基于模糊集的银行个人客户聚类技术

运用模糊集技术处理商业银行中的非精确数据，对个人客户进行聚类分析，并通过实例分析了实现银行客户分类的整个过程。详细讨论了数据的模糊化处理、模糊相似算法等一些关键技术。由于银行客户数据库中存在大量模糊和噪声数据，应用模糊集技术进行聚类分析，可以提高客户分类的效率和精确度。     

遥测噪声数据无损压缩算法研究

介绍了数据压缩的现状,分析了遥测噪声数据的特点和无损压缩算法的原理.根据噪声数据特点,通过各个算法比较和相关验证性实验,提出了Lz+ARC数据无损压缩算法,重点介绍了该无损压缩算法的原理和实现过程,并将该算法原理针对大量噪声数据进行了仿真压缩,结果表明压缩去除率可达到60%～90%.     

一种神经网络逆系统软仪表的数据预处理方法

为了解决神经网络逆系统软仪表对噪声敏感的问题，本文提出了一种数据预处理方法。该方法先采用两步判断法对数据进行一次处理，再用滑动平均滤波方法对数据进行二次处理，有效地滤除了噪声信号，比较精确地复现了原始信号。对红霉素发酵过程中的pH值过程变量进行了实验，结果表明了该算法的有效性和可行性。     

基于MCM噪声参数测量不确定度评定的方法研究

开展了基于蒙特卡洛法(MCM)的噪声参数测量不确定度评定工作,以等效噪声参数方程作为不确定度评定的测量模型,利用从测量系统获得的物理量求解函数方程,得到反映等效噪声参数分布情况的数据,并从等效噪声参数导出噪声参数及其概率分布,最后得到噪声参数测量的不确定度。该方法有效地结合了数学随机仿真、物理测量边界判据,实现了噪声参数测量结果的不确定度评定,该方法符合国际标准,可应用的测量系统种类多,普适性高。最后通过实验数据验证,证明了评定方法的有效性,不确定度评定数据的真实性和可靠性。     

基于 MCM 噪声参数测量不确定度评定的方法研究磁

开展了基于蒙特卡洛法（MCM ）的噪声参数测量不确定度评定工作,以等效噪声参数方程作为不确定度评定的测量模型,利用从测量系统获得的物理量求解函数方程,得到反映等效噪声参数分布情况的数据,并从等效噪声参数导出噪声参数及其概率分布,最后得到噪声参数测量的不确定度。该方法有效地结合了数学随机仿真、物理测量边界判据,实现了噪声参数测量结果的不确定度评定,该方法符合国际标准,可应用的测量系统种类多,普适性高。最后通过实验数据验证,证明了评定方法的有效性,不确定度评定数据的真实性和可靠性。     

卷积神经网络中基于差分隐私的动量梯度下降算法

针对卷积神经网络（CNN）模型的训练过程中，模型参数记忆数据部分特征导致的隐私泄露问题，提出一种CNN中基于差分隐私的动量梯度下降算法（DPGDM）。首先，在模型优化的反向传播过程中对梯度添加满足差分隐私的高斯噪声，并用加噪后的梯度值参与模型参数的更新过程，从而实现对模型整体的差分隐私保护；其次，为了减少引入差分隐私噪声对模型收敛速度的影响，设计学习率衰减策略，改进动量梯度下降算法；最后，为了降低噪声对模型准确率的影响，在模型优化过程中动态地调整噪声尺度的值，从而改变在每一轮迭代中需要对梯度加入的噪声量。实验结果表明，与DP-SGD (Differentially Private Stochastic Gradient Descent)相比，所提算法可以在隐私预算为0.3和0.5时，模型准确率分别提高约5和4个百分点。可见，所提算法提高了模型的可用性，并实现了对模型的隐私保护。     

基于改进随机森林的海量结构化数据异常辨识算法

结构化数据同时具备现海量与复杂的特征，导致其异常辨识难度上升，为此提出基于改进随机森林的海量结构化数据异常辨识算法。凭借互补集合经验模态分解，获得海量结构化数据的本征模态函数，去除噪声点。随机选择特征子集分裂决策树节点，采用AdaBoost算法对随机森林进行加权，完成随机森林改进。将改进随机森林的扩展空间范围定义为异常值范围，结合局部敏感哈希算法度量去除噪声点后的数据异常度，实现海量结构化数据异常辨识。通过实验表明，所提算法的海量结构化数据异常辨识精准度最高达到了95.8%,结构化数据量为400 G时的辨识耗时为2.52 min,说明该算法的海量结构化数据异常辨识精准率高、耗时短，具有较高的应用价值。     

基于栈式降噪自编码器的发酵过程回归建模

精确有效的发酵过程模型不仅能够定量揭示过程信息间的关联,实现对难以实时监测变量的预测,而且是进一步控制和优化的前提;基于数据驱动的发酵过程建模方法得到了广泛研究与应用,然而其仅考虑发酵过程的非线性特征和数据具有多采样率的特点,忽略了过程数据中测量噪声对模型的影响;为此,提出基于栈式降噪自编码器的发酵过程回归建模方法,该方法不仅具有较强的非线性拟合能力,半监督的学习策略也能够充分挖掘发酵过程中的所有数据信息,同时可以从含噪声的过程数据中提取出鲁棒性的特征,使模型具有噪声适应性;通过青霉素仿真对比实验结果表明,该模型的预测性能更好.     

