非监督子空间学习中关联度量多维尺度分析

多维尺度分析已经在维度约减和数据挖掘领域得到了广泛应用。MDS的主要缺点是其定义在训练数据上,对于新的测试样本无法直接获得映射结果。另外,MDS基于欧氏距离度量,不适合获取相似数据中的非线性流形结构。将MDS扩展到关联度量空间,称为关联度量多维尺度分析(CMDS)。与传统MDS在训练数据中完成映射,进而缩小空间范围相比,CMDS 能够直接获得测试样本映射结果。此外,CMDS基于关联度量,能够有效学习相似数据中的非线性流形结构。理论分析表明,CMDS可以利用核方法扩展到新特征空间,解决非线性问题。实验结果表明,CMDS及其核形式KG-CMDS性能优于常用传统降维方法。     

传感器网络中一种基于迭代流形学习的节点定位算法

无线传感器网络(WSN)作为一种全新的信息处理平台,在各种应用领域有着广阔的应用前景,而网络自身定位技术是这些应用的基本支撑技术.首先,简要介绍了流形学习算法的基本概念和WSN节点自身定位模型,提出了一种基于流形学习算法的迭代MDS定位算法(IMDS).该算法中节点应用MDS技术从节点自身及其邻居节点的距离关系提取2维空间上的局部映射(map),并计算邻居节点在局部映射上的相对坐标,通过对局部映射的拼接可以获得网络的全局相对映射,再根据参考节点的坐标来对参考节点进行坐标匹配,从而通过平移,旋转以及镜像等几何方法来估计未知节点的绝对坐标.仿真试验表明,采用IMDS算法定位误差比dwMDS要降低大约15%,运算速度提高大约20%.     

一种基于顺序多维定标的无锚点定位算法的研究

针对经典多维定标无锚点定位(MDS(C))算法在节点定位精度方面的不足,提出了一种基于顺序多维定标的无锚点定位(MDS(O))算法。该算法假定节点对之间的最短路径距离和欧氏距离存在单调性关系,避免了MDS(C)中节点对之间的最短路径距离和欧氏距离线性关系难以确定的缺陷。理论分析和仿真结果表明:MDS(O)能够提高平均定位精度1.04%～38.2%,有效地实现了节点定位。     

基于多维定标的无线传感器网络三维定位算法*

在森林防火、目标追踪、灾难预警、环境监测等应用中,需要通过定位算法对无线传感器节点进行三维定位。提出一种基于多维定标的无线传感器网络三维定位算法,结合RSS经验衰减模型和最短路径建立相异性矩阵,采用轻量级矩阵分解算法降低相异性矩阵分解的计算复杂性,并利用网络中存在的周期性消息将初始定位信息回送,在后台使用迭代优化算法对初始定位结果求精。仿真实验表明,在测距误差一定的情况下,该算法能够提高节点三维坐标的初始计算精度,经过集中式的优化求精后与MDS-MAP算法相比,能够明显地提高节点三维定位的精度。     

无线传感器网络中一种基于多维定标的迭代定位算法*

针对基于经典多维定标的MDS-MAP算法在定位精度与矩阵计算复杂度方面的不足,提出一种基于多维定标的迭代定位算法.该算法仅使用节点间的一跳距离,通过新的多维定标的迭代算法进行定位.该算法复杂度不高,理论分析和仿真结果表明,在规则网络中定位误差较小,最优情况下误差可以小于5%,在非规则网络中仍可达到较好的定位精度.     

基于多维标度的动态网络选择算法

异构无线网络的网络选择问题中,除了考虑多属性的网络参数外,还需考虑无线信道的时变性特征。针对这两个考虑因素,提出了一种基于多维标度的新的动态网络选择算法,可将多属性判决的网络选择问题近似转化为一个低维的拟合构图,并能反映不同时刻同个网络的变化。仿真结果表明,在不考虑负载的情况下,提出的算法能有效地选择出适合于移动终端当前业务的网络,并能在低维坐标系中直观地观察网络间的区别。     

心理测试中掩饰行为的识别研究

脑电（Electrocorticogram,EEG）信号能够正确地揭示人的心理活动,因此被广泛地运用到心理测试中。提出了一种基于EEG信号的非线性特征融合方法,对受试者在心理测试中是否存在掩饰行为进行识别。对心理测试过程中受试者的EEG信号进行预处理,提取各通道信号的Lempel-Ziv复杂度LZC、样本熵SE、排列熵PE和模糊熵FE四种非线性特征;使用多维尺度分析（MDS）对所得的四种特征的不同特征组合进行融合和降维操作。针对不同特征组合,采用正则化核函数极限学习机构建分类模型并通过测试集验证分类模型的性能。实验结果表明,分类模型准确率能达到82.9%,证明了该方法的适用性。     

On a Connection between Kernel PCA and Metric Multidimensional Scaling

In this note we show that the kernel PCA algorithm of Schölkopf, Smola, and Müller (Neural Computation, 10, 1299–1319.) can be interpreted as a form of metric multidimensional scaling (MDS) when the kernel function k(x, y) is isotropic, i.e. it depends only on x – y. This leads to a metric MDS algorithm where the desired configuration of points is found via the solution of an eigenproblem rather than through the iterative optimization of the stress objective function. The question of kernel choice is also discussed.     

