加权成对约束投影半监督聚类

为了充分挖掘成对约束所隐含的信息来指导数据降维和数据聚类,提出一种基于加权成对约束投影的半监督聚类方法.该方法构造成对约束信息的k最近邻集并扩充成对约束集,分析成对约束实例包含的信息量并构造权系数矩阵,在加权成对约束信息的指导下求得投影矩阵,通过投影矩阵将样本数据投影到低维空间,使类内各点紧密分布,类间各点分散分布.同时,通过一种新的评价函数对k均值聚类算法进行改进,能够在尽量不违反成对约束的情况下优化聚类性能,实验结果表明,与现有半监督降维聚类算法相比,新方法能以较低的开销对高维数据进行聚类．     

基于最小二乘法的判别嵌入式聚类算法

改进判别嵌入式聚类算法,以提高其对高维大样本数据的聚类效率。先利用共轭梯度迭代方法求解以类标号编码矩阵为目标的最小二乘问题,得到数据的变换矩阵,对数据进行降维预处理,再进行判别嵌入式聚类。对数据的降维预处理可减少原算法的时间复杂度,提高聚类效率。     

基于层次聚类和人工免疫的无监督结构故障分类算法

目的利用层次聚类与人工免疫模式识别相结合的方法解决无监督结构健康监测中对结构故障识别和分类的问题.方法通过凝聚型层次聚类实现样本数据的分类,通过模仿生物免疫识别和学习机理来训练记忆细胞集合,进而实现对结构故障的识别与分类.结果在benchmark结构模型上的仿真实验测试结果表明在抗原样本数据中采用凝聚型层次聚类和方法能够成功地确定抗原样本数据的模式数目,继而采用人工免疫模式识别算法对实测数据进行模式识别与分类,分类成功率为81%.结论基于层次聚类和人工免疫的无监督结构故障检测与分类算法通过免疫学习和进化产生高质量的记忆细胞,从而有效地识别结构故障模式.     

基于模糊聚类的谷氨酸发酵过程故障诊断研究

结合谷氨酸发酵过程,给出模糊聚类故障诊断的方法和步骤,在获取与掌握先验知识后,找到故障数据的聚类中心,运用对比方法预判故障发生的先兆,达到故障诊断的目标.以谷氨酸发酵过程生产故障为例,仿真结果表明模糊聚类的中心值随故障类别不同而不同,初步实现利用模糊聚类方法对样本数据的多级故障诊断,诊断结果与实际情况相符.     

改进全局 K-Means 聚类算法的汽车行驶工况研究

为有效促进汽车节能减排和新技术发展,文中提出了 一种改进全局K-Means聚类算法的汽车行驶工况构建方法,通过采集城市道路行驶工况的数据并对数据进行预处理,利用主成分分析法和改进的K-Means聚类算法分别对运动学片段中实验数据的12个特征参数进行降维和聚类,拟合出某城市汽车行驶工况.分析结果表明:拟合曲线的汽车运动特...     

工业过程操作优化可视化方法:降维分析法

应用降维分析法把多维空间的样本数据降维映射到二维平面上的同时，可生成目标函数的等值线。由二维平面上的映射图像可展现多维空间数据的拓扑构形和特征。利用映射图像可以直观地剔除异常样本数据、选择优化决策变量和预测最优操作点和优化方向。用实例演示了降维分析法的有效性。     

基于PCA-IAGNES的竹材分类模型研究

探讨竹材材性间的差异,旨在为筛选优质竹材提供理论依据,提出了PCA-IAGNES分类方法。以32个竹材数据集Bamboo Material作为研究对象,采用主成分分析结合非监督IAGNES分类方法对竹材进行聚类分析。结果显示,主成分分析降维后,前6个综合主成分可以代表竹材原始数据85%以上的信息量;将降维后前6个主成分组成的样本数据集运用IAGNES方法进行聚类分析,把竹材分成3类。聚类结果显示,巨龙竹、毛竹、大木竹材等综合性能优异竹材能够明显聚成一类,表明PCA-IAGNES分类模型能够为筛选优异竹材提供研究方法。     

基于模糊关联聚类分析的彩色样本数据选取方法

通过对各种聚类算法的研究比较，提出基于模糊关联聚类分析的CMYK色彩空间数据采样方法，该方法可以充分利用隶属向量中各分量所提供的信息，分类结果更合理，同时，将RGB颜色空间样本数据转换到CIELab均匀颜色空间中，用灰色关联度作色彩相似性的测试，可以更好地指导彩色样本数据的分类。     

基于模糊c-均值与核Fisher判别分析的不平衡数据分类方法

为了解决传统分类方法对不平衡数据集中少数类的识别率较低的问题,提出一种基于模糊c-均值与核Fisher判别分析相结合的分类方法.该方法首先采用模糊c-均值算法对样本数据进行聚类,将聚类后的样本数据映射到特征空间中,再对映射后的样本数据采用核Fisher判别分析算法对数据进行分类.在UCI上选取8个不平衡数据进行仿真实验,就分类性能上与其他5种算法作了比较和分析.实验结果表明采用模糊c-均值与核Fisher判别相结合的方法可以获得较高的识别率,能有效地处理不平衡数据集的分类.     

