语音邻域密度、词性类别、语言水平对二语词汇联想反应的影响

本文研究语音邻域密度、词性类别及语言水平对中国英语学习者二语词汇联想反应的影响。使用Lex_30测量词汇水平,采用“听—写”词联想任务考察所选词的语音邻域稀疏与密集程度以及名、动、形不同词性的刺激词联想反应差异。结果表明:(1)高低水平学生产出的语音和语义反应均存在显著差异,语音反应比例与语言水平成负向相关;(2)不同词性的语义联想反应有显著差异,但在语音反应上无差异;(3)不同语音邻域密度的刺激词只在高语言水平者的语义反应上有显著差异,低水平者只有名词的语音及语义反应存在显著差异,部分支持邻域激活模型。

基于邻域密度的异构数据局部离群点挖掘算法

由于数据集规模、维数,以及复杂程度的不断提高,导致对其离群点的挖掘难度越来越大,提出了基于邻域密度的局部离群点挖掘算法。首先依据节点计算性能对高维数据进行区域分割,通过各个维度的数据分布来评价区域分割的效果。然后采取核密度来描述局部密度,根据高斯分布得到数据出现次数,进一步计算出数据邻域密度。再由邻域及密度关系计算得到各数据离群度,从而判断异构数据中的离群点。最后针对可能存在的离群误判情况,采取离群分数计算,为增强此过程的检测性能,利用权重进行剪枝处理。人工与UCI数据集上的仿真结果表明,当数据量和数据维数改变时,算法对离群点挖掘的准确度几乎不受影响,挖掘时间和覆盖率指标也显著优于其它方法;同时对于不同类型和复杂度的异构数据,算法仍然保持良好的挖掘准确度和效率。

基于DBSCAN的动态邻域密度聚类算法

传统的密度聚类算法在聚类划分时不会考虑数据点间的属性差异,它将所有数据点都看成同质化的点。对此,在DBSCAN算法的基础上,提出了一种动态邻域密度聚类算法DN-DBSCAN(Dynamic Neighborhood-Density Based Spatial Clustering of Applications with Noise)。该算法在聚类时由样本点的属性决定其自身的邻域半径,因此各点的邻域半径是动态变化的,由此可将具有不同属性的点对集群产生的不一样的影响力体现在聚类结果之中,使密度聚类算法更具有现实意义。在算例分析的基础上,针对长三角城市群划分问题应用所提DN-DBSCAN算法进行分析求解,并对比分析DBSCAN算法、OPTICS算法和DPC算法的求解效果。结果显示,DN-DBSCAN算法能根据各城市属性的不同合理地划分出长三角城市群,准确率为95%,准确率分别高于上述3种对比算法85%,85%,88%,说明其具有更好的解决实际问题的能力。

基于主机邻域密度的QoS保证的应用层多播模型

提出了一种基于主机邻域密度的QoS保证的应用层多播模型MCT,模型设计为典型的树结构。主要阐述了多播节点的加入与退出过程,首先定义了主机邻域密度的概念,并以此为标准对所有节点进行初次择优,随后运用服务质量路由算法RDSS进行二次择优,得到多个网络参数限制条件下最满足QoS需求的接入路径,最终达到应用层多播(ALM)拓扑结构的整体优化。仿真结果证明,模型的建立方法可以平等且有效地控制多个网络参数,满足了ALM应用的QoS需求。

一种改进的基于邻域密度阈值设定的非线性距离测度

距离测度是机器学习的核心问题,是高层智能算法的基础,对计算机视觉,文本处理和语音处理等都有重要的意义。基于邻域密度对密度阈值进行设定,对原有的基于密度的测地距离量度的计算方法进行改进。通过与已有的测地距离计算方法进行比较的实验结果表明,改进的距离量度的聚类算法具有更好的性能。

邻域密度约束的动态标准差阈值三维点云数据离群点检测方法

为了提升三维点云数据离群点的检测能力,提高检测方法的适应性,解决针对密度分布变化大的点云数据离群点检测效果不佳的问题,提出一种基于邻域密度约束的动态标准差阈值三维点云数据离群点检测方法.该方法充分考虑获取的点云数据的密度差异,将点云的密度特征引入离群点判定阈值的计算.首先利用直通滤波提取目标点云数据,检测并移除无效点;然后分析离群点的检测原理,给出点云k-邻域密度的估算方法;最后通过邻域密度约束实现了标准差阈值的动态调整,并采用不同的约束方式对远离主体点云的外部区域和内点区域的离群点进行检测,实现了密度分布变化明显的点云数据离群点的有效检测.实验结果表明,文中方法能够更加有效地移除离群点,通过标准差阈值动态约束满足了密度分布差异较大的点云数据的针对性检测,提升了检测效果和检测性能,达到了预期的目的,对实际应用具有积极意义.

