基于多重序列所有公共子序列的启发式算法度量多图的相似度

提出了启发式A*算法度量任意多个图的相似度方法,该算法将多图表示多重序列,在多重序列的匹配点上计算多重序列的所有公共子序列数,得到的所有公共子序列数用来度量多图的相似度。该算法避免了在非匹配点上的冗余计算,最大化后缀序列的所有公共子序列数的启发函数值,将访问的节点限制在两个序列匹配的子集,减少了计算节点的个数。与现有度量图的相似度方法相比,该算法不仅可以度量任意多个图的相似度,而且计算过程简单,通过启发信息的引导能够快速地度量多图的相似度。     

加权Petri网的字符串序列相似性度量

由于现有的流程相似性度量方法大多只关注流程的单一维度,缺乏对流程信息的综合考虑,使得流程检索的准确率还有待提高。在综合考虑结构信息和行为信息下,提出了一种高效率、多维度的加权Petri网的字符串序列的相似性度量方法。该方法首先将事件日志信息加权至Petri网,然后使用广度优先遍历将加权Petri网模型转换为字符串序列,再将该序列分为一个带权重的紧邻变迁对集和一个结构序列并分别计算相似度值,最后加权得到流程之间的相似度值。实验结果表明,该度量方法准确率达到99.51%。另外,该方法在时间复杂度上也有着不错的优势。     

复杂网络中的抽样链接预测

针对传统相似度算法无法预测给定顶点存在的链接问题,以抽样方法为基础,提出一种对复杂网络进行链接预测的方法,找出用户感兴趣节点的相关链接.根据用户感兴趣的节点,使用随机游走的方法,构造一个子图.设定该子图的大小使相似度估计值的误差小于给定的容错阈值.该方法仅在一个小的包含全局信息的子图上进行相似度计算,可以使计算时间大大减少.实验结果表明,算法的时间复杂度与数据集大小呈线性关系,基于局部指标的常见邻居(CN)算法、Jaccard以及PA指标算法的时间复杂度与数据集大小呈平方关系,以全局拓扑路径为基础的Katz算法的时间复杂度与数据集大小呈立方关系.     

使用轨迹指纹和地点相似性的地点推荐

针对传统的时空轨迹相似性度量算法中存在的计算复杂度高且不适于增量计算的问题,提出了基于相似哈希计算用户时空轨迹相似度的方法,同时使用逆轨迹频率(ITF)度量位置流行度对轨迹相似性的影响,将用户的历史轨迹编码为二进制轨迹指纹,并根据海明距离判断轨迹指纹之间的相似性,使得相似性计算可以在线性时间内完成;此外,改进了地点相似性算法,并将轨迹相似度和地点相似度相结合提出了基于地点和轨迹相似性的地点推荐算法。实验结果表明,本文的推荐方法在准确率、召回率和覆盖率方面能够取得较好的推荐效果,验证了所提方法的有效性。     

基于密度峰值搜索的脑纤维快速聚类算法

弥散张量成像为人类大脑白质结构无创检测提供了良好的前景,但是这类方法往往会产生庞大且难以理解的纤维数据集,如何对纤维集合进行有效地可视分析是临床研究中的重要问题。为解决该问题,采用动态时间规整算法,该算法通过拉伸和压缩两时间序列将其整合成同一长度然后计算最短折叠路径距离作为其相似距离,并将其扩展用于脑纤维相似性测量并得到快速且准确的结果。相似度是纤维聚类的唯一信息来源,纤维相似度矩阵的计算占据主要的计算时间,对密度峰值搜索算法进行改进,在连续聚类框架中对脑纤维进行聚类。最后通过实验证明这种连续聚类方法在满足聚类精度要求的同时能显著降低计算复杂度。     

基于奇异值分解的RNA二级结构相似度计算方法

针对传统的核糖核酸(RNA)分子结构相似度计算方法存在复杂度高、未能充分考虑二级结构全局信息的缺点,基于一种7维序列编码方法，提出了一种利用矩阵奇异值分解提取RNA二级结构数据分布特征的算法，利用提取出的奇异值向量,基于向量距离进行RNA二级结构相似度比对.通过对Yeast tRNA phe、PSTV、poliovirus mutant 3种RNA分子二级结构构象的实验分析，表明了该方法的可行性和高效性.并将这种方法推广至任意两个RNA分子之间二级结构的相似度衡量，同样取得了不错的效果.     

