一种改进的激光点云数据精简算法

随着三维激光扫描仪获取的点云数据量越来越大,激光点云数据精简已成为测绘领域中的一个新的研究热点。在对点云数据分层技术研究的基础上,将二维平面曲线精简算法—Douglas-Peucker算法拓展到三维空间并进行改进,使得算法在处理前不需要已知点云间的邻接关系,可以对三维散乱点云数据进行直接处理。借助于Matlab平台编程实现点云数据精简,并利用程序构建精简后的点云数据的网格模型。通过与原始点云的网格模型进行对比分析,实验表明此改进算法的精简效果比较理想。     

局部显著单元高维聚类算法

以等宽或随机宽度网格密度单元为基础的高维聚类算法不能保证复杂数据集中的聚类结果的质量。该文在核密度估计和空间统计理论的基础上,给出一种基于局部显著单元的高维聚类算法来处理复杂数据的高维聚类问题。该方法以局部核密度估计和空间统计理论为基础定义了局部显著单元结构来捕获局部数据分布;设计了能快速发现覆盖数据分布的局部显著区域的贪婪算法;对具有相同属性子集的局部显著单元执行Single-linkage算法发现其中的聚类结果。实验结果表明,以局部显著单元为基础的高维聚类算法能够发现复杂数据集中隐含的高质量聚类结果。     

基于网格服务的分布式BP分类算法研究

在分析传统集中式BP算法对海量高维数据分类不足的基础上,结合网格服务和粗糙集约简的思想,提出了基于网格服务的分布式BP分类算法（Distributed BP Classification algorithm based upon Grid Service,DBPC-GS）。仿真实验表明,粗糙集约简使得BP网络处理高维数据的复杂度大大降低;同时与传统集中式BP分类算法相比,DBPC—GS算法的平均耗时明显下降,CPU的负载也下降了约40％;且GBPC—GS算法仍然保持较高的分类精度。     

Uncertain Data Clustering Based on Probability Distribution in Obstacle Space

In the case of current technology, most of the measurements are focused on geometric distance, and the distribution of data is not considered. In order to compensate for this shortcoming of geometric distance measurement, this paper uses the KL distance as the similarity measurement standard for uncertain data, and the DOUD_C algorithm and COUD_C algorithm are proposed respectively in the discrete domain and continuous domain. In order to solve the problem of efficient clustering of the high dimensional data, this paper considers the data structure of grid, and BROUD_C algorithm is proposed. According to the adjacency characteristic of the grid, the cluster process is extended continuously, the algorithm can find clusters of arbitrary shapes, and we can filter a large number of isolated points, it solves the uncertain data clustering problem effectively in the obstacle space. The experimental results show that compared to the OBS_UK_means with VPA and SDA pruning algorithm and FOPTICS algorithm, the clustering performance of BROUD_C algorithm is more significant and CPU has less execution time in the obstacle space.

     

基于LLE和BP神经网络的人脸识别

利用LLE非线性降维方法提取人脸特征,然后将提取出来的特征输入到BP神经网络进行训练得到人脸类间的判别信息,进行人脸识别。利用LLE降维方法既能够降低数据维数,减少运算量,又很好的保留了各类人脸样本的拓扑结构,避免人脸图像光照、姿态等因素对人脸识别的影响。在ORL人脸库上的实验结果表明了,这种方法是有效的。     

基于模糊Fisher准则的自适应降维模糊聚类算法

该文指出曹苏群等人提出的基于模糊Fisher准则(FFC)的半模糊聚类算法(FFC-SFCA)中的一个推导错误,结合模糊紧性和分离性(FCS)聚类算法提出新的聚类算法：FFC-FCS。FFC-FCS充分利用FFC的特征提取和降维特性,交替运行原始数据空间中FFC和投影空间中的FCS,通过对降维数据的聚类实现对原始数据的聚类。FFC-FCS不仅对低维数据具有优异的分类性能而且对高维数据也表现出一定的分类优势。实验结果表明,FFC-FCS 的性能明显优于原有的FCS算法,FFC-SFCA算法以及经典的模糊C-均值(FCM )算法。     

基于免疫克隆高斯过程隐变量模型的SAR目标特征提取与识别

作为一种非线性维数约减算法,高斯过程隐变量模型(Gaussian process latent variable model,GPLVM)由于其适合处理小样本、高维数据,因而在模式识别、计算机视觉等领域得到了广泛应用.基于此,提出一种基于改进GPLVM的SAR图像目标特征提取及自动识别方法,其中利用改进的GPLVM进行特征提取,高斯过程分类进行目标识别.传统GPLVM使用共轭梯度法对似然函数进行优化,为避免梯度估值易受噪声干扰、步长对算法影响严重等缺点,提出基于免疫克隆选择算法的GPLVM,利用其具有快速收敛到全局最优的特性提高算法性能.实验结果表明,该算法不仅降低了特征维数,且提高了识别精度,从而验证了算法用于SAR图像目标识别的有效性.     