基于邻域密度的异常检测方法

提出了一个基于邻域密度的异常检测方法,它能处理混合数据的异常值。在该方法中,样本的异常指标被定义为该样本的邻域大小和该样本的平均邻域密度的加权和。为了验证提出的方法,进行了一系列实验。实验结果表明新提出的方法适用于混合数据,并且比其他检测方法更有效。

基于自适应密度邻域关系的多标签在线流特征选择

流特征选择指从以流形式到来的特征数据中选出最优特征子集,现有方法大多在模型训练中需要事先学习领域信息并预设给定参数值。实际应用中,由于不同的数据集数据结构和来源不同,在模型学习过程中研究人员无法提前获取相关领域知识且针对不同类型数据集指定一个统一参数存在巨大挑战。基于此,提出一种基于自适应密度邻域关系的多标签在线流特征选择方法(multi-label online stream feature selection based on adaptive density neighborhood relation,ML-OFS-ADNR),基于邻域粗糙集理论,所提方法在特征依赖计算时无需任何先验领域信息。此外,提出了一种新的自适应密度邻域关系,使用周围实例的密度信息,可以在流特征选择过程中自动选择适当数量的邻域,不需要事先指定任何参数。通过模糊等价约束,ML-OFS-ADNR可以选择高依赖低冗余度的特征。实验表明在10种不同类型的数据集上,所提方法在特征数量相同的情况下优于传统特征选择方法和先进的在线流特征选择方法。

基于共享最近邻的密度自适应邻域谱聚类算法

在谱聚类算法没有先验信息的情况下,对于具有复杂形状和不同密度变化的数据集很难构建合适的相似图,且基于欧氏距离的高斯核函数的相似性度量忽略了全局一致性。针对该问题,提出一种基于共享最近邻的密度自适应邻域谱聚类算法(SC-DANSN)。通过一种无参数的密度自适应邻域构建方法构建无向图,将共享最近邻作为衡量样本之间的相似性度量进而消除参数对构建相似图的影响,体现全局和局部的一致性。实验结果表明,SC-DANSN算法相比K-means算法和基于K最近邻的谱聚类算法(SC-KNN)具有更高的聚类精度,同时相比SC-KNN算法对参数的选取敏感性更低。

基于密度自适应邻域相似图的半监督谱聚类

谱聚类是基于谱图划分理论的一种聚类算法,传统的谱聚类算法属于无监督学习算法,只能利用单一数据来进行聚类。针对这种情况,提出一种基于密度自适应邻域相似图的半监督谱聚类(DAN-SSC)算法。DAN-SSC算法在传统谱聚类算法的基础上结合了半监督学习的思想,很好地解决了传统谱聚类算法无法充分利用所有数据,不得不对一些有标签数据进行舍弃的问题;将少量的成对约束先验信息扩散至整个空间,使其能更好地对聚类过程进行指导。实验结果表明,DAN-SSC算法具有可行性和有效性。

一种基于Hypervolume指标的自适应邻域多目标进化算法

通过定义反映个体之间邻近程度的指标(个体的树邻域包含关系),在考虑个体间支配关系的基础上,利用个体与其周边个体的树邻域密度进行适应度赋值;提出了一种2,3维情况下个体独立支配区域的Hypervolume指标的计算方法,该方法用于评价个体对群体的贡献时只需要1次计算(同类方法需要2次计算);当外部种群中非支配个体数目超过规定规模时,根据个体独立支配区域的Hypervolume指标的大小对其进行修剪;在此基础上,提出了一种基于Hypervolume指标的自适应邻域多目标进化算法ANMOEA?HI.对比实验结果表明,ANMOEA?HI在保证了解集收敛性的同时亦拥有良好的分布性.

一种基于密度的K-means算法

基于密度聚类的思想,提出了一种改进的K-means算法。算法吸取密度聚类算法的优点,利用对象的t-邻域密度作为选择初始聚类中心点的条件,选出较优的初始中心点,从而得到较好的聚类效果。通过实验表明,此方法相对于随机选取初始聚类中心点准确率较高、稳定性强、可伸缩性好。

基于邻域相似度的近邻传播聚类算法

针对传统近邻传播聚类算法(affinity propagation clustering algorithm,AP)处理特征复杂数据时聚类准确率较低的问题,提出一种基于邻域相似度的近邻传播聚类算法。通过分析数据样本统计特性,确定合适的邻域半径和邻域密度,计算邻域相似度并注入偏向参数,提高算法在特征复杂数据集上的聚类精度。在UCI数据集上的实验结果表明,所提算法的聚类精度优于相比较的AP算法,且邻域半径对不同数据集有自适应性,引入邻域相似度提高传统AP算法在特征复杂数据集上的聚类精度是可行的。