复数多维标度移动定位算法

基于多维标度（Multidimensional Scaling,MDS）的定位算法,利用移动站与多个基站两两节点间距离的相关性对移动站进行定位,其高稳健性近年来已被证实。但是其性能有限,即使在测量噪声很小的情况下MDS算法也无法达到克拉美罗下界（CRLB）。本文提出了一种新颖的基于TOA（time of arrival）定位方法的复数MDS方法。不同于经典多维标度算法,这种算法并不需要对标度生成矩阵进行奇异值分解,而是对本文定义的一个复数距离矩阵进行奇异值分解获得更多信息从而得到更好的性能。本文对该算法进行了计算机仿真,并与另外几种定位方法做出比较。     

Comparative aspects of software complexity metrics and program modules — a multidimensional scaling approach

A multivariate statistical procedure called multidimensional scaling is used to study the relationship of various software complexity metrics and program modules. The program modules that make up a software system are analysed and their effects towards the overall characteristics of a software are viewed. This multidimensional scaling technique is applied to a sample data set. The scaling procedure clustered the similar and dissimilar software complexity metrics. Program modules with low complexity and few errors clustered together, while modules which were complex were isolated. This technique shows promise in the identification of complex modules that potentially contain disproportionate errors prior to the testing phase. The ability of the scaling techniques to cluster similar and dissimilar characteristics is explained and graphically presented.     

Image Manifolds which are Isometric to Euclidean Space

Recently, the Isomap procedure [10] was proposed as a new way to recover a low-dimensional parametrization of data lying on a low-dimensional submanifold in high-dimensional space. The method assumes that the submanifold, viewed as a Riemannian submanifold of the ambient high-dimensional space, is isometric to a convex subset of Euclidean space. This naturally raises the question: what datasets can reasonably be modeled by this condition? In this paper, we consider a special kind of image data: families of images generated by articulation of one or several objects in a scene—for example, images of a black disk on a white background with center placed at a range of locations. The collection of all images in such an articulation family, as the parameters of the articulation vary, makes up an articulation manifold, a submanifold of L ². We study the properties of such articulation manifolds, in particular, their lack of differentiability when the images have edges. Under these conditions, we show that there exists a natural renormalization of geodesic distance which yields a well-defined metric. We exhibit a list of articulation models where the corresponding manifold equipped with this new metric is indeed isometric to a convex subset of Euclidean space. Examples include translations of a symmetric object, rotations of a closed set, articulations of a horizon, and expressions of a cartoon face. The theoretical predictions from our study are borne out by empirical experiments with published Isomap code. We also note that in the case where several components of the image articulate independently, isometry may fail; for example, with several disks in an image avoiding contact, the underlying Riemannian manifold is locally isometric to an open, connected, but not convex subset of Euclidean space. Such a situation matches the assumptions of our recently-proposed Hessian Eigenmaps procedure, but not the original Isomap procedure.     

无线传感器网络的一种多维标度绝对定位算法

由于测距误差的存在,锚节点在网络中的分布和部署密度对节点绝对定位的精度会产生一定的影响。尤其是在锚节点分布不均的情况下,算法难以实现高精度定位要求。为解决这个问题,探讨了Householder变换在无线传感器网络定位中的应用,并且将提出的绝对定位方法应用到多维标度定位中。实验结果表明,改进的算法可以降低锚节点分布对定位精度造成的不利影响,与原算法相比提出的算法有更低的时间开销和更好的定位精度。     

一种多权值神经元覆盖网络的构造方法

仿生模式识别利用多权值神经元覆盖网络构造模式类的覆盖来进行相应事物的识别.但在构造多权值神经元覆盖网络的过程中,关于构造神经元个数的确定方法没有相关讨论,即需要使用多少个神经元才能完成对模式类的覆盖.较多的神经元在精确的对模式类进行覆盖同时,也增大了网络的复杂度.文中提出了一种多权值神经元覆盖网络的构造方法.在保持神经网络对模式类的覆盖能力的基础上采用尽量少的神经元,从而能有效的降低神经网络构造代价.最后,通过实验作者验证了算法的有效性.     

