冲击噪声下基于张量分解和K‑means聚类的MIMO雷达阵列诊断

针对冲击噪声下多输入多输出(Multiple‑Input Multiple‑Output,MIMO)雷达阵列诊断失效问题,对基于二阶矩的传统匹配滤波器进行改进以适应非高斯噪声,并提出一种基于张量分解和K‑means聚类的阵列诊断方法.该方法利用MIMO雷达各接收阵元回波信号的高斯核函数值来自适应地调整匹配滤波器的系数,以有效形成虚拟阵列.为挖掘正常和故障阵元的匹配滤波输出数据的多维特征,将虚拟阵列协方差矩阵构建成三阶平行因子(PARAllel FACtor,PARAFAC)张量,并通过COMFAC(COMplex parallel FACtor analysis)算法分解获得收发阵列流形矩阵,使用欧式距离度量其相似性,确定两个簇类数据的聚类中心并划分出异常簇类,以完成故障阵元位置的诊断.仿真结果验证了所提算法的有效性.

一种面向不完备信息系统的集对k‑means聚类算法

针对不完备信息系统的数据聚类问题,将集对分析理论引入k-means聚类中,同时为了更好地表示样本与类簇的关系,构建了一种面向不完备信息系统的集对k-means(Set pair k-means,SPKM)聚类算法。首先,基于集对理论提出了一种集对距离度量方法,并将该度量方法运用到k-means算法中,得到初步聚类结果;随后,对于同时属于多个类的样本,将其分配到相应类的边界域,对于只属于一个类的样本,将其分配到相应类的正同域或边界域,其中聚类结果由肯定属于该类簇的正同域、可能属于该类簇的边界域以及肯定不属于该类簇的负反域3个部分共同表示;最后通过选取UCI数据库中的6个数据集与4种对比算法进行实验评价。实验结果表明,SPKM算法在准确率、F1值、Jaccard系数、FMI和ARI等指标上均具有良好的聚类性能。

神经正切核K-Means聚类

针对K‑Means聚类算法利用均值更新聚类中心,导致聚类结果受样本分布影响的问题,提出了神经正切核K‑Means聚类算法(NTKKM)。首先通过神经正切核(NTK)将输入空间的数据映射到高维特征空间,然后在高维特征空间中进行K‑Means聚类,并采用兼顾簇间与簇内距离的方法更新聚类中心,最后得到聚类结果。在car和breast‑tissue数据集上,对NTKKM聚类算法的准确率、调整兰德系数(ARI)及FM指数这3个评价指标进行统计。实验结果表明,NTKKM聚类算法的聚类效果以及稳定性均优于K‑Means聚类算法和高斯核K‑Means聚类算法。NTKKM聚类算法与传统的K‑Means聚类算法相比,准确率分别提升了14.9%和9.4%,ARI分别提升了9.7%和18.0%,FM指数分别提升了12.0%和12.0%,验证了NTKKM聚类算法良好的聚类性能。

基于K⁃means的机场相似天气场景聚类识别分析

为了准确和高效地进行机场天气聚类识别,进而为民航系统在不同天气场景下做出正确决策提供参考和依据,首先,以2018年北京首都国际机场的天气数据为研究目标进行解析量化,得到能见度、云底高、侧风风速、雷暴、降雨和降雪6个维度的天气变量;然后,运用K均值聚类(K‑means)算法对天气情况进行聚类识别,识别出7种天气场景;最后,分析了不同天气场景的主要特征及其分布,并结合实际运行情况进行了验证。验证结果表明,该算法能够有效识别机场相似天气场景,具有实用性。

Multi‑shapelet:一种基于shapelet的多变量时间序列分类方法

shapelet是时间序列中最具有辨识性的子序列,其一经提出就被来自各个领域的研究人员广泛研究,并在此过程中提出了许多有效的shapelet发现技术用于进行时间序列分类。然而,多变量时间序列的候选shapelet可能长度不同且变量来源不同,故很难直接对其进行比较,这对基于shapelet多变量时间序列分类方法提出了独特的挑战。为了应对这一挑战,提出了一种基于无监督表示学习和shapelet的多变量时间序列分类方法Multi‑shapelet。Multi‑shapelet首先使用混合模型DC‑GNN(Dilated convolution neural network and graph neural network,DC‑GNN)作为编码器,将不同长度的候选shapelet嵌入统一的shapelet选择空间,以进行shapelet之间的比较;其次,提出了一种新的损失函数以无监督学习方式训练该编码器,使得DC‑GNN对shapelet编码得到相应的嵌入(Embedding)后,属于同类shapelet对应的嵌入之间的相对位置形成的拓扑与原空间中shapelet之间相对位置形成的拓扑之间的关系更接近于一种等比例的缩小,这对后续基于相似性的剪枝过程十分重要;最后,使用K‑means聚类和模拟退火算法进行shapelet剪枝和选择操作。在UEA的18个多变量时间序列数据集上的实验结果表明,Multi‑shapelet的整体精度相比于其他方法得到了显著提升。