迁移极限学习机及其在域自适应问题的应用

基于极限学习机理论,提出1种针对域迁移问题的改进型极限学习机算法(domain transfer extreme learning machine,DTELM),在减小源域S和目标域T的分布距离的同时,利用自编码器原理,尽可能多地保留目标域的原始数据结构,使其数据可分性不受破坏,从而能够有效地解决域自适应的数据分类问题。通过在真实数据集上的实验,将所提算法与已有的域自适应算法比较,验证了其有效性。     

基于谱回归的边缘Fisher分析维数约简算法

提出了1种基于谱回归的边缘Fisher分析模型,通过将MFA优化模型转换为谱回归问题实现样本数据的特征提取;并分别提出了线性维数约简和基于核函数的非线性维数约简算法,训练算法同时具备谱回归和MFA的优点,能够充分利用数据集的流形结构和类别信息,解决原始数据非高斯分布条件下的高效维数约简问题。在标准数据集上的实验结果表明,与同类方法相比,所提方法不仅提高了维数约简的性能,而且减少了算法运行时间。     

TopN推荐系统的差分隐私保护研究

提出了1种基于差分隐私保护的TopN协同过滤推荐算法—DP-TopN算法,使用Laplace噪音机制分别对推荐过程的数据预处理部分和用户评分部分进行随机扰动,并对推荐算法步骤进行调整,使得整个推荐过程满足差分隐私模型,从而达到保护用户隐私安全的目的。通过在真实数据集上进行的实验和理论分析表明,所提算法能在满足精确推荐的同时有效地保护用户的个人隐私。     

一种新的鲁棒无监督显著性目标检测方法

针对传统无监督图像显著性目标检测鲁棒性不强、学习算法复杂度高的问题,提出了一种新的鲁棒无监督显著性目标检测方法——三元结构化矩阵分解目标检测。该方法利用低秩矩阵三元分解降低奇异值分解(singular value decomposition)的算法复杂度,结合高层先验知识,提升复杂背景下的显著性目标检测性能。通过分层稀疏正则化和构造索引树,解决显著图的细节缺失问题。在3种标准多目标数据集上对主流无监督显著性目标检测方法进行了实验对比,结果表明,所提方法学习时间最多可以降低40%,并且F-measure指标在超过50%的阈值范围内鲁棒性优于当前最好的无监督检测算法。     

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。     

基于卷积神经网络的光学遥感图像目标检测

针对光学遥感图像中的目标检测问题,提出了1种基于卷积神经网络模型的算法,对遥感目标检测任务进行端到端的训练和检测,根据输入的光学遥感图像,直接输出目标包围盒的回归结果和置信度。为训练和测试模型,建立了1个包含1万多个飞机、舰船目标以及广泛复杂背景的数据集。所提算法在其测试集上达到了超过90%的准确率和召回率,在GPU上的运行速度也接近实时,体现了算法准确、高效、鲁棒和易于训练的特点。     

基于稀疏重构编码的图像检索算法

针对现有方法在哈希函数构造过程中没有考虑数据的稀疏结构,提出了一种基于稀疏重构的哈希函数学习方法。利用相似点的l_(21)范数对重构系数进行了稀疏约束,以增强局部保持映射过程中的判别性,并构建拉普拉斯矩阵进行局部邻域关系的约束,在调和协方差矩阵和最小化数据的重构误差间建立了一种平衡机制。从特征所在的空间与经映射后的汉明空间的可判别性角度出发,对哈希函数构造过程中的内在要求和约束同时进行了考虑并综合权衡。采用公共图像检索数据集Caltech-256进行实验,实验结果表明:32位编码长度时,本文算法的检索精度比其他无监督的深度哈希算法至少提高了4.69%。     

组合数据加密技术在资金管理系统中的应用

分析了密码学的两种密码算法———传统密码体制的代表DES算法和公开密钥密码体制的代表RSA算法各自的优缺点 ,并结合哈希算法 ,提出了一种数据加密方式———DES、RSA和哈希算法的混合加密以保证网络数据安全     

结合稀疏表示和邻域互信息的类属属性学习

本文首先采用最小二乘法回归作为目标函数,通过添加L1正则化稀疏表示特征。通过邻域互信息将各标记的类属属性进一步约简。为验证本文所提算法性能,采用5个先进多标记算法在6个多标记基准数据集上与本文算法进行对比实验,结果说明本文算法的有效性。     

三相不平衡状态下考虑DG和EV群不确定性的配网动态重构

为解决含源配电网在三相不平衡状态下的多目标日前动态重构问题,提出了一种基于仿射数的有源配电网多目标日前动态重构策略。首先,引入仿射数来描述分布式电源出力、电动汽车充电负荷和节点负荷的不确定性,以有功网损、电压偏差和负载均衡度为目标函数,对配电网在三相不平衡情况下的动态重构问题进行建模;然后,以小时为重构时段单位,采用改进的基于Pareto熵和平行网格的自适应多目标粒子群算法来获取静态重构解;最后,提出一种基于马氏距离和目标期望度的重构时段划分方案,对时段进行再次划分,直到满足开关动作约束。通过IEEE-123节点系统对所提方法进行验证,结果表明,所提算法能够将网损、节点电压偏差和负载均衡度分别降低62.21%、24.92%和46.44%,并将重构时段划分至最少。