太白山牛皮桦-巴山冷杉混交林空间格局及关联性研究

采用改进的点格局分析法——邻域密度函数(Neighborhood Density Function,NDF)对太白山地区桦林-冷杉林交错区内主要树种的空间分布格局、种间空间关联性及其更新空间关联性进行了分析。结果表明:各树种所有个体整体上都呈随机分布,划分不同层级后,则各林层个体分布格局各异,各树种在较低的林层呈明显聚集分布,随林层增高,中、高层内个体聚集分布的空间尺度降低。两个主要竞争种牛皮桦(Betula albo-sinensisvar.septen-trionalis)和巴山冷杉(Abies fargesii)整体表现出显著空间负相关,巴山冷杉与玉皇柳(Salix yuhuangshanensis)未表现出明显相关性,而牛皮桦与玉皇柳间则有空间负相关的趋势。牛皮桦的更新格局仅依靠自身倒木扰动产生的机会,且被限定在较小尺度上。巴山冷杉在小尺度上会限制自身更新,此外与牛皮桦在小尺度上竞争激烈,可占据利用其空间位置进行更新。从空间格局分析角度认识牛皮桦和巴山冷杉的生态学特性,为进一步研究其共存机制,认识太白山桦林在秦岭植被垂直带中的作用和地位提供参考依据。

基于多项式核的结构化有向树数据聚类算法

各个点在数据内部的组织结构中自然地扮演着3种不同的结构性角色,分别是毂、质心和野值.在基于邻域的聚类算法中,邻域密度因子能够识别分离数据集中的毂、质心和野值.但是,邻域密度因子对有噪声和重叠的数据往往失效.为了解决该问题,引入了基于多项式核的邻域密度因子,并在有向树框架下,提出了一种结构化的数据聚类算法,其计算复杂度线性于输入数据的大小.对带有噪声和重叠的数据集,该算法能够找到所有显著的、任意形状的不均衡聚类.在人工和真实数据集上的实验结果都证实了该算法的有效性和快速性.

改进高斯混合模型的激光点云数据分类

激光点云数据的无序性会影响激光场景识别和三维重建,导致激光点云数据分类误差大,精度低等问题,为此提出基于改进高斯混合模型的激光点云数据分类方法。首先采集激光点云数据,利用邻域密度算法对数据中的噪声进行分析和去除,然后采用改进高斯混合模型获取数据点间距,将点云数据分类相应类别中,实现激光点云数据分类。实验结果证明,本方法可以有效去除激光点云数据中的孤立点,提高了激光点云数据分类精度,激光点云数据分类结果可满足激光三维重建要求。

优化初值的C均值算法

针对C均值算法(C-means method,CM)对初值敏感、易陷入局部最优的问题,提出一种优化初值的C均值算法(Optimal initialization-based CM,OICM)。该算法首先计算数据集中每个点的邻域以及邻域密度,选择具有最大邻域密度的点作为第一个聚类中心;然后,从剩余的数据集中选择具有最大邻域密度、且其邻域与已有聚类中心的邻域的连接度满足一定条件的点作为下一个聚类中心,以此类推,直到确定了C个聚类中心;最后,利用C均值算法完成数据集的聚类分析。在仿真数据集和UCI数据集上进行聚类实验,结果表明OICM算法有效地克服了传统C均值算法对初值敏感的缺点,且性能优于其他3种典型的全局C均值算法。

海量不确定数据集中离群点快速检测方法仿真

由于传统离群点检测方法未对离群点进行判定,从而导致出现了检测速度慢、检测误差大的问题,为此提出一种海量不确定数据集中离群点快速检测的方法。优先判定出不确定数据集中的离群点,利用点排序识别聚类结构(Ordering points to identify the clustering structure)算法完成,确定待检测离群点所需参数,计算出离群点的离群属性,根据离群属性计算结果,引入邻域密度构建离群点快速检测模型,设定模型中离群点检测阈值,实现不确定数据集中离群点的快速检测。由仿真结果得出,与传统检测方法相比,提出的方法算法运行耗时降低了50%以上,离群点的判定准确度更高,漏检、误检率大大降低,实现了离群点精度高、速度快的检测,对数据挖掘与预处理有显著的实践意义。

高效视频字幕检测方法

提出了一种高效的视频字幕检测方法。首先,对静态字幕图像进行边缘图像特征计算;然后,采用邻域密度特征去除非字幕的背景区域;最后,依次在水平和垂直方向统计符合条件的边缘点,通过阈值判断获取精确的字幕区域。测试结果表明,该方法能够在复杂背景下精确检测出字幕区域,为后续文字识别创造条件。

基于轨迹特征及动态邻近性的轨迹匿名方法研究

移动社会网络的兴起以及移动智能终端的发展产生了大量的时空轨迹数据,发布并分析这样的时空数据有助于改善智能交通,研究商圈的动态变化等.然而,如果攻击者能够识别出轨迹对应的用户身份,将会严重威胁到用户的隐私信息.现有的轨迹匿名算法在度量相似性时仅考虑轨迹在采样点位置的邻近性,忽略轨迹位置的动态邻近性,因此产生的匿名轨迹集合可用性相对较低.针对这一问题,本文提出了邻域扭曲密度和邻域相似性的概念,充分考虑轨迹位置的动态邻近性,并分别提出了基于邻域相似性和邻域扭曲密度的轨迹匿名算法;前者仅考虑了轨迹位置的动态邻近性,后者不仅能衡量轨迹位置的动态邻近性,而且在聚类过程中通过最小化邻域扭曲密度来减少匿名集合的信息损失.最后,在合成轨迹数据集和真实轨迹数据集上的实验结果表明,本文提出的算法具有更高的数据可用性.