基于Sequitur的时间序列异步周期模式挖掘

现有的时间序列异步周期模式挖掘方法是在获取1-pattern有效段及周期的基础上再以枚举法得到i-patterns,时间复杂度较高。为解决该问题,提出一种改进的异步周期模式挖掘方法。在时间序列符号化后,使用基于Sequitur的候选模式算法获取候选i-patterns及其事件位置序列,通过基于OEOP的i-patterns有效段生成算法得到1-pattern和i-patterns的有效段及周期,从而生成有效子序列。实验结果表明,该方法具有较高的挖掘效率。     

水文时间序列模体挖掘

水文时间序列数据中蕴藏着自然演变的规律和人类活动对下垫面影响的信息。通过序列模式挖掘技术发现这些时空序列中蕴藏的洪水频率、水文情势突变等物理规律能够为水文预测预报、防汛调度等提供辅助决策支持。模体是指在一组序列中重复出现的相似片段模式。时间序列模体数据挖掘就是利用数据挖掘思想,在时间序列中找出重复出现的相似片段的过程。本文针对水文时间序列的特点以及对洪水和旱情的挖掘需求,提出基于小波变换、极值点分解和符号化的模体挖掘方法GSB-VLMD（Grammars & Semantics Based-Variable Length Motifs Discovery）。其中小波变换负责对数据去噪,使处理后的数据变得更加平滑;极值点分解负责从平滑数据中提取洪水和干旱等极值语义信息;符号化负责离散化数据,为模体挖掘Sequitur算法提供输入。以太湖近50年水位序列作为源数据,使用该方法对其进行模体挖掘,结果证明了其正确性和实用性。     

一种稳健的人脸检测方法

人脸检测作为人脸识别的第一环节,也是一个模式识别问题,本文提出了一种稳健的复杂背景下脸检测方法,并对人脸图象库ＦＤＢ６０３进行了实验,结果表明,我们的方法是有效和稳定的。     

多策略结合的高光谱图像波段选择新方法

随着遥感成像技术的发展,高光谱图像的应用需求日益广泛。如何从多达数百个的波段中挑选出具有较好识别能力的波段组合成了亟待解决的问题。根据高光谱图像各波段间相关性高的特点,提出了基于条件互信息与自适应分支定界法相结合的波段分组方法,并在此基础上使用支持向量机和遗传算法相结合的搜索算法,选择最佳波段组合。实验结果表明:提出的算法具有相当出色的分类准确率和稳定性。     

基于BORDA数的多元时间序列相似性度量

水文是一个数据密集型领域，长期的观测和实践积累了大量的水文数据，利用数据挖掘技术从这些长期观测序列中发现蕴藏的规律是当前研究热点之一。相似性度量是时间序列挖掘的基础，本文提出了一种新的基于BORDA数的多元时间序列相似性度量方法。首先根据数据复杂性进行降维，然后分别计算单一序列的相似性，最后采用基于BORDA数的投票方法获得多元时间序列整体相似性。分别以太湖水位和宜丰洪水时间序列相似性分析为例，验证了提出方法的可行性和有效性。     

基于相关分析和回归模型的引江济太水量水质关系分析

在分析引江过程中水质水量关系时,先采用相关分析理论判断水质与水量是否具有相关性,以及两者的相关程度,再根据相关分析结果,建立初始水质情况与达标时所需引水量之间的关系模型,并对模型进行检验.由于望亭立交闸下的水质会受到望虞河干流各站点水质的影响,因此在考察水质水量的关系时,初始水质情况由各站点的初始水质共同决定,达标时所需的引水量由各站点水质均达标时流经望亭立交闸下的累计引水量决定.在对水质水量建立回归模型时,考虑到季节变化的因素以及异常值的影响,根据相关分析结果分别建立不同情况下的回归模型,并通过对不同模型进行比较来确定最终模型,从而保证水质水量关系模型的正确性.     

基于小波神经网络的水文时间序列预测

复杂时间序列预测是时间序列分析的主要研究内容之一,已成为一个具有重要理论和实际应用价值的热点研究领域。基于小波和神经网络组合模型,提出一种多因子小波预测模型以提高水文时间序列的预测精度。并根据不同小波函数对水文时间序列数据的适应性,提出了一种基于加权相关系数的小波函数选择准则。以国家重要水文站淮河王家坝站汛期的日流量时间序列预测为例,对各种常用小波函数进行了实验。结果发现选择得到的Haar小波和B3 spline小波函数预测精度较高,从而验证了小波函数选取准则的有效性;通过和传统单序列小波神经网络模型比较,发现提出的多因子小波神经网络模型的预测合格率在不同预见期均提高了10％以上,并且对洪水高流量方向预测合格率提高了15％。     

基于奇异值特征和隐马尔可夫模型的人脸检测

提出了基于奇异值特征和隐马尔可夫模型（HMM）的人脸检测方法,首先提出了基于奇异值特征和隐马尔可夫模型的正面端正人脸检测方法;然后将该算法扩展到检测任意旋转角度的人脸,其中正向端正人脸检测算法是通过隐马尔可夫模型来识别人脸／非人脸的奇异值特征,从而达到人脸检测的目的;扩展算法首无计算当前位置子图象窗口的奇异值特征向量,然后利用识别各个旋转角度人脸的HMM模型对之进行分类,以得到该子图象窗口的旋转角度,再经过旋正,重新再与识别正面端正人脸的HMM模型对, 此确定该子图象窗口是否为人脸,通过对一个由51幅集体照片组成的图象集进行测试,其中,正面端正人脸检测率为85．1％,而任意旋转角度的人脸检测率只有72．2％。