基于相似度计算的信息化项目与专家匹配方法

针对信息化咨询中存在的咨询项目与专家匹配不科学、合理的问题,引入了本体语义相似度的概念。分析了基于点和基于边的2种语义相似度计算方法存在的不足,提出了一种混合的语义相似度计算方法。该方法的主要思想:将项目信息文档和专家信息文档转换为2棵本体概念树,通过计算2棵概念树之间的相似度判断项目与专家是否匹配。实例分析结果表明:该方法有效且准确率较高。     

一种新的广义模糊数相似度计算方法

针对现有关于广义模糊数间相似度计算方法的不足之处,提出了一种新的广义模糊数间相似度计算方法以解决风险分析问题.首先,提出一种新的广义模糊数间相似度的计算方法,该方法综合考虑了两个广义模糊数之间的重心距离、高度以及形状等具体差异,同时证明了所提出算法的一些性质;其次,通过与现有广义模糊数间相似度的计算方法进行比较,说明所提出算法的优越性;最后,总结提出算法的优缺点.     

一种基于加权图模型的手指静脉识别方法

提出一种基于加权图模型的手指静脉网络特征描述方法。对于一幅手指静脉图像,通过图像划分获得图的顶点集,利用三角剖分获得图的边集,边的权重由边所连接顶点之间的特征相似度决定。通过这种方式,一幅手指静脉图像可转化为一个加权图,并通过度量加权图邻接矩阵之间的相似度实现手指静脉识别。详细研究影响识别结果的几个因素,并通过试验证明了该方法的有效性。     

计算机K维栅格图象距离图的研究

本文着重讨论了多维栅格图象距离图的定义和计算．提出了Ｋ维栅格空间和Ｋ维栅格图象以及有关Ｋ维栅格图象的一组概念，如毗邻类型、Ｎ－序列等．然后．用路径长度定义了一个函数Ｄｑ，再用Ｄｑ定义了Ｋ维栅格图象的距离概念和相应的距离图概念，并给出一个有关距离的一个定理．对于距离图的计算，文章中给出了一个ＧＤＴ变换，即广义距离变换和相应的一个定理，该定理表明了经过ＧＤＴ变换所得的结果就是由Ｎ－序列ｑ所决定的距离图．     

满足度量性质的归一化树编辑距离

利用树大小和树编辑距离的简单函数提出了一种归一化树编辑距离,在权重函数具有度量性质且所有插入和删除操作的权重都相等时,不仅能完全满足三角不等式,而且是一种取值在[0,1]的度量.这种距离可以由树编辑距离直接计算得到,其计算时间复杂度与树编辑距离相同.通过手写数字识别实验说明,AESA算法利用该距离获得的识别率为91.6%,比其他2种归一化树编辑距离分别高0.2%和0.8%.     

面向波动复杂性的上下文预测

针对普适计算环境中上下文变化存在的复杂情况,提出面向波动复杂性的上下文预测方法,在分析上下文波动变化的影响因素的基础上,提出相似上下文序列的概念,给出了上下文序列相对距离和相似上下文序列的定义,以及相关的上下文预测推理算法和架构.通过计算上下文序列之间的相对距离,确定相似的上下文序列,根据相似的上下文序列进行上下文预测.该预测方法不仅提供了一种度量上下文序列的新方法,而且解决了传统精确匹配预测方法的局限性问题,有效地提高了普适计算中上下文预测的能力,使其具有更强的适应性和实用性.     

基于Hausdorff距离的视觉监控轨迹分类算法

针对智能视觉监控系统中的运动目标轨迹分类问题,提出了一种基于多维Hausdorff距离的轨迹聚类算法。该算法使用流矢量序列描述目标运动轨迹,由多维Hausdorff距离进行轨迹相似性测量,通过谱聚类实现轨迹分类。该算法在轨迹描述中同时包含位置和方向信息,解决了Hausdorff距离不能区分轨迹运动方向的问题。为降低计算复杂度,本文还提出一种保距变换对轨迹相似性测量进行优化。与相关算法的对比实验表明,提出的轨迹分类算法可达到更高的聚类准确率;提出的保距变换可以显著降低算法的计算复杂度。     

融合语义知识库的流程匹配算法

为在流程相似度计算中加入流程间深层语义关联的度量,同时在流程节点较多的情况下,实现流程匹配算法在寻优时间复杂度和相似度匹配输出值两方面的综合优化,提出一种面向流程的遗传匹配算法,将遗传算法引入并应用在流程语义和结构的相似度计算寻优过程中.确定遗传算法的参数编码方式,并利用贪婪算法进行初始种群的设置,定义各个遗传算子,提出有效的简化策略,解决了流程节点较多时流程匹配过程寻优问题.实验研究表明,在流程节点数较多时,本文算法在寻优时间花费和相似度值两方面的折中优化性能明显优于其他两种算法.将遗传算法应用到流程的相似度计算及其寻优过程,可以有效地控制时间复杂度并保证较好的匹配输出结果.     

