多视域下交通管理数据应用成效评估

为促进交通管理数据平台更好建设,提出多视域评估原则,建立包括技术视域下的数据质量、应用视域下的数据使用、绩效视域下的交管业务、公共视域下的社会效益等准则在内的准则层,研究确定支撑各准则的具体指标。构造统一量纲的评估指标表达式,兼顾准确性和高效性。考虑分视域下指标赋权可信度问题,引入改进序关系分析法(iG1)进行分视域一次赋权,提出专业校正赋权法(PAW)对一次赋权结果进行校正,保证指标权重客观公正。算例验证显示,组合赋权策略指标排序的评估可信度较高。

基于特征加权和非负矩阵分解的多视角聚类算法

为了在多视角聚类过程中同时考虑特征权重和数据高维性问题,提出一种基于特征加权和非负矩阵分解的多视角聚类算法(Multiview Clustering Algorithm based on Feature Weighting and Non-negative Matrix Factorization,FWNMF-MC).FWNMF-MC算法根据每个视角中每个特征在聚类过程中的重要性,自动赋予不同的权值.通过将每个视角空间中的特征矩阵分解为基矩阵与系数矩阵的乘积,将多视角数据从高维空间映射到低维空间.为了有效利用每个视角信息挖掘聚簇结构,最大化每个视角在低维空间的一致性.最后实验结果表明FWNMF-MC算法的聚类效果明显优于已有的4种有代表性的多视角聚类算法.

面向视角非对齐数据的多视角聚类方法

如何在视角对齐关系错位时有效进行非对齐多视角学习是一类新的挑战性问题。针对这一问题,提出面向视角非对齐数据的多视角聚类方法。一方面,为了捕获多视角异构特征的跨视角相似度信息,基于多视角非负矩阵分解进行表示学习,将原始特征嵌入一个可度量的低维同构空间。另一方面,在低维同构空间中,以二部图最优匹配模型建模视角对齐关系,并提出参考视角概念将模型推广至多视角情形。将表示学习和视角对齐关系学习整合到统一的Bi-level优化框架,使其在迭代中相互促进,进一步提高模型对视角非对齐数据的学习能力。在视角非对齐数据聚类应用上的大量实验结果表明,相比于8种先进的多视角聚类方法,所提方法在3个数据集上的多项性能指标均取得了较优的性能。

基于并行工程的产品数据集成管理模型

研究了基于上海人民电器厂并行工程环境下产品数据集成管理模型;设计了面向对象的产品数据集成管理模型向RDBMS关系模式映射的数据结构。

基于距离度量学习的半监督多视角谱聚类算法

为了有效利用少量先验信息提高多视角数据聚类效果,提出一种基于距离度量学习的半监督多视角谱聚类算法(简称ML-SMC)。首先,利用距离度量学习引入先验信息,将多视角数据映射到反映先验约束条件的空间。然后,根据相似性构造每个视角的视图,将多视角聚类问题转化为最小正则割的图划分问题。实验结果表明,MLSMC算法聚类结果的精度优于3种经典的多视角聚类算法和4种半监督单视角聚类算法。并且通过利用少量先验信息ML-SMC算法能够有效提高聚类效果。

从局部到全局的规则模型:粒聚合研究

顾名思义,多视图模型是从不同的视角捕捉现实界系统的模型,通常包含本地可用的特性(如属性、输入变量)。综合考虑时,必须对一群多视图模型进行聚合。当建立一个包含所有属性的整体模型不可行且不能通过合理的计算实现时,多视图模型也会出现在包含大量变量的数据中。基于模糊规则体系结构,考虑和讨论2种情形。在构建多视图模型的聚合时,一个重要的任务是为整个全局模型设置一个可靠的质量度量,使用该度量可以有效地评估由规则模型生成的单个结果的相关性。提倡用输出的信息粒来量化结果的质量,而不是一个单一的数字结果。在上述2个情形中,使用合理粒度增强原理(粒计算的基础之一)聚合了一系列多视图模型产生的结果。认为多视图模型传递的结果多样性可以通过生成结果的粒度形式进行捕获和量化。最后,讨论了相关的优化准则和优化过程。