一种结合CEM的高光谱遥感影像目标检测算法

提出了一种基于CEM(constrained energy minimum)的高光谱影像目标检测算法。利用虚拟维数实现高光谱影像端元数目的估计,进而获取目标端元。利用基于最大噪声分量算法对原始影像进行降维,在虚拟维数的基础上保留合理的主成分数量。根据提取的目标端元,利用一种改进的CEM算子进行目标检测。实验结果表明:该算法能够获得较高质量的目标检测效果。     

一种基于改进型遗传算法的模糊聚类

针对模糊C均值算法(FCM算法)难以达到全局最优解的问题,引入了具有全局搜索能力的遗传算法以解决聚类问题,并在标准遗传算法基础上进行了改进。将该算法运用于IR IS数据的聚类,实现了较好的聚类,从而验证了算法的有效性。     

基于分布模型的层次聚类算法

提出了一种新的层次聚类算法,先对数据集进行采样,以采样点为中心吸收邻域内的数据点形成子簇,再根据子簇是否相交实现层次聚类。在层次聚类过程中,重新定义了簇与簇之间的距离度量,并以此为基础建立堆结构。利用估计数据点总体分布的思想,证明该算法将逼近最优解。实验结果表明,算法的聚类效果大大优于现有的聚类算法。     

基于Web挖掘的电子商务个性化推荐系统

针对现有电子商务个性化推荐系统存在的不足,构建了一个基于Web挖掘的电子商务个性化推荐系统的整体架构模型,并采用了结合用户Web日志聚类和协同过滤的个性化推荐技术。可以有效地解决协同过滤技术所面临的数据稀疏和冷启动问题,提高推荐结果的准确性和有效性。     

如何在Web挖掘中使用聚类算法

首先介绍了聚类的概念,然后提出了用模糊聚类算法对Web事务进行聚类。在聚类的相似性度量上,不再单纯地以访问次数或浏览时间来度量,而是采用用户浏览离散化时间为度量。该算法比传统算法准确性高,运行时间少,扩展性好。     

遗传模糊C-均值聚类算法应用于MRI分割

通过分析知经典的将图像分割成C类的常用的模糊C-均值聚类算法(FCMA)依赖于初始聚类中心的选择,通常得到的是局部最优解而并非全局最优解,又由于遗传算法能搜索到全局最优解,因此将遗传算法(GA)与FCMA相结合,对MRI直接进行聚类,利用遗传算法搜索全局最优解,从而有效地避免了模糊C-均值聚类算法收敛到局部最优的问题,并在此基础上实现了对MRI的分割,得到了比较满意的效果。     

基于FastICA的高光谱图像压缩技术

提出了一种基于快速独立分量分析(FastICA)的高光谱图像压缩算法。首先引入虚拟维数算法估计图像中的目标端元个数,进而提取出感兴趣的目标端元矢量,并初始化快速独立分量分析的混合矩阵;利用最小噪声分量变换对原始数据进行降维,从降维后的主分量中提取独立分量;对独立分量进行恒虚警率检测与形态学滤波,实现目标分割。对高光谱图像进行谱间Karhunen-Loeve变换,利用比例位移法对感兴趣目标的小波系数进行提升,最后对各主分量进行最优码率的SPIHT压缩。实验结果表明,该方法在获得较高压缩性能的同时能够有效地保留感兴趣的目标。     

一种用于小流估计的数据包公平抽样算法

现有数据包公平抽样算法通常根据到达数据包所属流大小的估计值设置包抽样率,令大流所含数据包抽样率低,小流所含数据包抽样率高,缺点是算法的优劣依赖于不同方法对流大小估计的准确性;小流估计误差较大。针对此问题,利用大流持续时间长且到达速率高的特点,提出一种基于时间分片的用于小流估计的数据包公平抽样算法(MFEPS)。该算法将测量时间分割成片,抽取每个流在每个时间片内的第一个数据包,而不需要估计数据包所属流的大小。理论分析和实验结果均表明,与已有算法相比,对于小流估计,MFEPS算法在相同的CPU资源消耗条件下,具有更高的准确性和良好的扩展性。     

模糊神经网络用于非线性系统模型辨识(英文)

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

对称不定线性系统的不定预处理技术

研究求解对称不定线性系统Ax=b的不定不完全分解预处理算法,其中A为稀疏的对称不定矩阵。合适的选主元算法是成功分解不定矩阵的关键,为了加快选主元的速度,给出了松弛的有界Bunch-Kaufman(RBBK)对称选主元算法,并分析了该选主元算法的稳定性以及参数的选择范围。将RBBK算法与不完全Cholesky分解相结合,得到了一类稳定性较高的修改的不完全Cholesky分解预处理技术。MATLAB下的数值例子表明,将提出的预处理技术用于SQMR迭代算法时,得到较快的收敛速度。     

支持向量聚类算法的研究与改进

支持向量聚类是基于支持向量机和核方法的一种新颖的聚类方法.与其它传统聚类方法相比较,该方法具有能得到全局最优解,并能处理任意形状的聚类,无需指定聚类数目,参数少,容易处理高维数据等优点.在原算法的基础上,在聚类标识阶段提出了改进算法,用支持向量代替原来的全部样本数据来进行标识,进一步减少运算时间,提高运算速度.     