遥测噪声数据无损压缩关键技术实现

提出了采用DSP+FPGA架构搭建硬件平台,通过ARC算法实现对多路噪声数据无损压缩的设计方法。对设计中关键技术(如模/数转换、数据缓冲设计和DSP程序设计)作了详细的说明。采用测试平台对设计的噪声数据压缩装置的性能进行了验证,结果表明该装置对噪声数据压缩效果明显,噪声信号还原效果理想,实现了对噪声数据的无损压缩,能够很好地满足遥测系统的需要。     

基于小波变换的图像条带噪声去除方法

条带噪声的存在不但妨碍高光谱图像的目视判读,而且制约高光谱遥感的定量应用。针对小波变换法条带噪声去除过程中遇到的条带噪声和图像有用信息难以有效分离的问题,根据小波变换的方向性和数学显微镜特性,提出了一种新的基于小波变换的条带噪声去除方法。这种方法首先对含有条带噪声的图像进行一定层数的小波分解;然后对每一层分解得到的与条带噪声分布方向相同的子图像再进行一定层数的小波分解,从而实现条带噪声和图像有用信息的有效分离,将含有条带噪声的子图像置零;最后利用小波反变换得到去除条带噪声的图像。以欧洲空间局PROBA卫星上搭载的CHRIS高光谱数据为例,采用相关系数(R)、结构相似度(SSIM)和峰值信噪比(PSNR)3个定量指标,对比分析了新方法与矩匹配法、傅立叶滤波法和小波阈值法的条带噪声去除效果。结果表明新方法去噪后的图像具有最高的R、SSIM和PSNR,新方法能够有效地去除高光谱图像中的条带噪声,同时较好地保留了原始图像的有用信息。
     

基于密度差分的自动聚类算法

聚类作为无监督学习技术,已在实际中得到了广泛的应用.但是对于带有噪声的数据集,一些主流算法仍然存在着噪声去除不彻底和聚类结果不准确等问题.本文提出了一种基于密度差分的自动聚类算法（CDD：Clustering based on Density Difference）,实现了对含有噪声数据集的自动分类.所提算法根据噪声数据和有用数据密度的不同,实现去噪声和数据的分类,并通过构建数据间的邻域,进一步实现了对有用数据间不同类别的划分.通过实验验证了所提算法的有效性.     

火箭飞行实时测量数据的小波滤波快速算法

为充分实现火箭飞行实时测量数据的实时处理功能，结合弹道处理的实际，给出了一种基于小波方法的实时信号所包含噪声的在线快速识别算法，该算法原理简捷，易实现，计算复杂度较低，其时间复杂性为O(1)；分析了用于火箭飞行测量数据消噪的小波及其闽值的选取原则，通过对雷达跟踪测量数据的实际分析和处理，就数据是否处于火箭在级间分离段提出了不同的处理方法，实践证明无论是滤波后信号的残留噪声还是消耗的时间上小波方法都优于α-β-γ滤波，且实现了数据的实时处理功能，充分满足了实时性要求。     

一种高噪声环境下语音检测算法的仿真与应用

该文提出了一种高噪声环境下的自适应语音检测新算法。该算法利用了语音短时能量及帧内短时自相关的特性，两个自适应判决门限根据期望的误判率调整，无需事先给出噪声统计信息，适用于平稳噪声、缓变的非平稳噪声及脉冲噪声的情况，且可以实时实现。     

有色噪声干扰下Hammerstein非线性系统两阶段辨识

针对实际工业过程中普遍存在有色噪声,提出了有色噪声干扰下Hammerstein非线性系统两阶段辨识方法。采用设计的组合式信号实现Hammerstein系统各模块参数辨识分离,简化了辨识过程。在第一阶段,基于可分离信号的输入输出数据,利用相关分析算法估计线性模块参数,减少了有色噪声对辨识的干扰。在第二阶段,基于随机信号的...     

