鲁棒性监督等距特征映射方法

提出一种鲁棒的监督Isomap算法(RS-Isomap算法).该方法首先在标准PCA基础上,为样本邻域点引入权值因子,产生新的优化问题,使用加权迭代最小二乘法求解.然后利用加权主成分分析,遍历每一个样本点,计算归一化权值之和,得到样本的可信度.接着融合样本的可信度、类别和邻域信息,重新定义样本点之间的测地距离,计算最短距离矩阵,采用多维标度分析和广义回归神经网络分别构建训练样本和测试点的嵌入坐标.实验表明:新方法比传统的Isomap方法有较强的抗噪声能力,能有效地提高高光谱图像的分类精度,在运行时间上具有可行性.鲁棒性的监督Isomap算法是一种有效的高光谱遥感图像特征提取方法.     

基于邻域信息的图像自适应滤波

该文分析了常规图像滤波算法的局限性，并在此基础上提出了一种基于邻域信息的自适应滤波新算法。该算法利用噪声的灰度不一致性，通过邻域信息差分值的差异来决定象素的类别，然后针对不同类别的象素点采取不同的滤波算法。实验结果表明，该算法能够显著提高图像的信噪比。     

流形学习算法在中文文本分类中的应用

传统的流形学习局部线性嵌入 (locally linear embedding, LLE) 算法通过欧氏距离来选择邻域,如果数据集选自多个类别,这种距离度量方法无法得到正确的邻域关系。本研究提出一种改进的局部线性嵌入 (modified LLE,MLLE) 算法,该算法通过改进距离矩阵,使得类间的距离大、类内的距离小,从而使得邻域的选择尽量在一个类中。将MLLE算法应用到中文文本分类中,结果表明:与传统的算法比较,MLLE在分类结果可视化效果和识别率等方面都有显著提高。     

基于流形学习算法的人脸识别研究

为了有效地实现对人脸的识别,先用线性判断分析（LDA）方法将原始的人脸数据降维,利用降维后的数据选取点的k近邻,进而提出度量优化的保持邻域嵌入算法（MONPE）。MONPE算法：一方面,通过LDA降低原始数据的维数,使得欧氏度量的应用成为合理。另一方面,通过LDA拉近了类内点的距离,拉大了类间点的距离,使得某个采样的近...     

自适应邻域选择的I somap算法

针对流形学习算法Isomap对于稀疏数据局部邻域大小选择的敏感性,提出一种自适应邻域选择的降维方法 A-Isomap(Adaptive-Isomap).在数据稀疏的情况下,通过邻域选取算法自适应的动态选择每一个样本点的邻域大小,很大程度上避免了对短路点的选择;同时,使用聚类信息来汇聚相似的样本点,保证了降维后的数据具有很好的可分性.为了验证算法的有效性,将该算法应用于手工流形的降维,结果表明该算法能较好的展现降维效果.     

基于相似性学习的整数规划问题演化求解

将学习机制引入到变异算子中,定义了个体距离、相似性和邻域等概念,用距离反映个体间的差异程度,用相似性描述个体间对应基因位的类似程度,用邻域实现对种群按相似性分割。提出了基于相似性学习的自适应演化算法,从而使得变异算子具有了很强的导向性,避免了传统达尔文演化策略的半盲目性,使计算结果稳定地收敛到全局最优解。以下料问题为例,对算法进行数值试验,运算结果表明该算法能很好求解整数规划问题。     

基于邻域拓扑文化差分进化算法的无功优化模型研究

提出了求解无功优化问题的一种新算法——基于邻域拓扑文化差分进化算法。将邻域拓扑结构纳入了文化差分进化算法,改进了文化差分进化算法过早收敛,易于陷入局部最优解的问题。并首次将该算法应用到无功优化问题中,使其能迅速获得全局优化解,具有很好的全局收敛性能和更好的优化能力。最后,将该算法在IEEE 30节点系统上进行了无功优化...     

