相对效率与广义相关系数

讨论了线性模型中未知参数的最小二乘估计的两种相对效率与一种广义相系数的关系。     

修正后的广义相关系数与线性相关性

定义了多维随机向量的典型相关系数，并引入了广义相关系数的概念．通过定义修正后的广义相关系数的概念，解决了为1的典型相关系数的个数与线性相关的维数的关系，并且证明了修正后的广义相关系数为1是两个随机向量线性相关的一个充分必要条件，从而说明了修正后的广义相关系数是一维随机变量的相关系数的直接推广．     

判定数据对Almon估计的影响度量与广义相关系数

讨论了数据的剔除对Almon估计的影响,提出了一次剔除多组数据时度量数据对Almon估计影响的W-K统计量,建立了此度量与广义相关系数之间的不等式关系。     

线性模型中最小二乘估计的相对效率与广义相关系数的关系

对于线性模型未知参数的最小二乘估计,对于一种新的相对效率,研究了它与某些广义相关系数的关系,并且取得了比较满意的结果。     

广义相对差集二元序列的最佳性

研究了广义相对差集对主尖二元序的自相关函数,并且给出了在调幅和调相时使二元序列达到最佳的方法。     

关于相关系数的深层讨论

相关系数ρXY是描述二维随机变量(X,Y)之间线性相关关系的一个重要数字特征.当ρXY=0时,表明X和Y之间不存在线性关系,可能存在非线性函数关系等.作者在<概率论与数理统计>教学实践中发现不少学生想当然地认为:当X和Y真正存在非线性函数关系时,相关系数ρXY=0.文章以正态分布、均匀分布为例论证了相关系数ρXY并不总是为零,甚至ρXY≈1的事实,并指出相关系数的大小与X的分布有关.     

利用广义相关系数改进的关联规划生成算法

提出了一种改进的关联规则生成算法,其目的是在大型数据库中能够高效的发现关联知识。为了达到这个目标,将泛逻辑中的广义相关系数与Apriori算法相结合。Apriori算法本身对于大型数据库来说是高效的,但通常会产生出太多的关联规则,而广义相关系数是一个新的能够度量相关性的参数,因此对它进行了详细分析,并与原算法所使用的条件概率方法进行了比较,该算法有效地改进了由Agrawal提出的关联规则生成算法。     

[0,∞)区间的N范数及广义自相关系数k的计算方法

三角范数理论中的N范数(N-norm)是柔性逻辑中非运算的数学模型。在柔性逻辑学研究中,模糊命题和它的模糊非命题之间的相关性用连续变化的广义自相关系数k∈[0,1]来刻画。非算子是随广义自相关系数k的变化而连续变化的算子簇。由于在现实生活中,很多逻辑推理控制必须在其自身的定义域内完成,文章以三角范数作为柔性逻辑研究的数学工具,定义了[0,∞)区间上的N范数、N性生成元和N性生成函数,并研究了相关主要性质;证明了N范数生成定理;讨论了广义自相关系数的计算;给出了由N性生成函数直接生成N范数、计算不动点l和计算广义自相关系数k的方法。为[0,∞)区间上的连接词运算模型提供了数学生成方法。     

广义伪随机屏蔽二进序列偶理论研究

提出了一种具有良好周期相关特性的新型离散信号,即广义伪随机屏蔽二进序列偶,给出了其变换性质和组合允许条件.在这些性质的基础上利用计算机搜索出若干小体积的广义伪随机屏蔽二进序列偶,并与伪随机二进序列偶进行了比较,结果表明广义伪随机屏蔽二进序列偶具有很高的能量效率和较大的存在空间,可以作为同步码或多用户码应用于实际工程当中.     

互信息与相关性之间的关系

互信息熵与相关系数都是输入输出相关性度量的重要参数,两参数之间应存在一定的关系。在简单的信道模型下,本文给出了二者之间的关系。     

基于最大相关信息系数的FCBF特征选择算法

在相关性快速过滤特征选择算法（FCBF）基础上,通过最大相关系数的方式改进FCBF算法.首先,通过最大相关系数和对称不确定性度量准则,计算出每个特征与标签之间的相关度量值,并按照数值大小顺序进行排序;其次,通过最大相关系数和近似马尔可夫毯原理进行无关特征和冗余特征的筛选,最终选择出最优特征子集.在加利福尼亚大学欧文分校的机器学习库（UCI）的8个公开数据集中进行对比实验结果表明基于最大相关系数的特征选择算法（NFCBF）总体优于FCBF算法,它所选择出特征数比FCBF算法所选择特征数平均少了3.625个,分类准确率平均提高了0.075%.与互信息最大算法（MIM）、最少的绝对收缩和选择算法（Lasso）和岭算法（Ridge）等相比也具有明显的优势.     

