基于非负矩阵分解的函数型聚类算法改进与比较

非负函数型数据可以不等间隔观测,在理论和实践中应用广泛,对其进行聚类可以更好地探索客观规律。文章利用位置积分变换将函数型数据转化为高维向量,再通过非负矩阵分解(NMF)将其转化为低维向量,以此构建函数型聚类算法。针对基于NMF的函数型谱聚类算法,给出了确定聚类个数K的两种方法:一种是根据Laplacian矩阵的特征值确定K;另一种是构建新评价指标,通过搜索确定K。数值实验结果显示:基于位置积分变换和NMF的函数型聚类算法有效,对函数结构要求宽松,但需限制函数取值为正;NMF的秩可通过cophenetic相关系数确定,建议取较小的值,以剔除类的冗余特征。在确定谱聚类的聚类个数K时,建议对降维后的数据进行标准化处理,以缩小样本间的距离变化范围;聚类个数变点图直观有效,再结合特征值差分法确定K很有参考价值,建议阈值取[0.05,0.08];根据吻合度与相似比确定K的方法有效且简单易懂。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

融合三支聚类与分解集成学习的股票价格预测模型

准确的趋势判断与实时价格预测是获得理想投资收益的有效途径。现实的金融市场受客观经济环境变化,投资者预期回报以及其他潜在因素影响,使得传统预测方法面临较多的挑战和压力。如何在不确定的环境中发现一种可靠的预测工具,提高预测的准确性,将是值得深入探讨的科学问题。为了获得准确的预测,帮助投资者赢得最大利润,本文引入分解集成思想和三支决策理论,提出了一种基于三支聚类和分解集成的复合预测方法。首先,使用互补集成经验模态分解方法将原始时间序列分解成若干个相对平稳的子序列,实现降低原始时间序列复杂性的同时挖掘了隐藏的信息。其次,为了针对性地处理不同属性的子序列,构建了基于贝叶斯风险决策的概率粗糙集进行三支聚类。接着,为了避免输入信息的欠缺或者冗余信息的干扰,采用基于相空间重构的特征选择方法确定不同神经网络的输入结构。最后,将提出的方法应用于美股ANY价格预测和国际、国内的重要股票指数以及其成分股预测验证其有效性和实用性。同时为把粒计算思想方法与分解集成融合,构建复杂动态数据预测决策模型与方法进行了有益的尝试和探讨。此外,研究结果将为投资者的实际投资决策提供科学的支持与参考。

基于QR分解的类Jacobi联合对角化算法

为提高实矩阵集的近似联合对角化的盲源分离性能,避免平凡解,提出了一种基于QR分解的类Jacobi联合对角化算法.利用QR分解的数值稳定性,采用Jacobi旋转矩阵,将分离矩阵分解为多个初等三角矩阵和正交矩阵的乘积,利用Jacobi旋转矩阵的结构及矩阵变换后的相关元素求解最优参数,将高维矩阵最小化问题转化为一系列低维矩阵子问题,提升源信号恢复精度.通过求解简化的Frobenius范数目标函数降低算法复杂度.混合心电信号仿真结果表明,与QRJ2D,LUCJD,EGJLUD算法相比,本文算法在分离精度和收敛速度方面均有一定优势.

基于谱聚类和多元变分模态分解的风电机组功率预测

传统的风电出力预测方法通常未能充分考虑机组之间的相似性和差异性,忽视了环境条件对风电出力的影响以及关键特征提取方法单一等问题。因此,提出了一种基于谱聚类和多元变分模态分解的人工神经网络风电出力预测方法。首先,为捕捉不同机组之间的相似性和差异性,对风速和风向进行谱聚类,构建风速-风向二维标签簇,并选取每个簇的中心机组以表征该簇的出力特征。接着,为更全面地描述出力与环境条件之间的关系,采用变分模态分解算法对聚类中心机组出力进行分解,同时将出力与风速、风向数据进行多元变分模态分解,得到不同频率的模态成分。最后,在预测阶段引入基于注意力机制的深度学习网络,对特征模态添加注意力机制后输入卷积长短期神经网络模型进行训练和预测,并通过误差修正模块得到同簇其他机组的预测结果。该方法相较传统方法在预测精确度上有明显提升,具有一定的实用性和有效性。

