非平衡化标签补全核极限学习机多标签学习

目前众多的研究者通常直接将标签置信度矩阵作为先验知识直接加入到分类模型中,并没有考虑未标注先验知识对标签集质量的影响.基于此,引入非平衡参数的方法,将先验知识获得的基础置信度矩阵进行非平衡化,从而提出一种非平衡化的标签补全的核极限学习机多标签学习算法（KELM-NeLC）：首先使用信息熵计算标签之间的相关关系得到标签置信度矩阵,然后利用非平衡参数方法对基础的标签置信度矩阵进行改进,构建出一个非平衡的标签补全矩阵,最后为了学习获得更加准确的标签置信度矩阵,将非平衡化的标签补全矩阵与核极限学习机进行联合学习,依此解决多标签分类问题.提出的算法在公开的多个基准多标签数据集中的实验结果表明,KELM-NeLC算法较其他对比的多标签学习算法有一定优势,使用统计假设检验进一步说明所提出算法的有效性.     

基于Hilbert-Schmidt独立准则的多标签学习算法

与传统二分类或多分类的单标签问题不同,多标签问题研究中一个目标可能与多个标签相关联,标签之间丰富关系的存在导致对多标签问题的分析研究更加复杂。针对如何利用特征与标签、标签与标签之间的关系的问题,文章提出了基于Hilbert-Schmidt独立准则的多标签学习算法。该方法利用Hilbert-Schmidt独立准则评估特征和它的标签之间关联性并对其进行改进,采用多项式核函数代替线性核函数来衡量特征和标签的相关联性,考虑到不同标签对分类的贡献不同,加入标签权重矩阵。实验证明,文章研究的算法可以提高多标签分类的性能。     

基于标签重构的弹载毫米波距离像识别算法

毫米波引信通过发射宽带信号获得目标的精细结构信息,然而在非合作目标的探测与识别过程中,由于缺乏目标的类别信息,大量的目标样本无法得到充分的利用。针对这一问题,将基于拉普拉斯得分(LS)的监督特征选择算法推广到半监督情况,得到基于标签重构的拉普拉斯得分算法(LRLS),并应用到非合作目标的识别中。LRLS的理论框架与LS相同,并利用标签重构技术获得半监督情况下的图拉普拉斯矩阵。为了更好地描述高维目标样本的相似性,在标签重构的过程中使用测地距离代替欧氏距离。实验结果表明,相对于传统的特征选择算法,LRLS能够得到更好的识别效果。     

融合注意力机制的多标签文本分类

多标签文本分类的结果很大程度上受到标签相关性的影响.为了更加细致地处理标签相关性问题,提出一种融合注意力机制的多标签文本分类方法.首先,将文本和标签预处理后,对标签输入采用两种不同的嵌入方式提取特征;其次,运用注意力机制处理信息,针对文本和标签信息,自注意力机制进行特征处理,标签注意力机制和交互注意力机制进行依赖关系处理,进而得到两种不同状态下的表示方式;最后,通过两次融合,充分表示文本标签信息,得到较好的标签分类结果.实验结果显示,较之于基线方法,在精度和归一化折损累计增益上,该方法数据总体有所提高.由此,该方法可以有效地融合文本和标签信息,缓解标签相关性问题,有利于提升多标签文本分类任务性能.     

基于子空间学习和伪标签回归的无监督特征选择

信息技术的快速发展产生了大量无标签高维数据。为了能够更好地处理这些数据,提出了一种基于子空间学习和伪标签回归的无监督特征选择方法。首先,从矩阵分解的角度将子空间学习和特征选择结合在一个框架中,2,1〗范数保证稀疏,在寻找原始数据空间低维表示的同时进行特征选择;其次,利用回归函数来学习特征子空间和伪标签之间的映射关系,利用伪标签和回归函数来指导无监督特征选择,以使选择出来的特征更具判别力;最后,通过引入图拉普拉斯来挖掘隐藏在样本空间和特征空间的局部结构信息。在六个公开的数据集上进行了实验,实验结果表明该方法要优于其他几种先进的无监督特征选择算法。      

基于自适应领域粗糙集的多标签在线流特征选择

多标签特征选择指在多标签场景下选出代表性属性.已有的多标签特征选择方法大多集中在事先获得全部特征空间,而没有考虑流式特征情况.随着时间的推移,这些特征不断地流入模型中.此外,一些流方法需要在学习之前指定参数.因此,在训练不同类型数据集之前,如何选取统一和最优参数成为一种难题.基于此,本文定义自适应邻域粗糙集关系-Gap...     

