基于模糊核聚类和支持向量机的鲁棒协同推荐算法

该文针对现有推荐算法在面对托攻击时鲁棒性不高的问题,提出一种基于模糊核聚类和支持向量机的鲁棒推荐算法。首先,根据攻击概貌间高度相关的特性,利用模糊核聚类方法在高维特征空间对用户概貌进行聚类,实现攻击概貌的第1阶段检测。然后,利用支持向量机分类器对含有攻击概貌的聚类进行分类,实现攻击概貌的第2阶段检测。最后,基于攻击概貌检测结果,通过构造指示函数排除攻击概貌在推荐过程中产生的影响,并引入矩阵分解技术设计相应的鲁棒协同推荐算法。实验结果表明,与现有的基于矩阵分解模型的推荐算法相比,所提算法不但具有很好的鲁棒性,而且准确性也有提高。

一种鲁棒水声基阵波束形成方法的研究

研究水声基阵波束形成器的鲁棒性问题。由于水声信号的复杂性以及波束形成方法在处理水声基阵的实际问题时存在各种误差,为提高波束形成器的鲁棒性,提出一种改进SVM的方法。首先在支持向量回归运算模型中引入加载量,再利用拉格朗日法来对含有Hubert损失函数的回归模型进行计算,并将改进方法应用于水声基阵,不仅可以减小运算量,同时可以提高波束形成器的鲁棒性。最后通过计算机仿真和水池实验数据验证,并与加载采样矩阵求逆(Loading Sample MatrixInversion,LSMI)方法进行对比。实验结果表明:在无失配、水声基阵接收信号的方向存在偏差以及基阵阵元存在轻微扰动的各种情况下,都具有比LSMI强的鲁棒性。

基于支持向量机与结构矩的车型识别实时鲁棒算法

车型分类精度是目前交通环境中的研究热点.提出了一种鲁棒性好实时性强的基于支持向量机的机动车型识别方法,对车辆的类型进行分类,选择合适的结构矩为车辆特征,以支持向量机方法为学习分类器,获得了较高的车辆分类精度,在一定程度上解决了车辆分类难的问题.现场视频处理的结果表明:该法鲁棒实时有效,且车型分类精度得到了一定提高.

基于相关支持矩阵机的滚动轴承故障诊断方法研究

由于在采用支持矩阵机(SMM)进行分类建模时,缺乏必要的概率信息,导致其产生的稀疏性和鲁棒性不明确,为此,以贝叶斯理论框架为基础,提出了一种相关支持矩阵机(RSMM),并将其运用到滚动轴承的故障诊断中。首先,在RSMM中以矩阵为建模元素,建立了多分类目标函数,并利用输入矩阵行与列之间的结构化信息,建立了精确的预测模型;然后,利用贝叶斯学习框架,为模型参数施加了一个条件概率分布的约束,得到了稀疏的解空间(由于RSMM的核函数不受Mercer的条件限制,可以获得各类别之间的概率统计信息);将先验概率引入到模型权重设置中,使RSMM模型具有了稀疏性,进而对不确定样本进行了分类;最后,进行了滚动轴承故障分类实验,采用滚动轴承数据集对该方法的性能进行了检验。研究结果表明:利用贝叶斯学习框架和先验概率,采用RSMM可以对不确定样本进行准确分类,同时也可充分利用样本的结构化信息;相比于SMM及其改进算法,RSMM的整体识别率提高2%~8%,证明RSMM在滚动轴承故障诊断中具有优越的分类性能。

重叠特征策略与参数优化的运动想象脑电模式识别

针对运动想象脑电信号的非线性、非平稳特性,提出重叠特征策略与参数优化方法.通过重叠频带滤波(OFB)进行预处理,在滤波后的信号上提取共同空间模式特征(CSP).将OFB-CSP特征输入鲁棒支持矩阵机,完成模式识别,在模式识别中通过校正粒子群算法(CPSO)动态调整被试个体最优参数.在两个公开数据集上进行实验,分别验证OFB预处理可提升CSP特征区分度,CPSO可为个体寻找最优的鲁棒支持矩阵机分类参数.文中方法提升运动想象识别率,样本和计算资源需求较小,适合脑机接口的实际应用.

基于自适应冗余矩阵分类器的滚动轴承故障诊断方法

采用传统矩阵分类器(即支持矩阵机SMM)进行滚动轴承故障诊断时存在一定的局限性,即在进行冗余特征分类时难以提取有效特征进行建模,为此,提出了一种基于自适应冗余矩阵分类器(ARMC)的滚动轴承故障诊断方法。首先,在构造ARMC模型的过程中,通过核函数创建了高维分布空间,解决了样本数据线性不可分的问题;然后,采用约束L 1范数的思想,使得样本到所有聚类凸包边界的距离最短,进而将其转化为求解线性规划的问题,降低了模型计算的复杂度;通过正则化约束来控制低秩项,进而弱化冗余特征和噪声成分对模型的影响,得到了更加准确的预测模型;最后,为了验证ARMC方法的有效性,采用美国凯斯西储大学(CWRU)的滚动轴承实验数据和自制滚动轴承故障模拟实验台数据,分别进行了实验;并且将采用该方法所获得的结果与其他方法获得的结果进行了对比。研究结果表明:ARMC利用L 1范数和核函数来构造和求解目标函数,不仅可以保护待诊断对象的结构化信息,而且可以弱化模型复杂度和增强模型的鲁棒性;与支持矩阵机(SMM)和鲁棒支持矩阵机等相比,ARMC能够充分考虑样本冗余信息弱化的问题,平均识别准确率提高3%~8%。