局部密度嵌入的结构单类支持向量机

针对现有单类分类器对目标数据先验信息考虑的不足,在结构单类支持向量机(structured one-class support vector machine,SOCSVM)中嵌入局部密度信息,提出局部密度嵌入的结构单类支持向量机(SOCSVM with local density embedding ldSOCSVM)。借助K近邻(K-nearest neighbor, KNN)揭示目标数据局部密度,并进一步诱导出权重因子作用于样本点。该算法充分利用目标数据的全局信息及局部密度信息,从而提高分类器的泛化能力。UCI数据集上的实验结果验证了ldSOCSVM的有效性。     

一种用于人脸识别的正交邻域保护嵌入算法

在邻域保护嵌入算法的基础上,提出了一种新的降维方法——正交邻域保护嵌入算法．首先,从最优投影的概念出发,定义了一种反映投影向量的邻域结构保护能力的函数;然后以邻域保护函数为目标函数,在原始的优化问题中增加正交约束条件,推导得到一组具有正交性的最优投影向量的迭代公式．与邻域保护嵌入算法相比,得到的正交向量具有更好的邻域保护性能,从而带来更强的判别能力,降低了误差率．在标准人脸库上的实验结果表明,与其他降维方法相比,新算法的最低误差率可减小15％~20％,且在选取的特征维数较低时就可获得最优值．     

优化初值的C均值算法

针对C均值算法(C-means method,CM)对初值敏感、易陷入局部最优的问题,提出一种优化初值的C均值算法(Optimal initialization-based CM,OICM)。该算法首先计算数据集中每个点的邻域以及邻域密度,选择具有最大邻域密度的点作为第一个聚类中心;然后,从剩余的数据集中选择具有最大邻域密度、且其邻域与已有聚类中心的邻域的连接度满足一定条件的点作为下一个聚类中心,以此类推,直到确定了C个聚类中心;最后,利用C均值算法完成数据集的聚类分析。在仿真数据集和UCI数据集上进行聚类实验,结果表明OICM算法有效地克服了传统C均值算法对初值敏感的缺点,且性能优于其他3种典型的全局C均值算法。     

自适应半监督邻域聚类算法

为了充分利用监督信息指导聚类过程,提出自适应半监督邻域聚类算法(adaptive semi-supervised neighborhood clustering algorithm, SSCAN)。引入监督矩阵与距离度量结合,构造合理的相似矩阵;充分利用监督信息,通过标签信息矩阵与流形正则项结合调整模型,改善聚类效果。在多种数据集进行试验,并与其他聚类算法作对比,结果表明,SSCAN可以充分利用监督信息,提高聚类的准确率。     

关系生成图注意力网络的知识图谱链接预测

针对实体邻域三元组缺少联系的问题,提出基于关系生成图注意力网络(RGGAT)的知识图谱链接预测方法. 利用不同类型的关系生成相应的注意力机制参数,邻域三元组按照关系类型使用对应的参数计算注意力系数. 实体通过聚合以关系为主导的邻域三元组信息得到更丰富的嵌入向量. 在训练过程中对编码器和解码器进行共同训练,将编码器更新的实体向量和关系向量直接输入到解码器中,保证编码器和解码器训练目标一致. 在3个公开数据集上进行链接预测实验,对比实验选用目前主流的5个模型作为基线. RGGAT方法在3个数据集上的Hits@10能达到0.519 8、0.510 4和0.973 9,高于传统图注意力网络嵌入方法的. 在邻域聚合阶数对比实验中,1阶关系邻域聚合的方法相比2阶关系在Hits@10上提升3.59%.     

基于多尺度稀疏近邻图的近邻保持嵌入算法

针对近邻保持嵌入算法NPE中构造近邻图所存在的缺陷,提出了基于多尺度稀疏近邻图的近邻保持嵌入算法.对于每个待识别的人脸图片,该方法都建立一个具有九个尺度的图像金字塔,并且计算金字塔中每个尺度的图片与其他图片金字塔对应尺度的稀疏近邻.利用稀疏表示算法抗遮挡的特性,通过计算样本多尺度近邻的方法克服了传统方法丢失人脸图片二维结构的缺点.结果表明,该算法具有较强的鲁棒性,比传统的NPE算法具有更好的识别效果.     

