基于混合隐Markov链浏览模型的WEB用户聚类与个性化推荐

针对传统的Markov链模型不能有效的表征长串访问序列所蕴含的丰富的用户行为特征（用户类别特征、访问兴趣迁移特征）的缺点,提出混合隐Markov链浏览模型。混合隐Markov链模型使用多个不同的模型来区分不同类别用户的浏览特征,并为每个类别的用户设置了能跟踪捕捉其访问兴趣变化的类隐Markov链模型,能更好地对WWW长串访问序列的复杂特征进行建模,在真实WWW站点访问日志数据上的用户聚类实验与个性化推荐实验的结果表明,混合隐Markov链模型与传统的Markov链模型相比,具有更理想的聚类性能和推荐性能。

一种基于Markov链模型的动态聚类方法

对单变量时间序列的聚类 ,是一类有着广泛应用背景的特殊的聚类问题 由于该问题的特殊性 ,现有的聚类方法无法直接使用 ,故提出了一种新的基于Markov链模型的动态聚类方法 该方法首先对每一个时间序列建立一个描述其动态特征的Markov链模型 ,从而把对时间序列的聚类问题转化为对Markov链模型的聚类问题 然后通过定义各个Markov链之间的“距离” ,采用动态聚类算法完成对这些Markov链模型的聚类 使用该方法 ,分别对一批真实数据和仿真数据进行了聚类试验 。

基于隐反馈的类时齐 Markov 推荐模型

传统Markov链模型在用户浏览行为预测方面体现出较好的性能,但不能很好的体现出用户的兴趣度和所推荐的页面的重要性,因此本文提出类时齐Markov模型.该模型给不同的类别用户单独创建时齐Markov模型,并用时齐Markov模型的平稳分布表征用户的访问兴趣和页面的重要程度.本文进而提出了基于隐反馈的类时齐Markov推荐模型,在真实的WEB服务器日志数据上的实验证明,类时齐Markov模型具有更好的推荐性能.

非平稳广义Markov模型策略类的等价性

本文考虑的是广义Ｍａｒｋｏｖ模型｛（Ｓｎ），（Ａｎ（ｉ），ｉ∈Ｓｎ），（Ｐｎ），（（ｒｎ，Ｖ）／ 随机策略类Π和随机马氏策略类Πｍ的等价性．对于该模型的期望总报酬准则Ｖ和平均期望准则 ，在不对模型中的诸因素（Ｓｎ），Ａｎ（ｉ），ｉ∈Ｓｎ，（Ｐｎ）， 附加任何条件下，本文用概率的方法证明对任给随机策略π，存在随机的马氏策略 ，使得Ｖ（π）等于 ，等于 ．

基于模糊聚类的移动通信信道多状态Markov模型

针对传统研究中多状态信道模型划分无相应理论依据的情况,分析了移动通信信道传播特性,阐述几种单一状态下经典的移动通信信道统计模型并推导它们的二阶统计特性,再结合移动通信的传播特性,提出了基于模糊数学的移动通信信道划分方法,建立符合实际信道特性的多状态移动信道Markov模型,最后通过相关数学理论推导和仿真验证了基于模糊数学的多状态Markov模型更加贴近实际信道特性.

融合停留时间的隐Markov个性化推荐模型

静态模型在推荐系统中往往将用户的兴趣偏好看作是固定不变的,而在一定程度上与实际并不符合。为此,基于隐Markov动态模型提出一种融合停留时间的类时齐隐Markov个性化推荐模型(ctqHMM)。该模型用隐含状态变量的转移来模拟Web用户的兴趣变迁,并用停留时间来描述用户对某一偏好感兴趣的程度和所推荐页面的重要性。然后,提出一种基于该模型平稳分布的用户聚类方法,并将其用于推荐系统中。在真实的Web服务器访问记录数据上的实验证明,类时齐隐Markov模型具有更好的推荐性能。

基于隐含变量的聚类集成模型

聚类集成能成为机器学习活跃的研究热点,是因为聚类集成能够保护私有信息、分布式处理数据和对知识进行重用,此外,噪声和孤立点对结果的影响较小.主要工作包括:第一,分析了把每一个基聚类器看成是原数据的一个属性这种处理方式的优越性,发现按此方法建立起来的聚类集成算法就具有良好的扩展性和灵活性;第二,在此基础之上,建立了latent variable cluster ensemble(LVCE)概率模型进行聚类集成,并且给出了LVCE模型的Markov chain Monte Carlo(MCMC)算法.实验结果表明,LVCE模型的MCMC算法能够进行聚类集成并且达到良好的效果,同时可以体现数据聚类的紧密程度.