基于鉴别主成份分析的基因表达数据特征提取

针对高维小样本数据特征提取问题,通过融合主成份分析（PCA）和线性判别分析（LDA）,提出一种鉴别主成份分析方法。通过对PCA主成份进行单个线性判别,选择主要反应类间差异的主成份来构造特征空间。对yeast和NCI基因表达数据的实验结果表明：该方法在降维的同时能获得较好的判别特征,且能避免线性判别分析方法的奇异性。在子空间的聚类识别率相比PCA提高了20％以上,且具有较好的可视化效果,说明了用该方法对高维小样本数据进行特征提取的有效性。     

基于稀疏自编码器和高斯混合模型的手写数据集分类

深度学习模型训练需要大量的有标签数据进行训练,现实生活中数据大多没有标签,需要进行人工标注,对于小样本的训练存在过拟合现象,针对此问题,本文提出一种算法:首先采用稀疏编码器对数据进行降维处理,然后利用T-SNE算法继续将数据维度降低到二维空间,最后采用高斯混合模型对数据进行聚类分析。该算法采用无监督斱法,不需要预先对数据进行标签化。该算法对数据过拟合具有一定的泛化能力,在手写数据集的训练集取得0.89205的准确度,在测试集中取得0.896的精度。该算法为小样本的学习提供了新思路。     

流数据增量式多维可扩展可视化挖掘方法

提出了一种针对流数据的增量式多维可扩展可视化挖掘方法(Incremental multi-di-mension scaling,IMDS),对数据表现的特征形状进行聚类,并且聚类结果会随着时间的推移用动态可视化的方式实时展现。仿真实验表明:本文算法相比传统的MDS(Multi-dimension scaling)算法和简易型SIMPLEX优化算法在流数据挖掘中可以明显地提高可视化挖掘效率和流挖掘效果。     

多元数据的复系数星座图及其优化方法

星座图是多元数据可视化的一种常用方法,具有直观、形象的特点,可以通过调整权系数来对数据进行交互式挖掘。但是传统的星座图缺乏自动调整权系数的较好方法,因而限制了其在可视化数据分析和模式识别的进一步应用。本文将传统的实系数星座图推广为复系数星座图,并且提出了基于复线性判别分析算法对星座图权系数进行自动优化的方法。对4个数据集的实验结果表明,复系数星座图可以较好地表达高维数据的结构关系,并且可以和有关机器算法结合对数据进行可视化分析。     

计算机图形学在旋转机械故障诊断中的应用

多测点,多角度监测机器的运行状况是进行机械设备状态监测及故障诊断的关键。以三维全息谱为例详细地介绍了怎样运用计算机图形学的知识,将多个传感器测取的信号响应合成三维立体图像,为正确的预测机器的运行状态提供了可靠依据,实验证明,这种方法能有效地对旋转机械进行状态监测及故障诊断。     

一种改进的FSVM语音情感识别算法

针对语音特征参数对某类情感具有不确定性的问题,提出一种基于典型相关性分析的改进模糊支持向量机算法,应用于语音情感识别.采用典型相关性分析方法对特征向量进行降维,得到样本的约简向量集,在此约简向量集上建立模糊支持向量机模型判定情感类型.仿真实验结果表明,该方法相比于传统支持向量机法和模糊支持向量‘机法具有较高的识别准确率.     

面向数据漂移的代价敏感客户细分

为解决数据挖掘中存在的数据漂移和客户价值分布不平衡问题,采用了分阶段聚类和代价敏感支持向量机的新方法.新方法首先对全部客户聚类得到特征相似的客户群,然后用某个区域客户属于某客户群的后验概率对城市进行聚类,具有相似后验概率分布的城市群被认为是具有类似的客户结构,每个城市群的客户组成了新的客户样本,对每个样本分别进行代价敏...     

三维编织机计算机控制系统界面设计

针对三维编织机计算机控制系统研制工作中，需要特别设计有和户界面，对三维编织机用户界面系统设计的要求，存在的技术难点和设计思想，进行了分析和论证，最后实现了对某大型三维编织机用户界面的设计。     

城市三维信息系统的实现方法

随着科学计算可视化技术和虚拟现实技术的发展 ,城市信息系统已由原来以二维地理信息系统为基础发展到以三维虚拟现实地理信息系统为平台 .文章首先分析城市信息的基本特征 ,然后讨论城市空间信息的表达方式和数据模型 ,最后介绍城市空间信息系统的可视化技术及实现方法     

基于中心加权的局部核向量机算法

为了解决大规模非线性分类中局部学习的不平衡性问题,提出一种改进的局部支持向量机算法,在高维特征空间中聚类后,为每一个簇构造局部非线性支持向量机。为了克服簇内样本的分布不均衡问题,根据闭合超平面不规则边界的几何特点,经过梯度下降寻找稳定均衡向量,以此构造簇几何中心;再结合簇密度中心共同约束类心形成双重加权中心。然后通过求解加权最小闭球问题实现对大规模样本向量的分类。对照实验显示,除了个别数据集以外,改进的算法在训练时间、测试时间以及测试精度等方面都比另外两种分类算法表现更佳。     

蚁群算法选择特征与WSVM融合的网络入侵检测

为了提高网络入侵检测率,提出一种蚁群算法选择特征与加权支持向量机的网络入侵检测方法.利用蚁群算法选择网络数据的关键特征,计算信息增益获得各个特征权重,根据特征权重构建了加权支持向量机的网络入侵分类器,并通过KDD CUP 99数据集验证了其有效性.结果表明:该算法能够有效降低特征维数,提高网络入侵检测率和检测效率.