降维空间视觉认知增强的多维时变数据可视分析方法

针对多维时序数据可视分析过程中降维算法表现出的局限性,提出一种降维空间视觉认知增强的多维时序数据可视分析方法.在多维标度算法的基础上,通过正交变换使不同时间步投影点的偏移最小化,帮助用户对感兴趣的时间模式进行有效的视觉认知及追踪;为避免投影点之间的相互遮挡,引入六边形对投影空间进行划分,增强用户对降维空间特征的视觉认知和交互;进而引入层次聚类方法对投影点进行聚类分析,帮助用户快速感知多维数据之间的关联关系;最后设计面向聚类特征时序演变的分组动画策略,突出相邻时间聚类特征的演化特点和时序模式.集成上述可视化方法,开发面向多维时序数据可视分析原型系统,通过经济统计数据、空气质量监测数据的实例分析,进一步验证该系统的有效性和实用性.     

弱监督分层深度学习的车辆识别算法

针对已有分类器在结构形式和训练方法的不足,构建了一个以二维深度置信网络（2D deep belief networks,2D DBN）为架构的弱监督分层深度学习车辆识别算法。首先,将传统一维的深度置信网络(Deep belief networks,DBN)扩展成2D-DBN,并构建相应分类器结构,从而能够直接以二维图像像素矩阵作为输入; 其次,在传统无监督训练的目标函数中,引入了一个具有适当权重的判别度正则化项,将原有无监督训练转化为带有较弱监督性的弱监督训练方式,从而使提取的特征较传统无监督特征更具判别性。多组对比实验表明,本文所提算法在识别率等指标上要优于已有深度学习算法。     

基于深度卷积神经网络的多任务细粒度车型识别

车型识别,尤其是细粒度车型识别是现代智能交通系统的重要组成部分。针对传统车型识别方法难以进行有效的细粒度车型识别的问题,以AlexNet、GoogleNet 及ResNet 等3种经典深度卷积神经网络架构作为基础网络,引入了车辆的类型分类作为辅助任务,从而与细粒度车型识别任务一起构成了一个多任务联合学习的模型。通过在一个包含281 个车型类别的公开数据集上对模型进行训练及测试,在无需任何车辆的部件位置标注及额外的3D 信息的情况下,验证了该模型在在细粒度车型识别任务上表现出的优异性能,同时多任务学习策略的引入可使得模型性能相比任一单任务学习时的性能均有所提高,最终实现了一个简洁高效的细粒度车型识别模型,基本满足实际应用需求。     

基于残差网络的小型车辆目标检测算法

城市道路中车辆检测与识别对于提升交通安全,发展智能化交通具有非常重要的意义。传统的检测方式依赖于人工提取的特征,已难以适用于复杂多变的交通场景,存在识别精确度低、时间复杂度高等缺陷。深度学习模型可以自动提取有用特征,泛化能力强,但难以对相似型车辆进行更加精细的分类,为此提出一种基于残差网络的小型车辆目标检测算法。算法将传统卷积神经网络的连接形式改为一种基于局部连接和权值共享的残差连接模式,同时更改网络结构控制参数数量,将图片不同层次的特征融合计算,应用感兴趣区域池化层规格化前层特征,最后经过分类层和回归层得到目标框的置信度以及修正参数。实验表明,改进模型能够在保证时间效率的前提下增强网络的学习能力,提高平均精度,在相似小型车辆的检测问题上取得了良好的检测结果。     

面向GDP数据时空多维属性的可视分析方法

国内生产总值是经济统计的核心指标,文中提出面向国内生产总值数据时空多维属性的可视分析方法.利用多维标度法对不同时空维度多维属性进行降维,支持用户交互选择时空维度和参与相似度计算的多维属性;利用环状饼图展示产业结构的比例关系,设计垂直指针定位优势产业并动态表达产业结构的变化趋势;利用圆状堆叠图呈现各个产业产值及占比的时序变化信息,堆叠图的绘制顺序进一步提示产业结构的更替特征.设计内圆、中环、外环的可视化模式,实现面向国内生产总值数据时空多维属性的可视分析系统,利用方便而快捷的交互手段关联上述可视化方法,为用户提供快速探索经济统计数据中产业结构时空特征模式的工具.最后通过大量的可视化效果及用户体验结果,进一步验证了文中方法的有效性和实用性.     

基于距离重构的无线传感器网络多维定标定位算法

无线传感器网络中基于多维定标的定位算法通常采用最短路径代替距离矩阵中的未知项,会导致较大的定位误差。针对这一问题,提出一种基于距离矩阵重构的无线传感器网络多维定标定位算法DR-MDS。算法利用节点间的公共邻居信息对距离矩阵线性重构,计算距离矩阵中的未知项,然后对重构的距离矩阵运用双中心化并进行特征分解,从而求得网络坐标。由于算法能够更为准确的获得网络节点之间的空间相对关系,并充分利用其空间相关性计算节点相对坐标,可获得较好的定位效果。仿真结果表明,本文提出的DR-MDS算法与MDS-MAP、ISOMAP相比定位精度更高,误差范围更小。