基于核邻域保持判别嵌入的人脸识别

为了提取高维人脸图像中的非线性特征,提出一种新的非线性降维方法:核邻域保持判别嵌入算法(KNPDE).为了表示特征空间中类间邻域结构和不同类样本间的相似度,分别构建类内邻接矩阵和类间相似度矩阵.通过使用核技巧,KNPDE将邻域保持嵌入(NPE)和Fisher判别准则相结合,在保持特征空间中类内邻域结构的同时充分利用类间判别信息,从而具有更强的分类能力.在Yale和UMIST人脸库上的试验结果进一步表明了该算法的有效性.     

一种面向入侵检测的半监督聚类算法

为了解决传统的入侵检测聚类算法准确率较低这个问题,结合半监督学习的思想,提出了一种面向入侵检测的半监督聚类算法。首先利用样本数据集中的部分标记数据,生成用于初始化聚类的种子集,通过计算样本数据集中标记点与每个类簇中标记点均值的欧氏距离,得到每类的初始聚类中心,实现了入侵检测数据的准确识别。该算法有效地避免了传统聚类算法中初始聚类中心选择的盲目性和随机性,提高了检测率。实验结果表明,在处理入侵检测数据时,该算法能够充分利用少量类标记信息进行半监督学习,较传统的K-means算法聚类效果更好,检测准确率更高。     

基于鉴别矢量角嵌入的人脸识别

针对基于构造邻接图的降维人脸识别问题,提出了一种鉴别矢量角嵌入的识别方法.构造了一幅有正/负连接边的邻接图,同类样本之间为正连接边,不同类样本的k近邻为负连接边.连接边权系数的测度采用矢量角代替矢量模,不但省去了传统方法中对热核权函数t参数的估计,而且降低了由于图像样本间的亮度差异对识别率造成的影响.样本数据保持邻接矢量角从高维空间嵌入至低维子空间,在分类识别中采用了角度最近邻分类器.Yale库和UMIST人脸库上的人脸识别实验结果表明,该算法比其他算法有更好的识别率.     

基于非均匀邻居节点采样的聚合式图嵌入方法

针对已有聚合式图嵌入方法多采用均匀采样函数为图中节点构建邻域,即仅随机采样邻居节点,而忽略各邻居节点自身性质的差异的问题,提出基于度值的非均匀邻居节点采样方法. 针对目标节点,优先采样其度值较大的邻居节点;隐藏一批度值较小的邻居节点,使它们在采样过程中不出现;在邻居节点集中随机采样剩余的节点以保留一定的采样随机性,这些随机采样的节点与优先采样的节点组成目标节点的邻域. 将所提出的非均匀邻居节点采样方法应用于图嵌入过程,在Reddit数据集上的图嵌入分类F1分数为91.7%,该结果优于几个知名的图嵌入方法的结果. 在重叠社团数据集PPI上的实验证实提出方法能够为图数据生成更高质量的嵌入.     

一种用于图卷积网络的社交关系方向门控算法

针对社交网络用户态度分析任务中用户之间原有社交关系方向可能阻碍态度信息流动以及标签扩散的问题,提出了一种应用于半监督图卷积网络的社交关系方向门控算法.该算法首先在原有与逆向社交关系方向上分别进行图卷积运算,得到2种用户节点态度特征向量,然后利用门控机制对2种特征向量进行动态融合.扩展了态度信息传播路径的同时,还能够捕捉用户影响力差异,以自动选择态度信息的流动方向.在2个真实热点话题数据集上的实验结果表明,现有图卷积网络在加入该算法之后,其用户态度分析的准确率能够得到有效提升.     

度量学习改进语义自编码零样本分类算法

为改善零样本图像分类中相似度度量方法的鲁棒性,引入了一种用于零样本分类的度量学习方法.该方法由自编码构成,能在特征对齐后的语义嵌入空间中学习到最优的度量函数,用于计算测试样本特征和类标签的语义特征的相似度;然后利用近邻思想预测类别标签,进而避免产生不合适距离函数导致的分类错误.实验结果表明,与传统距离度量的算法相比,所提出的方法降低了识别错误率,在公开数据集AWA、CUB和ImNet-2上的分类准确率分别达到94.7%、63.7%和28.59%;同时表明了语义-视觉的映射方向比相反方向的识别准确率高出2.5%~10.1%.