基于PCA的高维流式数据聚类算法

本文的基于PCA的高维流式数据聚类算法是在D-Stream算法的基础上提出来的。首先,从基本原理上分析了D-Stream算法在高维网格划分时,存在着大量计算,影响算法效率;其次,对于高维数据本身而言,存在着数据高维稀疏的特性;最后,本文采用PCA降维与滑动窗口技术相结合的思想来改进D-Stream算法,并通过仿真实验证明了算法的可行性。     

无监督特征选择算法的分析与总结

高维无标记数据的出现不仅使数据处理的时间和空间复杂度增加,同时还会使训练模型出现过拟合,因此对高维无标记数据降维变得越来越必要。特征选择是数据降维的有效方法,本文给出了几种具有代表性的无监督特征选择方法,并指出了这些算法的优缺点,为进一步研究基于无监督的特征选择提供了理论基础。     

粒子群优化算法在结构参数识别中的应用

利用PSO算法将系统识别问题转化为高维多模优化问题,进行结构参数识别的研究。PSO算法是一种新颖的随机搜索进化算法,通过采取全局优化的策略确保算法得到优化问题的最优解。在输入输出数据不完备且含真实的噪声污染,以及系统质量、刚度等先验信息又缺乏的情况下,利用将基于该算法的识别方法应用于一个真实结构,验证基于PSO算法的识别方法在真实结构系统识别中的有效性。     

单个构件当前抗力的信度推断方法

在既有结构的可靠性评定中,目前对单个构件当前抗力的推断并没有明确的方法,为此分别提出了基于几何参数、材料性能测试结果和基于相关性分析的推断方法。两种方法均考虑了既有构件的特点、几何参数和材料性能的信息以及测量不确定性、空间不确定性对测试结果的影响,第二种方法还充分利用了与抗力相关的刚度、挠度、裂缝宽度等其他方面的信息,使构件抗力的推断建立在更充实的信息基础上。实例分析的结果表明,在测试结果相同的情况下,采用基于几何参数、材料性能测试结果的推断方法可得到更有利的抗力推断结果,采用基于相关性分析的推断方法可正确反映刚度等对抗力推断结果的影响。     

面向高维数据的随机森林算法优化探讨

面向高位数据的随机森林算法属于数据挖掘领域中的一部分内容,做好随机森林算法的优化工作,对于高维数据的分析及处理效率的提高有着极大的促进作用。文章主要论述的便是有关这方面的内容。首先,文章针对随机森林算法的定义及其泛化误差进行了简要的概述,继而在此基础上分析了高维数据的可视化及基于随机森林的有监督降维技术,最后,文章对整个实验的结果进行了分析,得出了最终优化结论,希望能够为数据挖掘领域提供具有参考价值的意见,同时也为面向高维数据的随机森林算法优化奠定坚实的基础。     

有限数据条件下空间变异岩土力学参数随机反演分析及比较

现场和室内试验数据通常非常有限,基于有限数据难以确定岩土力学参数统计特征。随机反演方法可为有限数据条件下岩土力学参数统计特征及概率分布推断提供一条有效的途径。发展3种可解释岩土力学参数空间变异性的参数随机反演方法(DREAM_((zs))、BUS和aBUS),并从随机样本产生方式、收敛判据、模型证据和后验失效概率计算等方面对这3种方法的基本原理进行比较。最后,通过2个边坡案例对这3种方法的收敛性、计算精度和效率等进行了系统比较,进而总结了针对不同岩土力学参数随机反演问题应优先推荐使用的方法。结果表明:DREAM_((zs))方法对于低维问题计算精度和效率高。BUS方法在子集模拟运算之前需要提前确定似然函数乘子取值,适合分析考虑参数空间变异性和似然函数计算量较大的高维问题。aBUS方法不依赖于似然函数乘子取值,并且计算精度较高,适合求解考虑参数空间变异性和似然函数计算量相对较小的高维问题,但是该方法需要耗费一定的计算量来定量地判断计算是否收敛。     

基于有限元模型和不完备模态测试信息的结构损伤识别方法研究

本文在有限元模型的基础上,建立了一种基于不完备模态测试信息的损伤识别方法。采用Levenberg-Marquardt非线性最小二乘算法对建立的杆系结构损伤识别方程进行求解,并通过一拱桥的数值计算结果表明,该方法可以同时进行结构的损伤定位和定量研究,在测试数据不完备及一定数据噪声水平条件下,本文的方法仍有较好的损伤识别能力。     

基于Lasso和模糊互信息多标记特征选择算法

本文提出一种基于Lasso和模糊互信息多标记特征选择算法。本文所提的算法在6个多标记数据集上进行了测试,实验结果和统计假设检验说明本文算法是有效的。     

基于改进YOLOV3算法的遥感图像油罐检测

针对遥感图像中的油罐检测问题,借鉴深度神经网络的思想,提出了一种基于改进YOLOV3算法的图像检测方法。首先在原有YOLOV3算法框架中添加空间变换网络(spatial transformer networks,STN),使其成为具备空间变换学习能力的模型;然后通过k-means聚类算法对数据集进行分析,重新设计初始候选框大小;最后训练和测试网络,建立包含9 724个油罐目标的遥感图像数据集。实验结果表明:改进的YOLOV3算法具有良好的性能,在测试集中的召回率可达到95.64%,比原算法提升了3.52%;准确率可达到93.92%,比原算法提升了2.81%。     

基于核矩阵降维算法对药物不良反应的预测

药物不良反应(drug adverse reactions,ADRs)的早期准确鉴定对药物研发和临床用药安全具有重要的实际意义。基于计算机辅助预测药物的不良反应已经引起了越来越多的重视。将一种核矩阵降维(kernel matrix dimension reduction,KMDR)算法应用于药物不良反应的统计预测中,考察该方法在药物不良反应上的预测性能。通过与其他两种参考算法在相同标准数据集上进行交叉验证和独立测试的计算实验表明,KMDR算法是一种值得推广的预测药物不良反应的候选统计算法。