基于群体协同智能聚类的期刊分类大数据自动存储方法

求解期刊分类大数据自动存储问题时，传统方法在分解的过程中无法保证准确性与合理性，对解的合并策略选择不合理，导致寻优过程中出现一定的偏差，造成期刊分类存储效率大大降低。为此，需要提出一种新的基于群体协同智能聚类的期刊分类大数据自动存储方法。确定径向基神经网络的初始结构，通过样本分布计算径基宽度获取隐节点群，将其当成初始集合。将分类存储精度最高、F-measure最大、期刊特征相似性最高作为目标函数，将其加权和作为适应函数。在求解过程中，各子群内部通过模拟退火法将分布估计算法和遗传算法结合在一起，产生新个体，利用群体协同合作的方式实现智能聚类。通过进化获取最优个体，得到最终精英集合，将其看作最后得到的径向基神经网络结构，通过得到的径向基神经网络实现期刊分类大数据自动存储。实验结果表明，所提方法期刊分类大数据存储性能强。      

基于压缩感知的MIMO-OFDM系统稀疏信道估计方法

在多输入多输出正交频分复用(MIMO-OFDM)系统中,信号经过频率选择性衰落的信道后,在接收端需要进行均衡和相干信号的检测,故准确的信道估计量必不可少。传统的信道估计方法均基于信道抽头是密集型的假设,利用线性重构算法,如最小二乘(LS)或最小均方误差(MMSE)等,可以达到Cramer-Rao下界(CRLB)。然而,通过物理信道测量发现,在实际通信系统中,宽带信道抽头分布通常表现出稀疏特性。通过充分利用信道的稀疏特性,该文将压缩感知中的CoSaMP重构算法应用于MIMO-OFDM系统的稀疏多径信道估计。在达到与传统的信道估计方法相同性能的前提下,基于CoSaMP的信道估计方法以非常小的计算复杂度为代价,大大减少了导频信号开销,从而提高了频谱资源利用率。     

关于凝聚型层次聚类时间复杂度的研究

针对层次聚类方法中的凝聚型层次聚类算法每次只合并两个类,迭代次数高、时间复杂度高的缺陷,提出了两种改进的算法：k近邻层次聚类和距离阈值层次聚类。然后对两种算法分别使用3组数据进行实验验证,结果表明两种算法均可以减少凝聚型层次聚类算法的迭代次数、降低时间复杂度;k近邻层次聚类需要输入的人为参数多,使得聚类结果的可靠性降低,距离阈值层次聚类的人为输入参数少,聚类结果的可靠性相对高,且聚类速度快。     

新颖的无监督特征选择方法

针对有监督特征选择方法因为需要类信息而无法应用于文本聚类的问题,提出了一种新的无监督特征选择方法:结合文档频和K-Means的特征选择方法。该方法首先使用文档频进行无监督特征初选,然后再通过在不同K-Means聚类结果上使用有监督特征选择方法来实现无监督特征选择。实验表明该方法不仅能够成功地选择出最为重要的—小部分特征,而且还能提高聚类质量。     

基于C-均值聚类的高分辨距离像识别

针对已有核聚类算法中核参数优化方法的不足,提出一种新的反映类内类间间距的有效性指标,通过使类内样本相似性最大,类间样本相似性最小来达到优化核参数的目的.在对核C-均值聚类算法深入研究的基础上,提出一种基于核C-均值聚类的高分辨距离像识别算法.仿真结果表明:该算法可以通过训练识别率判定最佳聚类数,同时运用改进的核参数优化方法可以得到最优的核参数,进而得到最佳的识别结果.     

一种改进的鸟群优化算法

针对鸟群算法在求解高维复杂问题时常常陷入局部最优解,尤其在鸟群觅食的过程中总是出现"早熟"的现象,提出一种改进的鸟群算法。将惯性粒子和模糊推理引入觅食过程,使那些正在觅食的鸟跳出局部最优解以增强全局寻优的能力。随着算法迭代次数的增加,逐渐减小飞行状态中的生产者对乞讨者的影响,从而使影响因子不断减小;然后用Gauss混沌映射对算法进行扰动,增加算法的多样性;最后用4种算法的6个测试函数进行数值仿真。数值试验结果证明了本文算法具有较强的收敛速度和收敛精度。     

基于Web日志挖掘的个性化推荐模型的研究

随着电子商务系统内商品种类急剧增加,如何针对用户进行有效的个性化商品推荐成为当前的研究热点。为解决该问题,本文提出了一种基于Web日志挖掘个性化推荐模型,该模型首先利用数据预处理技术对Web日志记录进行有效的清洗和识别,随后基于MapReduce模型实现了协同过滤推荐算法的并行化,从而实现商品的快速个性化推荐。实际应用结果表明该模型提高了个性化推荐结果的准确性,具有一定的应用价值。     

带稀疏惩罚的LCNN盲目图像复原

为了加强算法的稀疏性和稳定性,在SCAD基础上提出了一种新的稀疏惩罚函数,并加入到拉格朗日约束神经网络中,以克服传统盲源分离方法和独立分量分析方法的缺陷,有效地避免了方程的病态问题,提高盲目图像复原的稀疏性、稳定性和准确性。通过人工数据和真实数据的不同复原算法对比实验,证明了带稀疏惩罚的拉格朗日约束神经网络盲目图像复原技术具有良好的图像复原效果。     

数据挖掘技术在辅修教学管理中的应用研究

辅修是本科教学中培养复合型人才的一项重要举措。通过对辅修教学管理的各个层面建立辅修教学调查指标体系,对采集到的数据进行预处理后利用数据挖掘技术如聚类算法中的k-中心点算法,关联规则中的Apriori算法等,挖掘出辅修教学各个层面之间的一些隐性规则,从而对辅修教学有一个全方位的了解和理性的分析,并能作出一些有意义的探索。