基于输出不一致测度的水文预报缺失数据流关联修复方法

当前的水文预报缺失数据修复方法仅考虑同一维度数据丢失情况,且数据修复率较低,为此,提出基于输出不一致测度的水文预报缺失数据流关联修复方法。首先,根据水文特征数据将原始数据信息从同一维度信号映射到多维数据,通过数据映射得到灰度检测结果,对缺失数据的隐藏单元进行控制,为后续修复数据结果的导入提供支持。然后,通过输出不一致测度计算水文数据的相异性结果,根据水文数据相异性输出结果提取出水文特征规律,得到水文特征数据矩阵。最后,利用FSOM聚类算法对水文预报缺失数据特征矩阵进行分层聚类,并通过约束条件增强聚类算法的收敛度,并修复数据结果导入上述缺失数据对应的多维映射层,采用映射模式填补原始数据缺失位置,实现数据修复。实例分析表明,所提方法进行随机缺失数据修复后,修复率能够达到97.28%以上。进行连续缺失数据修复后,修复率在97%以上,表明所提方法具有良好的修复效果,能够为水文预报工作提供有效帮助。

基于输出不一致测度的极限学习机集成的基因表达数据分类

选择性集成学习已经成为分析基因表达数据、获取生物学信息的有力工具.为了更好地挖掘基因表达数据,利用极限学习机的集成,克服单个ELM用于数据分类时性能欠稳定的缺点,文中提出了一种基于输出不一致测度的ELM相异性集成算法(D-D-ELM).算法首先以输出不一致测度为标准对多个ELM模型进行相异性判断,其次根据ELM的平均分类精度剔除掉相应的模型,最后对筛选后的分类模型用多数投票法进行集成.算法被运用到Breast、Leukemia、Colon、Heart基因表达数据上,并通过理论和实验得到验证.实验结果的统计学分析表明D-D-ELM能够以更少的模型数量达到较稳定的分类精度.