基于空间注意力与图卷积的多标签图像分类算法

针对传统多标签图像分类模型存在难以生成更接近相关标签的高层图像特征,以及因未能利用标签之间的视觉相关性而导致的识别精度不够高等问题,提出了一种基于空间注意力与图卷积的多标签图像分类算法.首先,利用图卷积网络学习标签邻接图特征和使用GLOVE算法,从标签序列获取的标签嵌入;其次,在高层语义信息中引入改进的空间注意力网络以...     

基于标签特定特征的多目标回归稀疏集成方法

多目标回归学习是指同时学习多个相关的回归任务,其主要挑战来自于对输入要素和输出目标变量之间的基础关系进行建模以及对目标间的相关性进行探索.针对这两个挑战,本文提出了一种基于标签特定特征的多目标回归稀疏集成方法,通过探索目标间的相关性,为每个目标构建其独特的标签特定特征,提高算法整体的预测精度;同时设计一种稀疏性聚合函数对不同的回归方法进行集成,从而处理输入与输出间的复杂关系.在18个数据集上与有代表性的多目标回归方法进行对比实验,充分证明了本文方法的有效性与竞争性.     

基于标签关联的多标签演化超网络

针对多标签学习中如何有效挖掘利用高阶标签关联的问题,提出了一种基于标签关联的多标签演化超网络模型.该模型通过输入任意多标签学习方法的预测结果,利用超边表征挖掘高阶标签关联,并综合标签关联和特征信息作为最终的预测结果.与3种传统多标签学习方法在6个多标签数据集上的对比实验表明,本文提出模型不仅能够有效提升多个传统多标签学习方法的性能,而且能够提供具有良好可读性的学习结果.     

基于有监督判别投影的网络安全数据降维算法

针对传统流形学习在数据降维时不考虑原数据类别和聚类程度低的缺陷,提出了一种有监督判别投影(SDP)的流形学习降维算法来改善网络安全数据降维效果.在近邻矩阵基础上,利用数据集的类别标签信息,构建有监督判别矩阵,变无监督流形学习为有监督学习,寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间,保证了降维投影...     

人脸识别中基于线性判别分析的边信息方法

在非限制环境下,人脸识别数据库上评估时由于无法获得所有对象完整的类标签信息,只能得到弱标签信息,使得许多人脸识别算法将无法工作。为了解决此问题,本文提出了一种基于线性判别分析的边信息方法,即加权SILD( Side-Information based Linear Discriminant)方法WSILD,只利用边信息就可以很好地工作,其中,类内和类间散布矩阵直接利用边信息计算出来。在美国国防部人脸识别技术FERET及耶鲁大学人脸数据库Yale上的实验支撑了算法的理论分析。当本文提出的WSILD方法使用了多种特征时,与最先进的方法相比,也取得了更好的人脸识别效果。     

多分类器融合的快速高维特征聚类图像分割

提出一种多分类器融合的快速高维特征聚类图像分割方法,将图像高维特征数据的分类分解为基于灰度(颜色)特征的最佳模糊分类以及基于空域约束的统计分类等多个低维特征数据的分类.通过多分类器融合的方法将不同分类器得到的分类结果进行优化整合,得到最后的分类结果.实验证明:与其它图像分类算法相比,该方法拥有更好的分割性能并大大提高了计算速度,最大限度地保证了分割算法计算的简单有效性.     

基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计

多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算法要求缺失数据随机分布于不完整的矩阵中,无法适用于整行缺失数据的恢复问题。为此,提出了一种基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计方法。首先,通过奇异值分解(Singular Value Decomposition,SVD)降低虚拟阵列输出矩阵的维度,以减少计算复杂度。然后,对降维数据矩阵建立基于块Hankel矩阵正则化的低秩矩阵填充模型,在该模型中将MIMO雷达降维数据矩阵排列成块Hankel 矩阵并施加Schatten-p 范数作为正则项。最后,结合交替方向乘子法(Alternate Direction Multiplier Method,ADMM)求解该模型,获得完整的MIMO雷达降维数据矩阵。仿真结果表明,所提方法能够有效恢复降维数据矩阵中的整行数据缺失,具有较高的DOA估计精度和实时性,在阵元故障率低于50.0%时DOA估计精度优于现有方法。     

一种基于类别的混合型文本特征降维

提出了一种基于特征选择和特征抽取的混合型文本特征降维方法.通过一种改进的优势率方法进行初次特征选择,将文本表示为以类别属性为行向量的矩阵形式;再使用一种改进的最大散度差特征抽取方法进行二次特征抽取.在最大限度减少信息损失的前提下实现了文本特征的二次降维.对中文文本的分类实验结果表明,提出的特征降维方法具有良好的分类效果.     

