基于重叠社区划分和非回溯矩阵的社交网络多源点检测

在线社交网络的发展为信息传播提供了极大的便利,但同时在一定程度上也成为谣言等信息的重要传播渠道。社交网络的信息源检测对于控制信息的传播起着重要作用。为了解决现有社交网络多源点检测方法准确度不够高的问题,提出了一种新颖的多源点同步检测方法SVT-BiasMSI。该方法将多源检测问题转化为若干单源检测问题,采用局部度中心节点及相邻节点的Jaccard系数选取种子节点,使用Voronoi方法对社交网络进行初步社区划分,通过tolerance neighborhood方法寻找分区之间重叠部分的节点并实现重叠社区划分,为了兼顾网络全局和局部信息,基于传染邻域偏差改进非回溯矩阵多源点检测方法,提高单源点检测精度。在多个社交网络数据集中的实验表明,所提的方法能够有效提高在线社交网络多源点检测和定位准确度。

On the Matrix and Additive Communication Channels

The notion of a communication channel is one of the key notions in information theory but like the notion “information” it has not any general mathematical definition. The existing examples of the communication channels: the Gaussian ones;the binary symmetric ones;the ones with symbol drop-out and drop-in;the ones with error packets etc., characterize the distortions which take place in information conducted through the corresponding channel.

基于自适应矩阵的核联合稀疏表示高光谱图像分类

针对高光谱图像丰富的空间信息和光谱信息未充分利用的问题,提出了基于自适应矩阵的核联合稀疏表示高光谱图像分类的方法。在特征表示阶段,定义了自适应矩阵特征,通过结合自适应邻域块策略与非线性相关熵度量构成的特征来描述原始光谱像素,充分融合了形状可变的空间信息与非线性光谱信息。在分类阶段,考虑自适应矩阵和高光谱图像非线性,采用对数欧式核函数,构建了核联合稀疏表示模型,以获得重构误差。同时利用字典空间信息构建了矩阵相关性,引入平衡参数实现了稀疏重构误差与矩阵相关性的联合分类。在两个数据集上的实验结果表明,该算法充分利用了高光谱图像的空间信息、光谱信息,能够有效提高分类精度。

基于测试代价的三支邻域属性约简算法

针对粗糙集属性约简时很少考虑属性自身的测试代价等问题,提出了一种基于测试代价的三支邻域属性约简算法。算法根据各属性在邻域分辨矩阵中出现的频次和比例来计算属性重要性,并结合属性自身的测试代价来构造性价比指标,以此指导属性的甄选。三支决策方法被用于划分属性集,为属性的约简处理提供数据支撑。在7个UCI公共数据集上进行对比实验,结果表明,该算法可得到比对比算法更小的属性约简集合,在分类精度不降低的情况下,该算法具有更少的运行时间和更小的测试代价。基于财政收入的预测应用实例进一步证明了所提算法的有效性和实用性。

面向弱纹理图像的自适应多邻域特征点描述子

针对弱纹理场景中特征提取困难、特征匹配准确率低等问题,提出一种自适应多邻域结构张量(adaptive multi-neighborhood structure tensor,AMST)特征点描述子。基于多个图像邻域及其结构张量,多层次地表达图像结构信息,解决弱纹理图像的特征提取与匹配等问题;通过特征点密度自适应邻域数量,提高计算效率,利用海森矩阵,剔除不稳定特征点,增强算法实时性以及稳定性。实验结果表明,AMST算法在弱纹理图像上的匹配准确率达到99.90%以上,同时具有良好地旋转不变性,能够适应遮挡、截断等复杂场景,具备良好的鲁棒性。

基于自适应邻域局部保留ELM-AE的机械故障诊断

针对机器学习故障诊断中存在的先验知识依赖以及数据利用不充分问题,提出一种自适应邻域的局部保留极限学习机自动编码器方法。成对样本在原始数据空间和嵌入的表示空间中引入欧几里得距离惩罚因子,实现数据样本的相似性分类;提出一个统一的目标函数,可以同时学习数据表示和关联矩阵,并提出一个软判别约束防止过度拟合。实验结果表明,融合学习关联矩阵和数据表示方法具有学习速度快、泛化能力强和诊断精度高等优点。

