一种带有自权重的积分波动率的非参估计

为了对带有自权重的积分波动率∫10f(Xt)σ2tdt进行估计,定义了一个新的非参数估计量,并利用"已实现"波动率的方法,证明了该估计量是积分∫10f(Xt)σ2tdt的一致估计量,同时还得到此估计量的渐近正态分布以及学生化形式,从而可对该积分做区间估计或假设检验。

基于低秩稀疏约束的自权重多视角子空间聚类

多视角子空间聚类是一种利用视角之间的互补信息,找到视角间统一的表示并发现潜在分组结构的方法,近年来已成为机器学习的研究热点.提出一种基于低秩稀疏约束的自权重子空间聚类算法.具体的,低秩稀疏约束能发现数据的全局和局部结构信息,使自表示矩阵呈现稀疏性和低秩的特点;而自权重方法利用视角表示矩阵与共享相似度矩阵之间距离的反比为每个视角分配合理的权重,同时学习到一个视角之间共享的相似度矩阵,降低受损视角对于共享相似度矩阵的影响.以上提到的两种方法组成一个统一的优化框架,再使用增广拉格朗日乘子交换方向最小化方法(ALMADM)对提出的聚类算法进行优化.在基准数据集中的实验结果证明该算法比其他算法更有效.

基于Self-Weight与t-SNE的滚动轴承故障诊断

针对滚动轴承故障信号非线性、故障特征种类繁多难以准确分类的问题,提出了一种Self-Weigh与t-SNE相结合的解决方法。先用WPT完成对原始故障信号的处理及特征的提取,然后采用Self-Weigh评估每个特征的敏感程度,获取最优特征;再对这些最优特征通过t-SNE进行降维可视化处理,获取低维敏感特征,并将其作为AP传播聚类的输入,从而实现故障类型100%正确识别。采用机械综合模拟实验平台的轴承数据加以验证,并与采用t-SNE、Self-Weigh+PCA方法进行对比,结果体现了所提方法的优势。

基于矩阵分解多样性和一致性学习的多视图聚类

为充分考虑标签空间中多样性的影响,提出了一种新的多视图聚类方法。在标签空间中,首先将公共标签矩阵松弛为一致性部分和多样性部分,然后将其集成到基于多视图k-means矩阵分解的模型中;在数据空间中使用自权重策略对每个视图进行加权。为避免原始高维特征空间包含冗余信息和噪音造成维度灾难问题,将原始数据投影到低维空间进行降维;为保证算法的收敛性,使用基于交替方向最小化的增广拉格朗日乘子法(augmented Lagrangian multiplier with alternating direction minimization,ALM-ADM)来解决优化问题。在6个公开的真实数据集上进行实验,结果证明了所提出方法的有效性。