显隐信息协同的多视角极限学习模糊系统

多视角数据正在越来越多地应用于各种建模任务,但当前的多视角模糊系统建模方法,主要集中于实现各个显性视角的合作,还未能充分探讨和利用各视角间共享的隐信息。针对此,对如何引入各个显性视角共享的隐空间信息来实现显隐视角协同的模糊系统建模进行了研究。具体地,基于岭回归极限学习模糊系统(ridge regression extreme learning fuzzy system,RR-EL-FS)模型,引入隐空间信息实现显隐视角协同学习来对RR-EL-FS进行学习,最终开发出具有显隐视角协同功能的岭回归极限学习模糊系统预测模型(ridgeregression extreme learning fuzzy system with cooperation between visible and hidden views,RR-EL-FS-CVH)。该方法较之以往相关的多视角建模方法能更好地利用隐空间的有效信息,从而能够进一步提高受训模型的泛化性能。大量的实验结果亦验证了所提方法的有效性。     

适合大样本快速训练的最大夹角间隔核心集向量机

许多核化形式的分类方法如SVM,SVDD等都是对应一个二次规划(QP)问题,而核矩阵计算需要0(m2)空间复杂度,求解QP需要0(m3)时间复杂度,限制了这类方法对大样本数据的训练.本文基于一种新的分类间隔概念提出最大向量夹角间隔分类器MAMC,目标是在样本空间找到最优向量c,测试样本通过c与训练样本之间的最大化向量夹...     

MMCKDE:基于数据流的m-混合聚类核概率密度估计

数据流挖掘应用对时间、空间有着较高的要求,因而传统的密度估计方法,如核密度估计法、压缩集密度估计法等并不适用于数据流密度估计.提出一种新颖的面向在线数据流的m-混合聚类核密度估计(m-mixed clustering kernel density estimation,MMCKDE)方法,该方法通过创建MMCKDE节点,用固定个数的混合聚类核获得聚类信息,以代替其他密度估计方法中的所有核.针对数据量不断增加的情况,通过计算Kullback Leibler(KL)距离进行核合并,可进一步以更紧凑的形式表示概率密度估计信息.较之于其他一些方法只能估计整段数据流的密度,MMCKDE方法最终获得的模型不仅适用于整段数据流,还适用于任意时间段上的密度估计.MMCKDE算法同SOMKE算法在不同基准数据集及真实数据集上进行密度估计精度和运行时间的比较.实验结果表明,MMCKDE算法具有更好的性能.     

改进的模糊C-均值聚类算法

为了克服模糊C-均值(FCM)聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于改进量子蚁群的模糊聚类算法。将量子计算原理和蚁群算法相结合来改进FCM算法。初期采用量子遗传算法生成信息素分布,后期利用蚁群算法的全局搜索性、并行计算性等特点避免聚类陷入局部最优解。实验证明该算法保证了种群的多样性,有较好的全局收敛性,克服了模糊C-均值聚类算法的不足,能有效解决未成熟收敛的问题,使聚类问题最终快速、有效地收敛到全局最优解。     

子空间可能性聚类机制研究

可能性C-均值(PCM)聚类作为经典的基于原型的聚类方法,在处理高维数据集时性能骤降,无法检测出高维空间中嵌入的有效子空间。针对此不足,在PCM基础上引入子空间聚类机制,提出子空间可能性聚类算法SPC。该方法保留了PCM方法的优点,且对高维数据具有较好的适应性,能够有效检测各类所处的子空间。仿真实验验证了SPC算法的有效性。     

基于稀疏Parzen窗密度估计的快速自适应相似度聚类方法

相似度聚类方法(Similarity-based clustering method,SCM)因其简单易实现和具有鲁棒性而广受关注.但由于内含相似度聚类算法(Similarity clustering algorithm,SCA)的高时间复杂度和凝聚型层次聚类(Agglomerative hierarchicalclu...     

TSK模糊逻辑系统相关滤波器跟踪算法

针对当前目标跟踪领域中如何准确迅速地区分目标和背景的问题,大部分跟踪器的核心内容是如何训练一个判别分类器来区分目标和周围环境。目前较为先进的核相关滤波器算法(KCF)及其改进后的判别式相关滤波器(DCF)将判别分类器与傅里叶变换相结合来提升跟踪速度,一些基于KCF的优化算法对部分跟踪难题,如针对尺度问题的KCF算法和针对目标消失的KCF算法提出了解决方案。但当前已有算法在提高精度方面仍有一定的提升空间,针对此,在核相关滤波器的基础上,从TSK模糊逻辑系统(TSK-FLS)的角度出发推导出了一种新的模糊核相关滤波器(FKCF)。FKCF继承了前者的高速和计算量小的特性,为了提高鲁棒性,将之前简单的高斯映射换成了模糊隶属度函数,并且在核计算的过程中引入了后件参数。由于这两项改进,使得在跟踪精度方面比KCF更好。将FKCF算法与KCF等相关算法在OTB50等4个数据集中的50个随机选取的视频上进行了实验,10项常见属性上的精度均有提升。     

多模糊核融合的单目标跟踪算法

针对当前目标跟踪领域中如何准确迅速地对目标进行定位的问题,大部分流行跟踪器的核心内容是结合核方法去训练一个判别分类器来区分目标和周围环境。例如核相关滤波器算法(KCF)将傅里叶变换与核化判别分类器相结合来提升跟踪速度,以及引入TSK模糊逻辑系统(TSK-FLS)的模糊核相关滤波器(FKCF)算法来提高跟踪精度。一些基于KCF的改进算法对部分跟踪难题提出了解决方案,但这些算法在精度方面仍有一定的提升空间。针对此,在FKCF的基础上,从多核融合的角度推导出了一种新的多模糊核相关滤波器(MFKCF)。MFKCF继承了KCF高速的以及FKCF高精度的特性,将多项式核与高斯核进行模糊化,并且融合模糊化后的核函数作为新的目标核函数。由于上述两项改进,使所提算法在跟踪精度方面比KCF与FKCF更好。将KCF算法、FKCF算法与MFKCF算法在OTB50等4个数据集上的30个随机选取的视频进行了实验,实验结果表明MFKCF算法总体表现良好,10项常见属性上的精度均有提升。     

多粒度融合的模糊规则系统图像特征学习

当前最流行的图像特征学习方法是深度神经网络,该类方法无需人工参与即可自动地通过特征学习提取高效的特征,用于分类识别等任务。然而,深度神经网络图像特征抽取方法目前也面临着诸多挑战,其有效性严重依赖大规模的数据,且通常被视为黑盒模型,解释性较差。针对上述挑战,以基于模糊规则推理的TSK模糊系统(TSK-FS)为基础,提出了一种适用于不同规模数据集且易于理解的特征学习方法——多粒度融合的模糊规则系统图像特征学习算法。该方法通过基于规则的TSK-FS抽取图像特征,因而特征学习过程是可以利用规则进行解释的。其次,多粒度扫描也使得其特征学习能力进一步提升。在不同规模的图像数据集上进行了充分的实验,实验结果表明该方法在图像数据集上具有较好的有效性。