约束传播自适应半监督非负矩阵分解聚类算法

对称非负矩阵分解(SNMF)能够自然地捕获图表示中嵌入的聚类结构,是线性和非线性数据聚类应用的重要方法。但其对变量的初始化较敏感,初始化矩阵的质量好坏会较大地影响聚类性能,且在半监督聚类中面临着从有限的标记数据中学习更具辨别力表示的挑战。针对以上问题,提出了一种约束传播自适应半监督非负矩阵分解聚类算法(constrained propagation self-adaptived semi-supervised non-negative matrix factorization clustering algorithm,CPS3NMF)。该算法将有限约束传播到无约束数据点,构建出带有约束信息的相似矩阵,所获得的相似矩阵充当SNMF中分解的非负对称矩阵,还用于对分配矩阵进行图正则化,充分利用约束信息来保存数据空间的几何结构。同时结合SNMF对初始化特征的敏感性,使用自适应学习的权重对多个初始化矩阵的质量进行排序,集成多次聚类结果来逐步提高半监督聚类性能。在6个公开数据集上进行实验表明所提出的CPS3NMF算法优于其他先进算法,证明了其在半监督聚类中的有效性。

酰胺类高分子有机胺热分解及脱硝性能研究

以3种不同结构的酰胺类高分子有机胺[非离子型聚丙烯酰胺(NPAM)、聚琥珀酰亚胺(PSI)和聚天冬氨酸钾(PASP-K)]为脱硝剂,通过热失重和程序升温质谱研究其热分解过程,并考察其高温脱硝性能。结果表明,三者热稳定大小依次为PSI>PASP-K>NPAM。3种高分子有机胺脱硝性能由大到小顺序为PASP-K>NPAM>PSI,这与3种有机胺分解产生氨的速率和量有关;PASP-K有较好的热稳定性和较多的分解氨量,脱硝效果最好。因此适宜的高分子脱硝剂应有较高的分解氨量和适宜的分解速率。

结合非负矩阵分解和流形学习的大数据聚类方法研究

数据规模扩大与数据关系复杂化给数据聚类带来了挑战,现有方法性能已无法满足求解具备多视图、多类型关系的多维数据聚类问题。提出了一种结合非负矩阵分解框架的流形学习方法,学习多维数据的准确低阶表示,该低阶表示可用于数据检索、分类和聚类等多种用途。还在非负矩阵分解框架中加入多样流形学习,利用不同数据类型数据点之间的距离信息来学习不同的流形以进行数据聚类。直接从输入数据矩阵中同时学习,而不是像现有聚类方法那样依靠重构一个大对称矩阵来求解多维数据聚类问题。对于新制定的目标函数,建立了一套更新规则,保证了所提出方法的正确性和收敛性。进行了严格的实验来测试所提出方法在多维数据上的聚类性能,并将其与基于非负矩阵分解的其他方法进行对比。实验结果表明,所提出方法能够更好地学习数据聚类结构,验证了其有效性。

融合结构和聚类的对称非负矩阵分解链路预测

大部分链路预测算法仅单一考虑节点聚类或链接聚类而忽略网络结构与聚类内在关联性导致预测准确度下降.针对此问题,提出基于对称非负矩阵分解(SNMF)链路预测框架融合多类型结构和聚类信息捕获网络保持网络局部、全局以及节点和链接聚类.首先,融合节点和链接聚类系数(NEC)捕获节点邻域相关联程度,再将无向无权3个基于局部相似度方法共同邻居(CN)、资源分配(RA)和Adamic-Adar(AA)与聚类相融合同时保持结构和聚类;其次,将邻接矩阵映射到低维潜在空间,利用图正则化融合以上信息分别提出3个链路预测模型即SNMF-NEC-CN、SNMF-NEC-AA和SNMF-NEC-RA;此外,通过迭代更新规则学习所提模型参数,获得最优预测概率矩阵.在6个网络上与现有代表性方法比较,实验结果显示所提模型AUC和F1值分别提高了22%和11.4%.

