地震信号空间序列分形特征的研究

当把地震勘探信号各道间对应于同一时刻的数据序列看作是反映一定范围内地层及其地质参数的复杂函数时,便构成了地震勘探信号的空间序列。本文建立了地震信号空间序列的分形模型,将根据一维时间序列重建动力学系统的理论和时间序列关联维计算的G.P算法拓展到对地震信号空间序列的研究之中,提出了地震信号空间序列关联维的分析方法,对地震信号空间序列的分形特征进行了研究,结果表明,地震信号空间序列在一定的尺度范围内为分形结构,并存在较宽的分形无标度区。这一结论为应用分形理论到地震信号空间序列的研究提供了思路,若能将对地震勘探信号时深序列的研究和空间序列的研究相结合,有可能取得分形理论在地震勘探领域应用研究的新突破。     

一种具有时序特征的告警关联规则挖掘算法

电信网络中各种频繁告警事件的发生通常具有一定的时序关系,据此提出了一种具有时序特征的告警关联挖掘算法。该方法解决了以往算法中无法发现告警序列之间时序关系的问题。其核心思想是在建立FP-tree时加入告警的时间特征,然后对FP-tree进行挖掘。实验证明,该算法能够快速、准确地从海量数据中挖掘出具有时序特征地关联规则。     

基于小波多尺度分解的混沌时间序列消噪

本文基于小波多尺度分解的思想,提出了一种降低混沌序列噪声的方法。小波多尺度分解算法之所以能够区分不同尺度的信号,是因为它利用了小波变换在时、频两域具有突出信号局部特征的能力以及小波变换是线性变换的特点。鉴于实测的混沌信号的能量主要集中在低频,而具有突变特征的噪声的能量主要在高频部分,因而提出的方法仅需利用信号的尺度特性,就可以消除含噪混沌序列的大部分噪声。仿真实验给出了该算法的消噪性能分析,结论表明基于小波多尺度分解的混沌时间序列消噪具有良好的实用前景。     

多尺度样本熵在流量矩阵分析与评估中的应用

针对网络用户行为的特点提出利用多尺度样本熵的两个评价规则来分析P-P flow流量矩阵,该方法能够对网络流量表现出来的一些特征进行合理解释,并得到一些有趣的结论.随后在多尺度样本熵分析特性基础上提出一种评估流量时间序列健康度的方法,通过对真实网络流量和仿真流量的实验,表明该方法简单有效,能够准确合理评估网络流量的健康程度.     

构建基因调控布尔网络及其动态分析

利用互信息理论和布尔网络共同建立基因调控网络模型,并且通过举例说明该方法,用此方法相应地可推导出多个基因决定某个或多个基因的表达值的逻辑规则,根据得到的逻辑规则建立基因电路网络,再对得到的基因逻辑电路网络依据分析逻辑电路网络的方法建立基因调控网络动态转换,从而分析基因间的调控关系.     

基于多尺度样本熵的时间序列复杂度研究

对于三维空间中时间序列的复杂度分析,多采用多尺度样本熵(MSE),针对MSE方法随着时间序列复杂度的增加样本熵估计的准确率下降的缺陷,提出采用多尺度样本熵模型。对提出的MSE模型进行实验验证分析,根据时间序列复杂程度的不同,分别采用复合多尺度样本熵(CMSE)以及改进复合多尺度样本熵(RCMSE)对时间序列进行研究分析,得出不同的仿真结果。证明对于时间序列的复杂度研究,采用MSE的方法能达到提高准确率的效果。     

基于自组织网络的SAR遥感图像的多尺度分割

基于多尺度信息特征和混合模型,将自组织混合网络(SOMN)应用于合成孔径雷达(SAR)图像的分割.首先对SAR图像的多尺度序列进行多尺度随机建模,以此进行多尺度特征提取;然后对其建立混合模型,并经过SOMN进行学习研究得到混合模型的参数;最后再利用Bayesian分类器,对SAR图像进行分割.实验结果表明,本文方法能够充分地利用SAR图像多尺度序列中不同类型地形的统计信息,进而明显地改进了图像的分割质量.     