时间约束NMF算法及其在脑动态功能网络降维中的应用

为了保证高维数据中的时间属性在降维过程中得以保持,提出了一种时间约束非负矩阵分解算法（Time constraint Non-negative Matrix Factorization,TNMF）。该算法通过融合时间序列信息、数据维度,分解误差等约束条件,共同构建时间属性约束模型,计算最优基矩阵维度,能在降维的同时最大限度地保留原始高维数据的空间结构和时间序列信息。将其用于脑动态功能网络降维的实验结果表明,该算法在时间特征提取、聚类可视化效果和聚类指标上明显优于目前常用的降维聚类算法。      

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.     

基于标签传播算法的海面漂浮小目标检测方法

在高分辨体制下海杂波与海面小目标具有复杂的特性,特别是对于雷达散射截面积较小的海面漂浮目标,传统的检测方法性能不佳。为了突破临界信杂比情况下的检测性能,可以提取雷达回波的一种或者多种特征,从而进行特征检测,该方法是实现临界信杂比情况下有效检测的重要途经。目前,在3维及以下的特征空间中可以使用凸包学习算法计算判决区域并有效地控制虚警概率,但是在3维以上的特征空间中凸包学习算法计算复杂度提高,难以进行检测。针对这个问题,该文提出一种基于标签传播算法的海面小目标检测方法,它突破了凸包学习算法的维数限制和决策域必须为凸集的形状限制,能够在高维特征空间进行检测并有效地控制虚警。经过实测数据集验证,基于标签传播算法的海面小目标检测方法在0.512 s和1.024 s的观测时间内分别获得了88.4%和92.0%的检测概率,相比于基于K近邻(KNN)的检测器有了3.3%和2.8%的检测概率提升。     

SCEA:一种适应高维海量数据的并行聚类集成算法

针对传统串行聚类集成算法在处理高维海量数据时效率低下的问题,提出基于Spark的并行聚类集成算法SCEA(Spark based Clustering Ensemble Algorithm).首先,通过主成分分析与成对约束结合的方法对算法输入数据进行预处理,达到数据降维并去除特征相关性的目的;其次,通过调用不同聚类算法获得基聚类成员后,采用三元组方法通过基聚类成员的簇标签构造出相似度矩阵,并调用层次聚类算法得到最终的聚类结果;最后,在调用MLlib中已有聚类算法的基础上,基于Scala对SCEA算法进行了实现.将SCEA与同类算法在多组数据集下进行对比测试,实验结果表明:总体上SCEA不仅较已有算法在准确率方面有所提高,并且通过分析运行时间、加速比以及可扩展性3个性能指标,证明了SCEA在算法性能上的优越性.     

时频域混合的融合多特征协方差矩阵目标识别算法

基于特征融合的目标识别中,为了有效选择融合特征,提高目标识别率,如何权衡所选择的特征间的相关性、选择有效的特征融合策略是其中的关键问题.为了解决军事目标在畸变情况下的快速正确识别,提出了多特征协方差矩阵目标识别方法,与经常采用的单一特征目标识别方法相比,该方法具有数据维数更低,特征间相关性更小的优点.该方法分为如下几个步骤:首先,针对同一目标分别提取几组特征并建立各自的特征向量;然后,利用特征向量构建协方差矩阵;最后,利用提出的归一化的fisher判别方法进行模式分类,并将其用于多姿态目标识别.在哥伦比亚大学的coil-20图像库上进行试验,获得了99.54%的平均识别率,试验结果同时证明了算法具有很强的鲁棒性.     

融合标签关联关系与用户社交关系的微博推荐方法

通过分析微博特点及现有微博推荐算法的缺陷,提出一种融合了标签间关联关系与用户间社交关系的微博推荐方法.采用标签检索策略对未加标签和标签较少的用户进行加标,构建用户-标签矩阵,得到用户标签权重,为了解决该矩阵中稀疏的问题,通过挖掘标签间的关联关系,继而更新用户-标签矩阵.考虑到多用户之间社交关系对挖掘用户兴趣并进行微博推荐的重要性,构建用户-用户社交关系相似度矩阵,并与更新后的用户-标签矩阵进行迭代,得到最终的用户兴趣并进行相关推荐.实验证明了该算法针对微博信息推荐是有效的.