基于相似日聚类及模态分解的短期光伏发电功率组合预测研究

短期光伏发电功率预测是电站制定发电计划并进行调度的重要组成部分,有助于电力系统的动态稳定。针对光伏时序预测中存在的噪声干扰及单一模型预测效果不稳定等问题,该文提出一种基于改进型自适应白噪声的完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)的组合预测模型。首先,利用相关系数提取重要气象特征,并采用模糊C均值聚类(fuzzy C-means clustering,FCM)将原始数据集划分为晴天、晴转多云和雨天。其次,每种相似日以最后一天为待预测日,其余为历史训练集;利用ICEEMDAN将历史训练集分解成若干个较为规律的子序列,并用排列熵(permutation entropy,PE)对各子序列进行重构。最后,高频项采用由卷积神经网络(convolutional neural network,CNN)、(bidirectional gated recurrent unit,Bi GRU)双向门控循环单元与注意力机制组合而成的CNN-BiGRU-ATTENTION神经网络预测,低频项和趋势项采用最小二乘支持向量回归机(least squares support vector regression,LSSVR)进行预测,将预测结果叠加得到最终光伏发电功率预测值。通过实例验证:该文组合模型在不同天气条件下,可以解决单一模型预测精度低、预测效果不稳定等问题;相比其他模态分解,能够更精确地预测波动较大的局部特征。

基于重构残差保持的深度矩阵分解的多视图聚类

多视图聚类是机器学习中的一个基本问题,近年来,基于矩阵分解用于学习多视图数据获得广泛的关注,并且取得了不错的效果。然而,我们发现现有的多视图聚类方法大多主要关注多视图数据所蕴含的重要属性,即一致性和互补性,而忽略了属于单个视图的特定统计属性。为此,本文提出一个矩阵深度矩阵分解的局部残差保持的多视图聚类算法(LRPDMF),我们通过图嵌入的方式,捕捉到每个视图的特定统计属性,保证每一层的数据重构,相似的数据点具有相似的重建残差。在融合阶段的,我们利用这些学习到的特征,由于不同的视图可能会有不同的权重,我们利用自适应的方式将他们逼近到一个相似低维空间。在不同的数据集上,我们的LRPDMF与现在最先进的方法比较,获得不错的实验效果。

基于非负正交矩阵分解的多视图聚类图像分割算法

多视图聚类在应对非线性结构数据上具有一定优势,却存在需要后处理和时间效率较低等缺点.针对这一问题,文中提出基于非负正交矩阵分解的多视图聚类图像分割算法.首先,提取图像多视图数据,使用流形学习非线性降维方法获取每个视图的谱嵌入矩阵,构建相应的谱块结构.再设计自适应权值,将谱块结构融合成一致性图矩阵.然后,对一致性图矩阵进行非负正交矩阵分解,获取非负嵌入矩阵.最后,由非负嵌入矩阵获得多视图特征的聚类,进而得到图像分割结果.在5个数据集上的对比实验表明,文中算法在分割精度和时间效率上都有一定提升.

国内Spinodal分解Cu-Ni-Sn系合金研究进展

全面回顾了国内自开展Spinodal分解Cu-Ni-Sn系合金研究以来所做的工作,系统介绍了Cu-Ni-Sn系合金的组织、性能、添加元素的作用以及制备方法,并指出进一步提高合金性能、开发能抑制Sn偏析的合金制备新技术是今后研究的方向。

Al-Zn固溶体价电子结构与Spinodal分解反应

运用固体经验电子理论,采用平均原子模型对Al Zn固溶体价电子结构进行计算。计算结果表明:Spin odal分解引起合金固溶体的共价键强度发生较大变化,且可以根据各固溶体相的共价键强度的变化对Al Zn固溶体在室温下发生的Spinodal分解反应所引起的合金硬化以及合金硬度的提高做出合理解释。

Al-Zn对称成分Spinodal分解合金的组织、结构与相成分

利用组织分析方法和X射线衍射分析 ,研究了Al Zn对称成分Spinodal分解合金的组织、结构与成分。结果表明 ,Al Zn对称成分合金经固溶处理后可获得单相组织 ,但该组织在室温下将发生Spinodal分解和Zn的析出。在钢模铸造的快速冷却条件下 ,该合金的相组成已经接近于平衡态 ,但存在较多的缺陷和较大的成分不均匀性。利用实测晶格常数的方法可以近似确定Spinodal分解和不连续析出等高分散度两相组织中富Al固溶体的相成分。