一种定量检验多维信号非线性的方法

利用多变量时间序列替代数据生成原理生成了实测多变量时间序列的多组替代时间序列,由广义关联积分计算了实测时间序列和替代时间序列的广义冗余,提出了一种用线性冗余和广义冗余作为显著性检验统计量定量检验多维信号非线性的方法。一个线性自回归模型和Lorenz系统的仿真计算验证了这种方法的有效性。     

基于统计分析的水文时间序列关联规则优化算法

基于方差分析、列联表检验以及兴趣度的定义,提出一种挖掘水文时间序列关联规则优化算法。算法把水文时间序列数据属性分成条件属性和决策属性,通过方差分析和列联表检验在关联规则生成之前剔除的属性和属性值;同时根据新的兴趣度定义,发现"有趣"规则。实验结果证明算法在水文时间序列分析的可行性。     

基于改进关联规则的危险Web信息挖掘技术研究

在Web网络中承载着不同的协议和网络信道,由此产生危险信息,给网络信息空间带来安全威胁,通过对危险Web信息的准确挖掘,可净化网络空间,确保网络安全。传统方法采用模糊关联规则算法进行危险Web信息分类挖掘,在干扰背景下,模糊聚类过容易受到干扰,导致很难建立有效的关联规则,挖掘效率较低。提出一种基于改进关联规则的危险Web信息挖掘技术。在建立关联规则前,引入Takens定理进行危险Web信息数据的相空间重构,构建Web网络的危险信息挖掘的信道模型,并对危险Web信息的信息流多源进程进行分类设计。设计自适应IIR级联滤波算法进行数据干扰滤波,运用以上方法对规则关联过程进行改进,实现危险Web信息的准确挖掘。仿真实验进行了性能验证,结果表明,采用该算法进行危险Web数据挖掘,去干扰性能较好,精度较高。     

基于遗传算法的基因分类

独立分量分析(ICA)是应用于基因分类的一种统计方法.但独立分量分析中的估计分离矩阵算法主要采用了随机梯度算法、自然梯度算法,这些基于梯度下降的寻优算法很容易陷入局部极值,所得结果不精确.本文提出了一种基于遗传算法的基因分类算法,其基本思想是利用遗传算法代替独立分量分析中的传统的估计分离矩阵算法,对基因表达式数据进行分类,从而克服了结果不精确的问题.分析和实验结果表明,该分类方法获得了更好的分类效果.     

Application of a New Fuzzy Clustering Algorithm in Intrusion Detection

This paper presents a new Section Set Adaptive FCM algorithm. The algorithm solved the shortcomings of localoptimality, unsure classification and clustering numbers ascertained previously. And it improved on the architecture of FCM al-gorithm, enhanced the analysis for effective clustering. During the clustering processing, it may adjust clustering numbers dy-namically. Finally, it used the method of section set decreasing the time of classification. By experiments, the algorithm can im-prove dependability of clustering and correctness of classification.     

基于改进ReliefF算法的特征加权FCM

为改善模糊C均值(FCM)聚类分析算法的性能,减少FCM聚类算法的误分率,提高FCM聚类算法的稳定性,提出了一种改进ReliefF加权FCM(IReliefF-WFCM)聚类算法。IReliefF算法改进了传统ReliefF算法的样本点选择方法,得到了更加稳定有效的特征权值。最后,将该IReliefF-WFCM算法用于数据集等实际数据的聚类分析。结果表明该方法是可行、有效的,为分类模式识别提供了一种误分率小的、稳定的方法。     

A Computational Approach to Gene Expression Data Extraction and Analysis

The rapid advancement of DNA microarray technology has revolutionalized genetic research in bioscience. Due to the enormous amount of gene expression data generated by such technology, computer processing and analysis of such data has become indispensable. In this paper, we present a computational framework for the extraction, analysis and visualization of gene expression data from microarray experiments. A novel, fully automated, spot segmentation algorithm for DNA microarray images, which makes use of adaptive thresholding, morphological processing and statistical intensity modeling, is proposed to: (i) segment the blocks of spots, (ii) generate the grid structure, and (iii) to segment the spot within each subregion. For data analysis, we propose a binary hierarchical clustering (BHC) framework for the clustering of gene expression data. The BHC algorithm involves two major steps. Firstly, the fuzzy C-means algorithm and the average linkage hierarchical clustering algorithm are used to split the data into two classes. Secondly, the Fisher linear discriminant analysis is applied to the two classes to assess whether the split is acceptable. The BHC algorithm is applied to the sub-classes recursively and ends when all clusters cannot be split any further. BHC does not require the number of clusters to be known in advance. It does not place any assumption about the number of samples in each cluster or the class distribution. The hierarchical framework naturally leads to a tree structure representation for effective visualization of gene expressions.     