面向自动目标跟踪红外图像序列复杂度度量

红外图像复杂度度量是自动目标识别及其跟踪性能评估的重要组成部分。传统的度量指标如统计方差、信杂比等针对的皆是单帧图像,而对于图像序列复杂度度量的研究寥寥无几。针对该问题,提出一种面向自动目标跟踪的红外图像序列复杂度度量方法。首先,对影响目标识别及其跟踪因素进行分析,明确了红外图像序列中影响目标识别及其跟踪的具体原因,以此为依据构建基于特征空间的目标混淆度和目标遮隐度指标;其次,通过灰色关联法优化特征空间,使目标混淆度和目标遮隐度指标更加合理;最后,结合识别与跟踪的特点,选择合适的加权平均函数和非线性变换函数,实现图像序列复杂度度量。实验表明,与图像序列评价指标如序列相关度、帧间目标变化度相比,文中提出的评价指标与跟踪误差的单调关系更好,是一种有效的图像序列复杂度评价标准。     

基于扩展卷积神经网络与度量学习的指静脉识别

针对在传统卷积神经网络(Convolutional neural networks, ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法。该算法通过扩展卷积神经网络的宽度与深度来提高ConvNet的学习能力,并使用难样本采样三元组(Triplet hard loss with batch hard mining, TriHard)度量学习函数作为网络损失函数训练网络。此外,针对常用距离度量方法不能有效度量静脉特征之间的相似度的问题,在指静脉识别阶段采用了Wasserstein距离度量方法,以提高同源静脉间的相似度,降低异源静脉间的相似度。仿真实验结果表明:在FV-USM数据集上,指静脉识别准确率达98.33%,较使用ConvNet和常用距离度量方法准确率提高了3.56%;在MMCBNU_6000数据集上,指静脉识别准确率达98.02%,较使用ConvNet和常用距离度量方法准确率提高了2.01%。     

基于对数似然率的软判决维特比译码算法

提出了一种基于对数似然率的适合于M-QAM解调的软判决度量计算方法.该方法依据最大后验序列估计准则,按照QAM符号中每个bit值将QAM星座图进行分割,计算出在接收到某个符号后,对应符号中每个bit的为0或1的似然程度作为度量值.仿真结果表明,该计算方法比传统方法有更好的误码性能以及较低的复杂度.     

基于相似理论的灰关联度在故障诊断中的应用

在研究常规灰色关联分析所存在缺陷的基础上,根据灰色关联分析的基本思想,提出了一种改进的灰色关联度计算方法,并将其应用于机械故障断中.该方法根据相似理论,将比较序列曲线的整体性相似分解为若干对应向量的局部相似性,而向量的局部相似性以其位置相似度和方向相似度来度量.通过实例验证,该模型对已有的关联度模型有较大的改进,能很好地进行故障识别.     

基于分段聚合时间弯曲距离的时间序列挖掘

针对时间序列的相似性度量问题,提出基于分段聚合时间弯曲距离的时间序列挖掘方法。首先运用经典分段聚合近似方法来对时间序列进行数据变换,实现时间序列的特征提取和数据降维,然后利用动态时间弯曲距离进行距离计算,最后将其应用于时间序列聚类和分类的数值实验中。新方法不仅过程简单、易于实现,而且实验结果表明其平均分类错误率与传统分段时间弯曲相比,几乎降低了50%。同时,新方法在运行时间和聚类挖掘结果上都具有一定的优势。     

增强Fisher判决的Bagging集成分类方法

提出了一种样本间的相似性度量方法,并将这种相似性度量信息附加到Fisher线性判别的类内、类间离散度矩阵,使得Fisher判决准则在使类内距离迭最小、类间距离迭最大的同时,也使类内相似度迭最小、类间相似度达最大,获得比原始Fisher判剐更好的投影矩阵。实验证明,与Bagging集成的Fisherfaee比较,该方法显示出更好的识别率。