结构化学习的噪声可学习性分析及其应用

噪声可学习性理论指出,有监督学习方法的性能会受到训练样本标记噪声的严重影响.然而,已有相关理论研究仅针对二类分类问题.致力于探究结构化学习问题受噪声影响的规律性.首先,注意到在结构化学习问题中,标注数据的噪声会在训练过程中被放大,使得训练过程中标记样本的噪声率高于标记样本的错误率.传统的噪声可学习性理论并未考虑结构化学习中的这一现象,从而低估了问题的复杂性.从结构化学习问题的噪声放大现象出发,提出了新的结构化学习问题的噪声可学习性理论.在此基础上,提出了有效训练数据规模的概念,这一指标可用于在实践中描述噪声学习问题的数据质量,并进一步分析了实际应用中的结构化学习模型在高噪声环境下向低阶模型回退的情况.实验结果证明了该理论的正确性及其在跨语言映射和协同训练方法中的应用价值和指导意义.     

基于混合模型的电力用户信用评估研究

文章提出了一种基于混合模型的电力用户信用评估方案。考虑到数据维度高、属性关系复杂，提出基于改进的自适应弹性网络模型从大量电力信用数据中提取重要特征；为缓解数据中存在的噪声问题，提出利用自适应孤立森林方法构建噪声增强数据集，提升模型鲁棒性；基于双层集成模型对ELM模型分类器进行组合优化，最大化分类器之间的多样性。     

基于时空联合估计噪声子空间的MUSIC波束形成方法

针对在宽带短脉冲情况下频域MUSIC波束形成过程中噪声子空间估计不稳定的问题,提出了一种基于时空联合估计噪声子空间的MUSIC波束形成方法。该方法首先对线列阵接收数据构造时域复解析数据;然后根据增广数据构造方法和空间滑动的方法,在时域数据长度更短的情况下,稳定实现噪声子空间估计;最后根据估计出的噪声子空间含有的正交特性,通过单位矩阵与噪声特征向量相乘来得到相应波束。数值仿真和实测数据处理结果表明,相比频域MUSIC波束形成方法,该方法减少了稳定获取噪声子空间所需的快拍数,具有较好的稳定性和检测性能,提高了MUSIC波束形成在实际应用中的鲁棒性。     

基于粗糙集与密度峰值聚类的特征选择算法

特征选择可以有效地去除高维数据中的冗余和不相关的特征，保留重要的特征，从而降低模型计算的复杂性，提高模型精度。在特征选择过程中，针对数据中存在的离群点和边界点等可能影响分类效果的噪声数据，提出了基于粗糙集与密度峰值聚类的特征选择方法。首先，通过密度峰值聚类方法去除噪声数据，并挑出簇类中心；然后，结合粗糙集理论的思想，按簇类中心划分数据，并根据同一簇类的点应具有相同标签的假设，定义特征重要性评价指标；最后，设计了一种启发式特征选择算法，用于挑选出使簇类结构纯度更高的特征子集。在6个UCI数据集上，与其他算法进行了分类精度、特征选择个数和运行时间的对比实验，实验结果验证了所提算法的有效性和高效性。     

混合全变差和低秩约束下的高光谱图像复原

目的 由于高光谱遥感数据携带丰富的光谱和空间信息,使其在许多领域得以广泛关注和应用。但是高光谱遥感数据在获取过程中受到各种因素的影响,存在多种不同程度的退化,进而影响到后续的处理和应用。因此,提出一种基于低秩矩阵近似和混合全变差正则化方法来复原退化的高光谱遥感数据。方法 首先分析高光谱遥感数据的两种低秩先验：光谱低秩先验和空间低秩先验;然后利用光谱低秩先验建立低秩矩阵近似表示模型,有效抑制稀疏噪声,例如脉冲噪声、条纹噪声、死线噪声等;再利用空间低秩先验建立混合全变差正则化模型,有效去除高密度噪声,例如强高斯噪声、泊松噪声等;最后结合两种模型的优势,建立基于低秩矩阵近似和混合全变差正则化模型。结果 利用多组高光谱遥感数据,和多种相关的高光谱复原方法进行对比仿真实验,表明新模型的结果在视觉质量有很大改进。与目前最新的复原模型相比,提出的模型的平均峰值信噪比能提高1.8 dB,而平均结构相似数值指标能提高0.05。结论 新模型充分利用高光谱遥感数据的空间和光谱低秩先验,针对含有高密度噪声和稀疏异常值的高光谱遥感数据,能够有效复原出高质量的高光谱遥感数据。     

工业过程检测的数据处理方法研究

本文研究了强噪声背景下工业过程检测的Ｉｔｔｅ处理问题提出了高精度复现传感器有效信号的数据顶处理和再处理的计算机算法，这种算法采用相关累积平均作为数据预处理，用互相关运算作为数据再处理。论文从理论和仿真研究两方面讨论了这种算法对噪声的抑制能力和可行性。