改进的加权t-SNE算法及在故障诊断中的应用

对随机邻域嵌入算法(stochastic neighbor embedding, SNE)中的距离进行改进,提出一种基于Manhattan距离的加权t-SNE(Mwt-SNE)算法。使用受空间维数影响较小的Manhattan距离作为度量方式,使用k均值聚类算法将高维空间数据样本点距离分为三类,基于表格法进行权重参数寻优与加权,以加权相对Manhattan距离代替欧式绝对距离计算相似度条件概率,从而增大数据对象之间的区分度,提升降维效果,增强分类显著性。提出基于Mwt-SNE算法的在线故障诊断模型,使用核密度估计(KDE)确定控制限并进行在线监控。TE化工过程实验表明Mwt-SNE算法能有效降低误报率和漏报率,从而提高故障诊断稳定性和准确性。     

基于核密度估计的活动轮廓模型

基于核密度估计的活动轮廓模型如果没有适当的扰动机制,往往不能在弧度突变的边缘上获得较好的收敛结果,且在大噪声环境下鲁棒性较差。针对该问题,提出一个新的代价函数。该函数通过融合边缘映射的曲率信息,改善原算法在突变边缘的收敛效果,降低算法对初始轮廓的依赖。     

Linux环境下共享文件浏览器的设计

通过分析Liunx下的SAMBA服务器的结构，发现原理和源代码，提出并实现了一个基于SAMBA服务器的共享文件浏览器，该浏览器的主要功能是用于浏览和使用局域网上的共享资源。系统采用Client/Server模式，通过系统调用和管道技术来实现浏览器的各项功能。     

核密度估计的聚类算法*

相似性度量是聚类分析的重要基础,如何有效衡量类属型符号间的相似性是相似性度量的一个难点.文中根据离散符号的核概率密度衡量符号间的相似性,与传统的简单符号匹配及符号频度估计方法不同,该相似性度量在核函数带宽的作用下,不再依赖同一属性上符号间独立性假设.随后建立类属型数据的贝叶斯聚类模型,定义基于似然的类属型对象-簇间相似性度量,给出基于模型的聚类算法.采用留一估计和最大似然估计,提出3种求解方法在聚类过程中动态确定最优的核带宽.实验表明,相比使用特征加权或简单匹配距离的聚类算法,文中算法可以获得更高的聚类精度,估计的核函数带宽在重要特征识别等应用中具有实际意义.     

基于动态阈值的核密度估计前景检测算法

为解决煤层气开采(CBM)现场中抽水机往复运动和风吹草动等动态环境对前景检测的干扰及核密度估计(KDE)目标检测法实时性差的问题,提出了一种改进核密度估计前景检测算法。该方法先用背景差分法(BS)融合三帧差算法将图像分割成动态背景区与非动态背景区,对于动态背景区再用核密度算法分割前景。分割前景时提出了一种新的动态阈值求取方法,综合了相邻样本绝对差均值和样本方差来确定窗宽,并用定时更新与实时更新相结合的策略更新第二背景模型,在替换样本时用随机抽取策略代替先进先出(FIFO)方式。仿真结果表明,改进核密度估计算法与核密度估计法和背景差分核密度估计(BS-KDE)法相比,平均每帧图像算法耗时分别降低了94.18%和15.38%,识别的运动目标也更为完整。实验结果表明所提算法在煤层气开采场景中能准确检测到前景,并基本满足标清视频监控实时性要求。     

快速大样本同步聚类

针对现有的Sync算法具有较高时间复杂度,在处理大样本数据集时有相当的局限性,提出了一种快速大样本同步聚类算法（Fast Clustering by Synchronization on Large Sample,FCSLS）。首先将基于核密度估计（KDE）的抽样方法对大样本数据进行抽样压缩,再在压缩集上进行同步聚类,通过Davies-Bouldin指标自动寻优到最佳聚类数,最后,对剩下的大规模数据进行聚类,得到最终聚类结果。通过在人造数据集以及UCI真实数据集上的实验,FCSLS可以在大规模数据集上得到任意形状、密度、大小的聚类且不需要预设聚类数。同时与基于压缩集密度估计和中心约束最小包含球技术的快速压缩方法相比,FCSLS在不损失聚类精度的情况下,极大地缩短了同步聚类算法的运行时间。     

快速核密度估计定理和大规模图论松弛聚类方法

首先证明了快速核密度估计 (Fast kernel density estimate, FKDE) 定理: 基于抽样子集的高斯核密度估计(KDE)与原数据集的KDE间的误差与抽样容量和核参数相关, 而与总样本容量无关. 接着本文揭示了基于高斯核形式的图论松弛聚类(Graph-based relaxed clustering, GRC)算法的目标表达式可分解成“Parzen窗加权和 + 平方熵”的形式, 即此时GRC可视作一个核密度估计问题, 这样基于KDE近似策略, 本文提出了大规模图论松弛聚类方法(Scaling up GRC by KDE approximation, SUGRC-KDEA). 较之先前的工作, 这一方法的优势在于为GRC作用于大规模数据集提供了更简单和易于实现的方案.     

改进的基于核密度估计的数据分类算法

目前,很多基于核密度估计的数据分类算法采用的判别规则忽视了不平衡类问题.对此,提出了改进的基于核密度估计的数据分类算法.该算法可处理不平衡类带来的影响,并在不平衡类问题严重时也能发挥好的效果,而且可以推广到多分类问题.实验结果表明了这种改进是非常有效的,它提高了基于核密度估计的分类算法对不平衡类的适应力.     

A non-parameter bayesian classifier for face recognition

A non-parameter Bayesian classifier based on Kernel Density Estimation (KDE) is presented for face recognition, which can be regarded as a weighted Nearest Neighbor (NN) classifier in formation. The class conditional density is estimated by KDE and the bandwidth of the kernel function is estimated by Expectation Maximum (EM) algorithm. Two subspace analysis methods-linear Principal Component Analysis (PCA) and Kernel-based PCA (KPCA) are respectively used to extract features, and the proposed method is compared with Probabilistic Reasoning Models (PRM), Nearest Center (NC) and NN classifiers which are widely used in face recognition systems. The experiments are performed on two benchmarks an.el the experimental results show that the KDE outperforms PRM, NC and NN classifiers.     

基于非参数核密度估计法的车辆大数据服役载荷外推方法

提出了基于非参数核密度估计法的用户使用习惯特征统计方法和车辆全寿命周期服役载荷外推方法。以某型宽体轻客的全国大范围用户使用习惯数据调研和道路载荷谱大数据采集为基础,运用非参数一维核密度估计法,研究了90%分位下用户使用习惯典型特征的统计方法。运用非参数二维核密度估计法结合蒙特卡罗仿真,研究了基于用户道路实测载荷的车辆全寿命周期服役载荷外推方法。此外,研究了不同核密度估计法多次外推结果的变化特性,研究结果表明多次载荷外推保持了较好的载荷损伤与分布的一致性。