参数来解决目标点不可达问题,同时构造了动态的势力场函数,使其具备决解决动态障碍物的能力。最后,对混合算法进行实际环境的路径规划实验,比起传统的混合算法文中提出的混合算法在路径规划长度上减少11.4%,运行时间减少11.1%,少经过34个冗余节点,结果表明该融合算法可以有效解决室内非结构化复杂的路径规划问题。

融合A-Star与DWA双优化算法的自动引导车路径规划

自动引导车的应用越来越广泛,为了达到自动引导车在路径规划中要达到全局最优,实时避障的要求,提出了一种优化A-Star算法与优化DWA算法相融合的自动引导车路径规划方案。A-Star算法能找到全局最优路径,根据A-Star算法进行优化,引入自适应启发函数,并进行路径关键点选取,删除冗余路径点。优化后的A-Star算法解决了传统算法规划效率低,路径不平滑的问题。动态障碍物躲避采用DWA算法,优化评价函数,提升了规划效率。仿真结果表明,融合优化后的A-Star算法与优化后的DWA算法,减小了搜索范围,提高了路径规划效率且能实现避障的效果。该融合算法相较其他融合算法在路径规划效率上有很大提升,最终实现全局最优路径规划和局部动态实时避障。