流形学习算法分析及在人脸数据库上的应用

为了更高效的处理高维数、高复杂性的非线性数据,发现其嵌入在源数据空间中的本维特征,提出了基于局部光滑逼近思想的流形学习算法,通过局部线性误差逼近最小化,实现将高维数据映射到低维空间.在FREY人脸数据库上进行降维实验,证明了该方法的可行性和有效性.     

高维多目标优化中基于稀疏特征选择的目标降维方法

目标降维算法通过去除冗余的目标达到简化问题规模的目的,为求解高维多目标优化问题提供了一种新的思路和方法.近似解集的几何结构特征和Pareto占优关系从不同侧面反映了多目标优化问题的内在结构特性,而现有算法仅利用其中一种特征分析目标之间的关系,具有较大局限性.本文提出基于稀疏特征选择的目标降维方法,该方法利用近似解集的几何结构特征构建稀疏回归模型,求解高维目标空间映射为低维目标子空间的稀疏投影矩阵,依据此矩阵度量目标的重要性,并利用Pareto占优关系改变程度选择满足误差阈值的目标子集,实现目标降维.通过与其他已有目标降维算法比较,实验结果表明本文提出的降维算法具有较高的准确性,并且受近似解集质量的影响较小.     

基于高斯增量降维与流形Boltzmann优化的人体运动形态估计

为了从多视角轮廓图像估计出含空间位置信息的三维人体运动形态,该文提出高斯增量降维与流形Boltzmann优化（GIDRMBO）算法.该算法把表示三维人体运动形态的高维数据分成表示空间位置信息和姿态信息两段子向量后,用高斯增量降维模型（GIDRM）分别对其样本进行降维,建立相应的低维空间及映射关系,然后在相应的低维空间使用流形Boltzmann优化算法来对轮廓匹配目标函数进行优化,从而实现估计.其中,所提算法分别利用了两段子向量样本的低维数据作为先验信息,可较好的避免陷入局部最优区域进行搜索,最终生成与各视角原始运动图像匹配且含空间位置信息的三维人体运动形态.经仿真实验验证,所提算法与常用粒子滤波算法相比,其估计误差小,并且还能起到消除轮廓数据歧义和克服短时遮挡的作用.     

数据流聚类算法在数据处理中的应用

基于监测数据进行分析,采用特殊投影和拟合的数据流聚类算法,该算法结合拟用算法和滑动窗口技术进行聚类预处理,掌握数据流的变化趋势。此外,通过桥梁健康监测仿真实验,得出拟合数据具有更高的精确性,分段拟合的数据R2接近1,m为0.890 4＜0.5,解决了高维数据流的降维问题,缩短了数据处理时间,且提高效率39.1以上,占用空间仅为6.7%。     

RX及其变种在高光谱图像中的异常检测

为了提高核RX算法在高光谱图像异常检测中的稳定性,将核矩阵正则化,并提出正则化的核RX算法(rkRX)。将规范化后的正则化RX算法和正则化的核RX算法融合改进,称为融合RX算法(mRX),该算法同时考虑了原始线性空间和高维特征空间的异常检测结果,使异常检测效果更加稳定。在仿真图像和真实高光谱图像的实验中,上述2种算法与原始的RX、正则化RX(rRX)和核RX(kRX)3种算法进行了比较,使用了双窗口技术和核主成分分析(KPCA)进行特征提取和基于高阶统计量的特征选择作为预处理来降低数据维数,并在未降维数据上比较上述5种算法。最后,使用ROC曲线评价检测效果,结果表明:提出的2种算法提高了检测效果并具有一定鲁棒性。     

基于Spark的分层子空间权重树随机森林算法

高维数据的很多特征与类别的相关性弱,影响了随机森林的分类正确率。针对原始随机森林算法在高维数据上的分类问题,提出了一种分层子空间权重树随机森林算法。同时,传统的单机模式无法满足高维数据计算效率的需求,因此利用开源集群计算框架Spark在内存缓存和迭代计算上的优势,将所提算法在Spark上实现。所提算法采用以决策树为单位的分层抽样来生成特征子空间,在提高单棵决策树性能的同时,保证决策树之间的多样性;并且采用权重树的集成策略,使分类能力强的树在集成过程中影响力更大。通过在Mnist和Gisette数据集上的实验结果表明,相比原始随机森林算法、TWRF算法以及分层子空间随机森林算法,所提算法具有更好的正确率,提高了泛化误差性能,可扩展性良好,能够有效分类高维数据。      