基于MRF随机场和广义混合模型的遥感图像分级聚类

有限混合模型FM的分级聚类已广泛应用于不同领域,然而,它的计算复杂度与观测数据的平方成正比,因此,在海量数据方面的应用就受到了限制。另一方面,多光谱图像数据中同时包含有空间和光谱两类信息,但大多数基于像素的多光谱图像聚类方法,仅使用了其频谱信息而忽视了空间信息。本文提出了一种新的基于广义有限混合模型GFM的分级聚类方法,该算法把MRF随机场和GFM模型结合在一起,分类数可以通过PLIC准则自动确定。算法在执行过程中,采用K均值聚类方式获得过分类图像,分级聚类从过分类图像开始,代替原来从单点类开始的方式,这样可以方便获取GFM模型成分密度的初始参数。最后,采用由Gibbs采样器生成的仿真测试图对算法的精度进行了定量评价,通过与K均值聚类和FM聚类的比较说明了本文算法的优越性,同时用荷兰Flevoland农业地区的极化SAR图像验证了本文算法的有效性。

融合多尺度统计信息模糊C均值聚类与Markov随机场的小波域声纳图像分割

声纳图像成像质量差、特征信息弱,目标分割存在一定困难,为此提出一种融合多尺度统计信息的模糊C均值(FCM)聚类与Markov随机场(MRF)的小波域声纳图像分割算法。小波域中低频信息统计特性描述了低频不同区域像素聚类情况,高频信息反映了该方向纹理特征,依据低频子带的统计峰值选取FCM初始聚类中心,应用小波域FCM聚类算法对声纳图像进行预分割,抑制噪声的影响,提高了预分割的准确性;构建初分割后图像的多尺度MRF模型,尺度间节点标记的相关性采用1阶Markov性表征,尺度内构建2阶邻域系统描述系数间的标记联系,标记场采用双点多级逻辑模型建模,同一标记的系数特征场采用高斯模型建模,弥补了MRF算法中层次信息和轮廓信息描述的不足;应用迭代条件模型算法求其最小能量下的标记场,实现声纳图像分割。从视觉主观效果和客观评价指标两方面的实验结果验证表明,该算法分割声纳图像均优于FCM聚类算法和MRF算法,分割的声纳图像边缘与细节的清晰度、精细度均有一定程度改善。

基于页面聚类的Web概念化模型研究

针对Web对象激增导致网站层次结构复杂难辨的问题,提出一种基于页面聚类的Web概念化建模方法。首先基于用户访问路径建立Web层次结构模型(WHM),然后依据页面相似度对位于同一层次的页面进行聚类,得到Web概念化模型(WCM),最后将该模型应用于Web预取系统。实验结果表明,WCM模型在保持较高预取效率的前提下具有较好的聚类效果和适用性。

一种改进的Markov预测模型方法

马尔可夫(Markov)模型的链式结构简便易行,适合作为一个预测模型来预测用户的页面访问模式。针对Markov原始预测模型算法时间和空间高开销的缺点,引入聚类方法对模型进行改进,以有效降低原始Markov预测模型计算开销。改进的Markov模型虽较好地克服了原始Markov模型的缺陷,但在提高效率的同时,模型的预测准确度有所降低。不过由于是将高阶Markov模型类别预测和低阶Markov模型页面预测相结合,和原始低阶Markov模型页面预测相比,准确性具有一定优势。

基于Markov四叉树模型的无监督图像分割

本文提出了一种基于分布特征的多尺度无监督图像分割方法。通过对多尺度图像数据在每个尺度上进行Gauss子集聚类,并将每个像素的邻域内的Gauss子集类别标记作为特证向量,利用多尺度Markov模型进行二次聚类,从而实现无监督图像分割。与其它基于多尺度Markov模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。对合成图像与SAR图像的实验结果表明,该方法的分割精度接近于有监督的H-MPM和H-SMAP方法。

基于聚类克隆技术的Markov预测算法的改进

为解决传统一阶Markov模型算法的预测准确率较低问题,改进算法在动态的基于聚类克隆的Markov模型算法的基础上,通过限制克隆条件实现对状态的过滤,减少了需克隆的状态数,减小了计算量,从而提高了运算速度.实验表明,这种策略能有效地提高Markov模型在网页预测中的效率.