基于类别一致性学习的稀疏邻域约束的联合聚类

为了充分挖掘特征结构,提升聚类性能,提出一种基于类别一致性学习的稀疏邻域约束的联合聚类方法。将联合聚类问题转化为附加对偶正则化子的非负矩阵三因式分解,在非负矩阵分解的基础上,增加两个正则化子,使数据关联性与标签分配一致;提出一种目标优化的乘法交替方案,从理论上证明了算法的收敛性和正确性。利用三种评价方法在六个数据集上进行验证,并对其参数敏感性进行分析。实验结果表明,该算法具有较优的聚类性能。

基于变邻域人工蜂群算法的航空不规则零件下料优化研究

针对航空不规则零件规格种类多样,毛坯数量庞大,原坯料利用率低等实际生产中的问题。为了解决上述问题,提出基于变邻域人工蜂群不规则零件下料优化算法及算法流程,构建双坐标系下料模型,设计交换策略、顺序策略及逆序策略进行变邻域搜索,采用SCO、DCO、HO、WO、AO解码方式进行图样解码。最后,将变邻域人工蜂群算法与原始人工蜂群算法进行仿真分析,仿真实验结果表明:变邻域人工蜂群算法能够有效可靠地提高原坯料利用率及排样效率。

基于m阶邻居节点的复杂网络关键节点评估

基于无向无权复杂网络理论,提出一种基于m阶邻居节点重要度贡献的节点重要度评估方法.在综合考虑了节点自身的属性,节点在网络中的位置以及m阶邻居节点的度重要度贡献和介数重要度贡献后,提出m阶邻居节点重要度贡献系数矩阵概念,建立评估模型.通过实验并和其他算法结果进行对比分析,表明所提出的评估方法具有可行性和更高的精确性.当m的取值接近网络的平均路径长度时,节点的重要度评估趋于稳定,可有效提高评估效率.

复杂洪水预报系统的集成技术研究

以广西南盘江天生桥一级电站施工洪水预报系统为例， 讨论了以水情数据库、洪水预报模型、数据库管理系统和模型管理器为基础构建集成化复杂洪水预报系统的若干技术问题， 提出了用邻接矩阵来形式化和规范化预报系统水情数据与预报模型之间复杂关系的一般方法。

基于方向关系矩阵的空间方向相似性定量计算方法

介绍了一种多尺度空间对象的方向关系表达模型以及基于该模型的方向相似度度量方法。该方向关系模型对方向关系矩阵模型进行了改进,根据空间对象的形状定量描述空间对象之间的方向关系;借鉴平衡传输问题的解决方法计算方向矩阵间最小转换代价,即方向矩阵间的距离,从而量化方向对间的差异,最终获得任意尺度空间对象的方向相似度并对其进行比较。对不同尺度空间对象的方向相似性的试验表明,该方法简单可行且不失精度,结果符合人类认知。

评分预测问题中个性化推荐模型的研究

评分预测问题的主要任务是通过分析用户的历史评分数据集,预测给定用户对新物品的评分,是推荐系统中最热门的问题之一.评分数据表征了用户对物品的明确观点,具有很高的挖掘价值.在对平均值预测模型、基于用户的邻域模型(UserCF)以及基于奇异值分解的模型(SVD)等进行了全面分析和研究的基础上,对各个模型进行了不同程度的改进,最后使用MoiveLens的公开数据集将传统模型和改进后的模型进行对比测试.测试结果表明:改进后的新模型相比传统的推荐模型在推荐结果的精度上有了不同程度的提高.

基于复杂网络多阶邻域贡献度的节点重要性序结构辨识

为更精细化辨识节点重要性,本文研究节点多阶交互演化对节点重要性序结构形成的影响,提出基于复杂网络多阶邻域贡献度的节点重要性序结构辨识系统模型.首先,基于节点间不同阶层交互关系和节点多阶邻域规模异质性程度构建多阶邻域贡献度模型;通过节点多阶圈信息集结节点自身多阶邻域空间结构信息;其次,构建融合多阶邻域空间位置信息贡献和多阶圈信息贡献的节点重要性辨识系统模型,给出节点序结构辨识算法;最后,仿真分析表明在各真实网络中本文算法相比经典算法最高提升88%节点辨识率,以0.5资源投入进行网络攻击,分别最大提升67.47%,39.40%和20.17%攻击效用值.

