基于数据融合与迁移学习的学生表情识别研究

学生表情逐渐成为感知学生状态的重要途径,因此准确的识别学生表情因具有重要价值而受到广泛的关注.本文针对学生表情识别这一问题,提出基于数据融合与迁移学习的识别模型,该模型融合3个数据集,以解决学生表情数据缺乏与多样性问题,同时引入迁移学习来提升预测精度.在数据集及实际学生表情图像上的实验结果表明,本文提出的模型可以准确识别学生表情,提升了预测精度.     

新息累积GM (1，N)模型在交通噪声预测中的应用

从传统的灰色GM （1, N）模型出发,利用灰色关联分析法确定相关因素的关联度,引入累积法相关理论,对GM （1, N）模型进行参数辨识,建立起多因素的累积GM （1, N）模拟模型,在此基础上,充分利用最新信息,用新息思想建立新息累积GM (1, N)预测模型。将该模型分别应用到南方某城市及北京市道路交通噪声的模拟和预测上,结果表明,所建立的新息累积GM (1, N)模型的模拟精度高,预测结果平均相对误差比GM （1, 1）模型还低,预测效果好,预测值还表明,接下来两年内,噪声值基本维持稳定。     

基于Tukey规则与初始中心点优化的K-means聚类改进算法

针对K-means聚类算法存在的初始中心点选择及异常点、离群点极易影响聚类结果等待改进问题,提出了一个基于Tukey规则与优化初始中心点选择的K-means改进算法。该算法利用Tukey规则构造核心与非核心子集,将聚类过程划分成2个阶段。同时,在核心子集上执行中心点逐个递增优化选择策略,选出初始中心点。在来自UCI的20个数据集上聚类结果表明,本文提出的算法优于K-means++聚类算法,有效地提升了聚类性能。     

基于距离不等式的K-medoids聚类算法

本文研究加速K-medoids聚类算法,首先以PAM（Partitioning Around Medoids）、TPAM（Triangular Inequality Elimination Criteria PAM）算法为基础,给出两个加速引理,并基于中心点之间距离不等式提出两个新加速定理.同时,以O（n+K²）额外内存空间开销辅助引理、定理的结合而提出加速SPAM（Speed Up PAM）聚类算法,使得K-medoids聚类算法复杂度由O（K（n-K）²）降低至O（（n-K）²）.在实际及人工模拟数据集上的实验结果表明,相对PAM、TPAM、FKMEDOIDS（Fast K-medoids）等参考算法均有改进,运行时间比PAM至少提升0.828倍.     

改进选择策略的烟花算法

烟花算法(FWA)中的选择策略直接影响其收敛效率、收敛精度、对初值敏感性以及能否跳出局部最优,对此,提出一种改进选择策略的烟花算法(ISSFWA).ISSFWA建立峰值火花和探索火花的概念,并提出基于$N-1$朵峰值火花和一朵探索火花充当下一代N朵烟花的选择策略.峰值火花兼顾了火花的适应度值及相对位置,保证选择全局最优火花及峰值火花邻域内的局部最优火花,同时避免重复选择搜索能力相似的火花,而基于最远距离的探索火花可以增强全局探索能力.在10次标准及增加位置偏移的测试函数实验中,ISSFWA在最优适应度值方面优于PSO、GA、FWA;在平均适应度值方面优于PSO和FWA,略劣于GA.这一结果表明,ISSFWA能够增强寻找最优解的能力,降低对初值的敏感性,并提升搜索效率.     

粒子群K-means聚类算法的改进

粒子群（PSO）与K-means结合是聚类分析中的重要方法之一,但都未考虑粒子更新导致的空类问题。提出基于多子群粒子群伪均值（PK-means）聚类算法,为该问题的解决提供一种有效途径,并与粒子群K均值（PSOK-means）,K-means算法进行比较。理论分析和实验表明,该算法不但可以防止空类出现,而且同时还具有非常好的全局收敛性和局部寻优能力,并且在孤立点问题的处理上也具有很好的效果。