机械合金化和熔炼法制备的Cu-15 Ni-8Sn合金的Spinodal分解

利用透射电子显微镜 (TEM)和X射线多晶衍射仪 (XRD)观察分析了机械合金化 (MA)和熔炼两种方法制备的Cu 15Ni 8Sn(质量分数 ,% )合金在 40 0℃不同时效时间Spinodal分解产生的调幅组织结构和边带卫星峰 ,及合金固溶体的晶格参数变化。同时用维氏硬度计测量了合金的时效硬度变化。结果表明 ,与熔炼法相比 ,MA制备的该合金时效过程中 ,Spinodal分解初期的调幅组织结构波长较大 ,调幅分解速度也慢慢 ,延缓了γ′相的析出 ,但时效过程中二者硬度达到峰值的时间几乎是一致的。

相变研究的重要性——以Spinodal分解示例

以Spinodal分解为例,说明相变研究的重要意义。铁素体不锈钢中呈现400-550℃时效脆性的原由为Spinodal分解而非有序化。介绍了含不溶区间及Spinodal线的Fe-Cr相图。Mn-Al-C钢奥氏体经Spinodal分解显示抗拉强度和屈服强度分别增至1120 MPa和1080 MPa,伸长率约30%,值得给予关注。Cu-15Ni-8Sn和Cu-15Ni-8Sn-0.2Nb合金由于Spinodal分解和有序析出相呈显著强化,并具良好应力松弛,高的弹性模量和导电性。Cu-Ni-Sn经Spinodal分解还会出现胞状或条状组织,称非连续Spi-nodal分解,铝合金时效时也会发生Spinodal分解,Co45Cu55薄膜通过Spinodal分解显示18%的最大巨磁阻。

FeCrCo永磁合金Spinodal分解两相成分分析方法研究

应用穆斯堡尔谱学方法分析出含 1 .5 % W的 Fe Cr Co VTi永磁合金最佳磁性状态下的两相成分α1 相为 78Fe-5 Cr-1 7Co,α2 相为 1 3 Fe-80 Cr-7Co.在室温下 ,该合金的穆斯堡尔谱可以分解为 8套亚谱 .其中 7个铁磁性亚谱属于合金中脱溶的α1 相 ,它的平均超精细磁场约为3 0 9k Oe;1套顺磁性亚谱对应于合金中基体的α2 相 .计算讨论了合金中的磁矩平均取向度θ的大小 ,表明该合金磁性能还有进一步改善的潜力 .

Spinodal分解浅介

主要以经典理论,即二元合金spinodal分解的热力学判据:2G/C2<0为基础,简介spinodal分解的一般概念、理论和动力学。强调指出:spinodal分解的经典理论也面临由B inder等提出新概念的强烈挑战,即形核-长大机制与spinodal分解是连续变化的;以及B inder等思想的重要性。对spinodal一词的来源作简单的论述。

数据-知识融合的水利工程建设安全风险灰色因子分解机预测模型

【目的】已有的数据驱动的水利工程建设安全风险预测方法对领域知识的挖掘和利用不足,预测结果的准确性和可解释性有待进一步提高。为了构建数据-知识融合的水利工程建设安全风险预测模型,【方法】将灰色聚类与因子分解机相结合,提出了一种融合领域知识的灰色因子分解机。首先,引入基于可能度函数的灰色聚类表征水利工程建设领域专家有关安全风险的先验知识。然后,将先验知识以参数的形式嵌入到因子分解机中,构建出数据-知识融合的灰色因子分解机。最后,基于随机梯度下降构造模型参数的求解算法,并结合实例对模型的有效性进行验证。【结果】实例应用结果显示,与传统因子分解机相比,灰色因子分解机的准确率、精确率、召回率和F_(1)值均得到了不同程度的提升。与支持向量机、深度因子分解机等其他基准模型相比,灰色因子分解机同样具有更好的预测性能。【结论】这表明,数据-知识融合驱动的灰色因子分解机模型能够更加准确地预测出安全风险,从而为水利工程建设安全风险管控提供更好的决策支持。