基于改进半监督局部保持投影算法的故障诊断

为解决在少量标记样本的条件下故障诊断困难的问题,提出一种基于改进半监督局部保持投影(ISS-LPP)的故障诊断方法。ISS-LPP算法利用部分标记样本的标签信息调整原始特征空间中样本间的权值矩阵,并根据所有样本在特征空间的分布情况自适应的调整邻域参数,寻找数据的低维本质流形,得到原始特征空间样本数据的低维特征向量和投影转换矩阵。以得到的低维特征向量为输入,建立分类器,识别和判断故障类型。将ISS-LPP算法应用于滚动轴承的故障诊断。实验结果表明:该方法能够在标记样本较少时,提高轴承的故障诊断精度。

基于邻域灰阶共生矩阵的海底沉积物分类

提出了一种邻域灰阶共生矩阵,用于对侧扫声纳海底图像进行纹理分析及沉积物分类.与用于图像纹理分析的常规灰阶共生矩阵相比,邻域灰阶共生矩阵描述了图像中某一像素与其邻域中所有像素的灰阶联合分布,从而能够更全面地描述图像区域的纹理特性.分别从常规灰阶共生矩阵和邻域灰阶共生矩阵计算相同的6种纹理特征,借此对泥、沙、石3种类型海底的侧扫声呐图像进行分类,分别获得了83.3%和86.4%的正确识别率.

基于邻域关系矩阵的电力大数据增量式属性约简研究

电力大数据具有规模大、生成速度快和动态性等特点,数据之间的邻域关系难以界定,导致运算量增加,因此提出基于邻域关系矩阵的电力大数据增量式属性约简方法。将邻域关系集合转换为邻域关系矩阵,结合排序思想和邻域关系矩阵自身的特性优化单属性邻域关系矩阵,在此基础上设置矩阵启发信息。计算各属性邻域关系矩阵,逐次添加条件属性并对属性相关程度进行计算,结合属性重要程度选择属性放至约简子集合,迭代整个过程,一直到重要程度不再发生变化,实现电力大数据增量式属性约简。实验结果显示,研究方法的约简运算时间短,约简效果更好,更具可靠性。

基于不同邻域系统的马尔可夫链模型的储层岩相随机模拟

针对在油气储层随机模拟中马尔可夫链模型的不同方向的转移概率矩阵求取困难的问题,提出一种二维剖面中不同方向的转移概率矩阵求取方法,这种方法的提出使得不同阶次的各向同性和各向异性的邻域系统的转移概率矩阵的求取变得容易可行。随后,对不同邻域系统的马尔可夫链模型采用蒙特卡罗抽样方法进行了储层岩相随机模拟试验。最后比较了不同邻域系统岩相模拟的结果并探讨了在储层研究中的适用性。

基于图形处理器的点云快速光顺

点云数据光顺是点模型数字几何处理的一个重要研究内容。在海量数据规模应用中,不仅需要较高的光顺质量,而且需要有快速的处理速度。传统的基于CPU的光顺算法串行地处理每个采样点,导致巨大的时间开销。本文提出一种适应于图形处理器的点云快速光顺算法,将多个采样点处的协方差矩阵组织成一个大规模稀疏矩阵,以纹理图像的形式保存该稀疏矩阵,在像素程序中利用图形处理器强大的并行计算能力迭代求解协方差矩阵的最小特征值与特征向量,并据此计算光顺的速度和方向。实验在配有GeForce 8600GTS显卡的平台上进行。实验结果表明,基于GPU的点云光顺算法较之基于CPU的算法能够显著提高计算效率,从而为快速点云处理提供了良好的支持。

邻域图像帧存储体的理论及其实现

本文针对高速图像处理的数据流问题，特别是邻域图像数据的并行存取问题，提出了邻域图像帧存储体的体系结构，实现了帧存储体邻域图像数据的并行存取，极大地提高了图像处理的速度．本文描述了邻域图像帧存储体的特征，论述了它独特的存储结构，给出了轮换矩阵、地址标识轮换矩阵定义，揭示了邻域存取规律．本文给出了结构邻域图像帧存储体的具体方法并给出了实例．

基于自适应邻域选取的局部投影降噪

提出一种以相点距离矩阵和信噪比为测度的自适应选取邻域参数的局部投影降噪方法.首先将一维时间序列重构到高维相空间,然后计算相空间中各个相点间的距离以构成相点距离矩阵,并据此设定参考相点的初始邻域半径和动态搜索步长,自适应地选择邻域大小,再利用局部几何投影方法消除噪声,迭代此过程,历史输出信噪比达到最大时获得优化邻域.