基于ESPRIT算法的L型阵列MIMO雷达降维DOA估计

该文针对L型阵列MIMO雷达的2维角度估计问题,基于ESPRIT算法提出两种降维DOA估计方法。首先通过降维矩阵的设计及回波数据的降维变换,将高维回波数据转换至低维信号空间;然后分别基于特征分解和传播算子获得信号子空间的估计,最后利用ESPRIT算法实现2维空间角参量的联合估计及参数的自动配对。算法不牺牲阵列孔径,最大程度地降低了回波数据的维数,具有更低的运算复杂度。仿真结果验证了该文理论分析的正确性和算法的有效性。     

A low-dispersion 3-D second-order in time fourth-order in space FDTD scheme (M3d/sub 24/)

A second-order in time fourth-order in space modified finite-difference time-domain (FDTD) scheme for three dimensional electromagnetic problems "M3d/sub 24/" is presented. The algorithm enables the numerical phase error to be minimized, so that it leads to high accuracy with low resolution grids. The advantage of this method is demonstrated by considering the long distance propagation of the wave radiated from a time harmonic elementary dipole using a low resolution grid, and comparing the results with other FDTD schemes.     

基于ESPRIT算法的十字型阵列MIMO雷达降维DOA估计

该文针对十字型阵列配置下的单基地MIMO雷达2维空间角度估计问题,提出一种基于ESPRIT算法的降维DOA估计算法。算法通过降维矩阵的设计及回波数据的降维变换,将高维回波数据转换至低维信号空间,最大程度地去除了所有的冗余数据;利用矩阵的酉变换进行实数域信号子空间的估计,并基于ESPRIT算法实现2维空间角度的联合估计及参数的自动配对。算法不牺牲阵列孔径,在获取信噪比增益和快拍增益的同时,有效降低了回波数据的维数,具有更低的运算复杂度。仿真结果验证了理论分析的正确性和算法的有效性。     

Estimator learning automata for feature subset selection in high‐dimensional spaces,case study: Email spam detection

One of the difficult challenges facing data miners is that algorithm performance degrades if the feature space contains redundant or irrelevant features. Therefore, as a critical preprocess task, dimension reduction is used to build a smaller space containing valuable features. There are 2 different approaches for dimension reduction: feature extraction and feature selection, which itself is divided into wrapper and filter approaches. In high‐dimensional spaces, feature extraction and wrapper approaches are not applicable due to the time complexity. On the other hand, the filter approach suffers from inaccuracy. One main reason for this inaccuracy is that the subset's size is not determined considering specifications of the problem. In this paper, we propose ESS (estimator learning automaton‐based subset selection) as a new method for feature selection in high‐dimensional spaces. The innovation of ESS is that it combines wrapper and filter ideas and uses estimator learning automata to efficiently determine a feature subset that leads to a desirable tradeoff between the accuracy and efficiency of the learning algorithm. To find a qualified subset for a special processing algorithm that functions on an arbitrary dataset, ESS uses an automaton to score each candidate subset upon the scale of the subset and accuracy of the learning algorithm using it. In the end, the subset with the highest score is returned. We have used ESS for feature selection in the framework of spam detection, a text classification task for email as a pervasive communication medium. The results show achievement in reaching the goal stated above.     

网格计算中一种启发式数据分配算法的讨论

网格是在高速网络环境下解决大区域、高性能、并行计算问题的一种新技术.高性能调度技术是网格核心管理的重要技术之一,它要做的第一步就是在空间上对计算和数据进行分配.本文针对一个简化了的网格计算环境,考虑待处理的数据单元在各聚集中出现的不同频率,提出了一种启发式数据分配算法(HDDA),可以使数据分配在多项式时间内完成并获取较小的通信费用,然后对算法的进行了性能分析,最后对该算法在实际网格中的应用进行了探讨.     

基于自适应波束形成的高维数据挖掘算法

提出一种基于自适应波束形成的高维声传感器网络数据挖掘算法.进行多通道声传感器网络信号的高维信息数据采集和相空间重组,进行信号模型构建,对高维数据信息流进行子空间降维和自适应陷波器降噪滤波处理,采用自适应波束形成方法进行数据的谱峰聚焦和特征提取,实现数据准确挖掘.仿真结果表明,采用该算法进行数据挖掘的准确检测概率较高,抗干扰性能较好,波束旁瓣得到有效抑制.     

基于大数据的智能电网信息调度算法改进

在大数据时代，随着信息技术的发展，电网在运行过程中会产生海量的数据，且数据类型逐渐多样化，这对电网有着更高的要求，需要电网向着数字化、智能化电网转型。文中主要阐述了大数据智能电网信息调度算法，对目前的多种大数据智能电网信息调度算法进行了分析，并对基于大数据的智能电网信息调度算法提出了改进策略。