基于改进FCM的多传感器多目标数据互联算法

将模糊聚类分析的方法运用到数据互联中是现今多传感器多目标跟踪的发展方向之一。文中在模糊c-均值聚类(FCM)算法的基础上提出了一种适用于多传感器多目标数据互联的改进算法,该算法通过对隶属度函数进行加权,同时考虑了样本对聚类中心和样本与样本之间的隶属关系。仿真结果表明该改进算法使得分类效果更加清晰,能够更好地将测量结果划分给各个目标,且所需的迭代次数更少,收敛速度更快。仿真结果验证了算法的正确性和有效性。     

距离选通激光成像空间定位模糊C均值聚类分割法

针对距离选通激光成像对比度低、照度不均、图像模糊的特点,提出了一种基于空间定位的模糊C均值聚类方法（SPFCM）对目标进行分割。传统的模糊C均值聚类法存在以下缺点:一是需要预先获得目标分类数量,自适应性较差;二是对空间信息不敏感,导致目标轮廓不完整以及错误分类。针对上述缺陷,文中对传统算法进行了改进,引入了初定位的概念,首先利用最大类间方差法（Otsu 法）和数学形态学工具对子目标进行初步定位,再将其形心方位信息和灰度信息融合到聚类过程中,以较短的迭代过程实现不同目标的归类。实验结果证明基于空间定位的模糊C均值聚类法可以完整、有效地对距离选通激光图像进行提取分割,处理时间优于传统FCM。     

相似性度量在基因表达聚类分析中的应用研究

聚类分析是基因表达数据分析研究的主要技术之一,其算法的基本出发点在于根据对象间相似度将对象划分为不同的类,选择适当的相似性度量准则是获得有效聚类结果的关键。采用预处理过的基因数据集在不同相似性度量准则下进行的不同聚类算法的聚类分析,并得到聚类结果评价。其中算法本身的缺陷及距离相似性度量的局限性都是影响结果评价的因素,为了获得更有效的聚类结果,改进相关聚类算法并提出了一种比例相似性度量准则。     

基于基因表达谱的肿瘤亚型识别与分类特征基因选取研究

利用肿瘤基因表达谱建立有效的"预测性"分类模型,对肿瘤的不同亚型进行准确判别并找出决定样本类别的一组特征基因是当前生物信息学研究的重要课题.本文在分析肿瘤基因表达谱特征的基础上,以急性白血病的基因表达谱为例,研究了肿瘤亚型识别与分类特征基因选取问题.在类别可分离性判据的问题上,修正了已有的"信噪比"指标,据此进行无关基因的剔除,并以支持向量机作为分类器进行肿瘤亚型的识别.在特征基因选取问题上,本文从生物学分析出发,首先剔除无关基因和具有较强相关性的冗余基因,然后采用顺序浮动搜索算法进行分类特征基因的选取.实验结果表明了上述方法的可行性和有效性.     

Automatic modulation classification based on the combination of clustering and neural network

In this paper,we propose a new modulation classification method based on the combination of clustering and neural network,in which a new algorithm is introduced to extract key features.In order to recognize modulation types based on the constellation diagram such as phase shift keying(PSK)and quadrature amplitude modulation(QAM),fuzzy C-means(FCM)clustering is adopted for recovering the constellation under different number of clusters.Then cluster validity measure is applied to extract key features which di...     

基于粒子群优化的直觉模糊核聚类算法研究

针对现有基于核方法的直觉模糊聚类算法对初始值敏感、收敛速度慢等缺陷,利用粒子群优化算法全局搜索能力强、收敛速度快的优势,对直觉模糊核聚类算法的初始聚类中心进行优化,并提出了一种基于粒子群优化的直觉模糊核聚类算法。该算法在提升聚类性能的同时,有效增强了算法的收敛速度。在实验阶段,采用4组标准数据集对该算法进行了分类实验及有效性测试,并将其与模糊c均值聚类算法及直觉模糊c均值聚类算法的分类效果及运行时间进行对比,实验结果充分表明了该算法的有效性及优越性。