基于低秩表示线性保持投影的特征提取算法

为了在特征提取过程中保持数据低秩特性不变,提出了一种基于低秩表示的线性保持投影算法用于维数约简。它能够使降维后的低维空间中的数据依旧较好地保持在原始高维空间中的低秩特性,准确地学习出数据的低维子空间。通过构建两个不同的低秩表示模型来 揭示两种不同结构特性的低秩权重,然后以保持数据的这两个低秩权重关系为目的来求解高维数据的低维空间。 在ORL库和Yale库人脸库上的实验结果证明,该算法比传统的特征提取方法更有效。     

语义相似性保持的判别式跨模态哈希

针对跨模态哈希检索方法中存在标签语义利用不充分,从而导致哈希码判别能力弱、检索精度低的问题,提出了一种语义相似性保持的判别式跨模态哈希方法.该方法将异构模态的特征数据投影到一个公共子空间,并结合多标签核判别分析方法将标签语义中的判别信息和潜在关联嵌入到公共子空间中;通过最小化公共子空间与哈希码之间的量化误差提高哈希码的判别能力;此外,利用标签构建语义相似性矩阵,并将语义相似性保留到所学的哈希码中,进一步提升哈希码的检索精度.在LabelMe、MIRFlickr-25k、NUS-WIDE三个基准数据集上进行了大量实验,其结果验证了该方法的有效性.     

核的正交完备鉴别局部保持投影

针对完备鉴别局部保持投影算法所求得的最优判别矢量间存在信息冗余问题,提出了核的正交完备鉴别局部保持投影算法。通过将核函数技术与正交性原理融合,采用高斯核函数将原始样本映射到高维特征空间,在高维特征空间的局部总体散度矩阵中计算最优判别矢量,只需在整个范围内对值域空间进行特征值分解,去除局部零空间达到样本降维目的。该算法分别在 UMIST 人脸库和 JAFFE 人脸表情库上进行实验,实验结果表明算法的识别率高达95．59％。     

Semisupervised Sparse Multilinear Discriminant Analysis

Various problems are encountered when adopting ordinary vector space algorithms for high-order tensor data input. Namely, one must overcome the Small Sample Size （SSS） and overfitting problems. In addition, the structural information of the original tensor signal is lost during the vectorization process. Therefore, comparable methods using a direct tensor input are more appropriate. In the case of electrocardiograms （ECGs）, another problem must be overcome; the manual diagnosis of ECG data is expensive and time consuming, rendering it difficult to acquire data with diagnosis labels. However, when effective features for classification in the original data are very sparse, we propose a semisupervised sparse multilinear discriminant analysis （SSSMDA） method. This method uses the distribution of both the labeled and the unlabeled data together with labels discovered through a label propagation Mgorithm. In practice, we use 12-lead ECGs collected from a remote diagnosis system and apply a short-time-fourier transformation （STFT） to obtain third-order tensors. The experimental results highlight the sparsity of the ECG data and the ability of our method to extract sparse and effective features that can be used for classification.     

量化粗糙集的单调性属性约简方法

单调性在经典粗糙集属性约简过程中发挥着重要的作用。然而,在一些泛化模型(如量化粗糙集模型)中该性质并不存在。针对该问题,提出了量化粗糙集模型中下近似单调约简的定义,并给出了求得该约简的启发式方法。实验结果表明,相较于下近似保持约简算法,下近似单调约简算法不仅耗时短,而且增加了由正域和边界域表示的确定性,同时降低了由边界域带来的不确定性。     

OODB中连接类视图的物化和增量保持技术

目前,对数据库视图的物化和增量保持技术已有很多讨论,但对ＯＯＤＢ视图的物化和增量保持基本上局限于ＩＳＡ关系由单个类导出视图的范围内,而对于由两个或多个类通过连接操作导出的视图这一范围尚无涉及,该文提出了基于这一范畴的视图物化和增量保持的一种数据模式和基于该模式的增量保持技术。     

基于线图的无﹀环混合依赖分解条件及算法

无β环数据库模式具有很多优良的特性 ,以往的研究都局限在图论的范畴内 ,而没有考虑数据库的其他规范化特性 .在混合依赖基概念的基础上 ,定义了严格无冲突、扩展严格无冲突等概念 ,并证明了在混合环境下得出的无损联接、保持依赖、无 β环且满足 4 N F的分解的充要条件是 ,混合依赖集是扩展严格无冲突的 .据此 ,给出了判断严格无冲突及混合环境下无β环分解算法 ,并分析了算法时间的复杂度是线性的 .最后 ,给出基于线图的实例验证 .这一结论可直接指导数据库的模式设计     

组合预测模型在短时交通流预测中的应用研究

根据智能交通诱导和信号控制的需要,短时交通流预测应具备实时性、准确性和可靠性,应用单项预测模型已不能满足当前交通流预测的要求,借此提出了以时间序列法、非参数回归法和RBF神经网络预测法为基础的定权系数和变权系数组合模型进行短时交通流预测,实例应用表明组合预测模型较单项预测方法预测精度有显著的提高。     

基于瞬时互相关和STFT的LFM信号测向算法

现代电子对抗中,实现对线性调频(LFM)信号这种低截获概率雷达信号的精确测向已经非常重要.针对LFM信号提出一种无模糊、高精度的DOA估计算法.该算法首先计算单基线天线接收到的信号的瞬时互相关,然后通过短时傅里叶变换(STFT)提取互相关输出中的单频信号.利用该信号的频率与到达角之间单调的对应关系实现对到达角的无模糊估计.算法克服了相位干涉仪测向算法中存在的多值模糊问题,并且由于只需要单基线天线,所以能够应用于天线孔径尺寸受限的场合.对算法的性能进行了理论分析,推导了测向算法的精度和估计误差,并且理论推导了角度分辨率和测角实时性之间的量化关系,仿真实验结果表明了该算法的正确性和有效性.     

基于图注意力机制的城市路网短时交通速度预测

针对城市路网短时交通速度预测问题,在考虑路网交通状态时空相关性的情况下,提出一种基于图注意力机制的预测方法。该方法利用图注意力网络(GAT)和门控循环单元(GRU)构建了GAT-GRU模型,在路网层面对交通状态的时空相关性进行有效地建模,进而预测路网短时交通速度。以城市道路网的交通速度数据为数据源展开数值实验,结果表明GAT-GRU模型的表现均优于对比模型。