基于互信息的多模态医学图像配准技术研究

分析了互信息配准的物理基础和配准原理，提出了利用差图像熵的互信息测度，对多种具有代表性的互信息测度进行了比较，并用邻域信息对差图像互信息进行了改进。试验结果表明，与空域信息相结合的互信息测度具有更好的抗噪性。     

基于互信息规则剪枝的关联文本分类

传统的关联文本分类算法产生的规则数量巨大,若不对规则剪枝会影响分类效率,而采用以前的剪枝方法又会使分类精度出现不同程度的下降.为此提出以互信息的方法对每个类的规则进行剪枝,挑选出分类能力强的规则构成分类器,对待分类文本进行分类.经过这个方法剪枝后的规则数量大幅减少,且能取得比规则集未修剪过的分类器和采用以前剪枝方法的ARC-BC算法更好的分类效果,大量的实验表明此方法是有效的.     

结合ReliefF和互信息的多标签特征选择算法

针对传统单标签特征选择算法不能直接应用于多标签数据的问题,提出一种多标签特征选择算法——MML-RF算法.在ReliefF的基础上,MML-RF算法提出新的类内最近邻样本查找方式,并结合多标签的贡献值改进特征权值的计算方法,能很好地适应多标签数据的特点;同时为了减少特征冗余,MML-RF算法以互信息作为特征冗余度量方式,提出一种去冗余方法,能够得到更小的特征子集.实验表明,MML-RF多标签特征选择算法得到的特征子集规模较小,且在多标签数据集上具有很好的分类效果,能够提升多标签学习和数据挖掘工作的效率.     

基于互信息和单应性原理的图像自动配准研究

基于图像特征的配准是图像配准的一个主要研究方向。传统的基于特征的配准方法一般都存在着计算量大、复杂度高以及配准精度低等问题。该文提出了一种基于互信息和单应性原理的图像自动配准方法。该方法首先利用harris算子提取角点,然后通过互信息粗匹配和RANSAC精匹配得到一对一的匹配角点对,最后根据匹配角点对计算出对应的单应矩阵来实现图像配准。为相互间满足刚体变换关系的图像之间的配准提供了一种新的思路。     

基于互信息与随机森林的P2P流量识别

针对当前基于流特征的流量识别方法准确率较低的问题,提出一种基于互信息的P2P流量特征选择方法和基于该方法的随机森林技术在流量识别中的应用模型,将网络流数据流分为P2P流和非P2P流。实验证明,该方法具有较高的识别率,说明了采用随机森林技术进行P2P流量识别的有效性。     

互信息在图像检索中的应用

提出了一种新的相似性图像检索方法,它利用信息熵理论,分别对图像的颜色、形状和纹理特征进行描述,给出一个综合的相似性匹配算法。该方法首先分割图像,把一幅图像划分为若干子区域,抽取图像的主要形状和统计其所含的角度信息;然后利用信息熵计算图像之间的颜色、形状和纹理互信息。试验结果表明与其他方法相比,新的相似性图像检索方法具有更好的图像检索效果。     

一种基于互信息与梯度的图像精确配准方法

提出一种利用基于梯度加权的灰度归一化互信息相似性测度,并采用凹函数递减的权衡比重的粒子群优化算法作为搜索策略的多模图像精确配准方法。传统的基于灰度互信息配准方法往往只考虑灰度相关性,忽略或不当引入图像空间特征信息,配准容易陷入局部极值,从而出现误配。将灰度与梯度特征有效融合,即梯度加权到灰度互信息中,同时考虑了2幅图像的灰度统计相关性和图像空间特征信息,提高了多模图像配准的精度与稳定性。通过对遥感图像的拟配准与MR-PET医学图像的实际配准,证明了该方法效果良好,算法稳定,配准的准确率和参数精度都得到明显的提高。