基于优化模型的类级测试数据自动生成研究

研究了一种基于优化使用模型的类级测试用例的自动生成方法。首先使用基于约束的非线性规划问题的求解方法获得Markov链使用模型的状态转移概率,建立优化的使用模型;然后以使用模型的概率转移为约束采用轮盘赌算法自动生成测试用例;最后以Euclidean Distane方法度量测试的充分性。实验表明此方法能够提高测试自动化水平,提高软件的可靠性。

基于混合Markov链的用户浏览预测模型

根据Web用户的浏览历史建立用户浏览预测模型是Web环境下实现个性化服务和开发各种浏览导航工具的关键。该文首先利用PLSA模型对Web用户进行用户聚类,然后建立基于用户类别的混合Markov链用户浏览预测模型,该模型更能准确地描述用户浏览特征。实验结果表明了该模型的优越性。

动态超密集网络中的Markov预测切换

针对超密集蜂窝网络中大规模机器类通信所涉及的通信与计算问题,提出了一种基于Markov预测的切换方案。首先考虑半结构化的中心控制的异构网络设计,该设计中含有密集部署的虚拟节点,以实现低成本和高效率的覆盖。该网络可以根据用户的移动性及网络通信量动态调整接入点。其次构建Markov模型,引入负载感知思想,通过权衡信号质量与小区负载,有效地预测用户的下一个最优接入点。仿真实验结果证明了该方案用于小区切换预测的可行性与有效性。

一种基于页面聚类的Web概念化建模新方法

Web结构优化技术在降低访问延迟、提高访问效率上具有重要作用.由此提出根据用户访问路径建立Web层次模型(WHM),利用页面相似度合并同层相似页面,从而构建Web概念化模型(WCM).实验及分析表明,WCM模型能够在适度聚类的情况下清晰地展现Web结构.此外,将WCM模型应用于预取系统,该模型所采用的聚类算法在预取效率方面明显优于传统方法,具有可行性和高效性.

基于MRF随机场的多光谱遥感影像最优化分级聚类

有限混合模型FM的分级聚类已广泛应用于不同领域,然而,由于它的计算复杂度与观测数据量平方成正比,致使在遥感影像方面应用受到了限制。另外,多光谱图像能提供空间和光谱两类信息详细的数据,但是,大多数多光谱图像聚类方法是基于像素的聚类,仅使用了其光谱信息而忽视了空间信息。本文定义一个相对混合密度函数,通过引入一个q-参数来调节各成分密度对其混合分布的贡献,提出一种广义有限混合模型GFM,设计一种新的适用于多光谱遥感影像的GFM分级聚类算法。该算法把MRF随机场和GFM模型结合在了一起,分类数通过PLIC准则自动确定。最后,利用仿真结果验证该算法的有效性,同时通过与K均值聚类、FM分级聚类以及SVMM分级聚类的比较说明本文算法的优越性。

基于谱聚类的高阶模糊时序自适应预测方法

结合数据特征及分布特点提出一种基于谱聚类的模糊时间序列自适应预测方法。首先基于谱聚类的思想,根据样本数据特征获取其所属论域的个数及范围,实现向模糊时间序列的自适应转化;然后基于Markov概率模型表示模糊时间序列中的模糊关系,从而对多步模糊关系、高阶模糊关系及模糊关系的稳态进行求解;最后获取预测值的可能模糊状态,进而利用去模糊化方法将其还原为预测值。在真实以及人工时间序列数据上的实验表明了所提方法的合理性与有效性。

基于模糊加权Markov方法的飞机重着陆风险控制研究

飞机重着陆严重影响着飞行安全,控制重着陆事件风险是该领域研究难点。提出了模糊加权Markov模型方法,进行飞机重着陆状态预测研究。首先,通过起落架接地受力分析,确定飞机接地载荷作为描述重着陆状态的特征参数,并引入模糊有序聚类算法,获得重着陆状态划分规则;然后,针对起落架接地载荷进行状态分级,计算载荷序列的自相关系数,获取多时滞Markov链的权值;最终,建立加权Markov模型,预测起落架接地载荷时序分布,根据载荷序列概率分布来评价重着陆等级,实现重着陆风险的控制。工程实例表明,该算法准确率高,具有较好的空间性能和时间性能。