多标记数据特征提取方法的核改进

针对多标记数据特征提取方法中输出核函数没有准确刻画标记间的相关性的问题,在充分度量标记间相关性的基础上,提出了两种新的输出核函数构造方法。第一种方法首先将多标记数据转化为单标记数据,并使用标记集合来刻画标记间的相关性;然后从损失函数的角度出发定义新的输出核函数。第二种方法是利用互信息来度量标记间的两两相关性,在此基础上进一步构造新的输出核函数。3个多标记数据集上2种分类器的实验结果表明,与原有核函数对应的多标记特征提取方法相比,基于损失函数的输出核函数对应的特征提取方法性能最好,5个评价指标的性能平均提高了10%左右, 尤其在Yeast数据集上,Coverage指标下降幅度达到了30%左右;基于互信息的输出核函数次之,性能平均提高了5%左右。实验结果表明,基于新的输出核函数的特征提取方法能够更加有效地提取特征,并进一步简化分类器的学习过程,提高分类器的泛化性能。     

利用直方图及边缘乘积互信息的PCNN图像分割

脉冲耦合神经网络（Pulse Coupled Neural Network）在图像分割中有很大的应用。其在实现过程时,传统的阈值选取是按等间隔下降依次试出来的,未考虑到图像的灰度先验分布,这种方法确定的分割阈值难以保证全局最佳,影响最终的分割效果。鉴于此,提出了将直方图和PCNN结合的算法,解决了全局最佳阈值的选取问题。同时提出了新的边缘乘积互信息准则用于判断图像分割的效果,不但能很好地利用图像目标的边缘信息,还可以大大降低计算量。实验表明,该算法可以在提高分割精度的基础上,显著地减少分割运行时间,提高分割效率。     

数字网络编码的正交协作方案

针对网络编码的正交放大转发(OAF)方案不能避免错误传播的问题,提出中继节点采用译码转发(DF)协议的网络编码正交协作方案。该方案的中继节点根据译码的正确与否决定是否转发源节点的信号,避免了错误传播,提高了系统的可靠性。理论分析表明,所提方案的平均互信息和可靠性都优于OAF方案,仿真结果也验证了理论分析的正确性。     

一种基于QPSO的脉冲耦合神经网络参数的自适应确定方法

针对目前脉冲耦合神经网络(PCNN)神经元模型中的参数主要通过人工定义的问题,提出一种基于量子微粒群优化(QPSO)算法的PCNN参数自动确定方法,并分析该算法的时间复杂度。该方法利用PCNN分割后的图像熵作为QPSO算法的适应度函数,在解空间中自动搜索PCNN中待确定参数的最优值,提供一种PCNN神经元模型中的参数自动确定方法。将该方法应用于图像分割时,以互信息量作为图像分割评价标准。仿真结果表明文中方法实现正确的图像分割,其性能优于Otsu方法、人工调整PCNN参数方法、遗传算法优化方法和微粒群优化方法,表现出较好的鲁棒性。     

平均互信息和类别区分性修剪规则的KNN算法

大规模的样本数量及其特征高维性影响着K最近邻(KNN)分类算法的分类性能。为此,提出一种具备降维、修剪机制的特征参数平均互信息和类别区分性的KNN改进算法AMI&CD-KNN。首先使用熵中平均互信息的概念,衡量特征参数体现类别特征信息的准确程度;然后采用特征参数相对类别的优势率及其在数据集中的分布概率描述类别区分性,用于体现特征参数提供类别信息量的大小;最后建立特征参数平均互信息和类别区分性的内在联系,设计样本修剪方法,从而达到在保证分类准确性的前提下,提高分类速度的目的。理论分析与仿真实验表明,与经典KNN及其他具备修剪机制的算法比较,提出的算法具有更高的分类泛化性。     

基于互信息选择聚类集成的网络流量分类方法

针对互联网流量标注困难以及单个聚类器的泛化能力较弱,提出一种基于互信息(MI)理论的选择聚类集成方法,以提高流量分类的精度。首先计算不同初始簇个数K的K均值聚类结果与训练集中流量协议的真实分布之间的规范化互信息(NMI);然后基于NMI的值来选择用于聚类集成的K均值基聚类器的K值序列;最后采用二次互信息(QMI)的一致函数生成一致聚类结果,并使用一种半监督方法对聚类簇进行标注。通过实验比较了聚类集成方法与单个聚类算法在4个不同测试集上总体分类精度。实验结果表明,聚类集成方法的流量分类总体精度能达到90%。所提方法将聚类集成模型应用到网络流量分类中,提高了流量分类的精度和在不同数据集上的分类稳定性。     

基于CSI的日常行为识别方法

针对现有依靠穿戴设备、雷达和视频图像人体行为感知的方法对环境要求高,成本高,且不利于保护隐私等问题,提出一种基于信道状态信息无设备且低成本的日常行为识别方法.通过商用WiFi设备采集原始CSI数据,在无需信号进行去噪处理的情况下通过提取原始CSI最大程度能提高识别精度的三阶累积量特征,应用基于互信息的特征选择算法(MI...     

基于故障-测点互信息的传感器多目标优化配置

针对大型流程工业系统状态监测故障诊断的传感器优化配置特点,建立能够定量反映测点获取故障信息效率的故障-测点互信息矩阵.提出传感器系统测点-故障关联度优化目标函数,建立兼顾测点获取故障信息效率、传感器系统可靠性、经济性的多目标优化配置模型.设计改进的非支配排序遗传算法(NSGA-II),在保证故障可检测性和可分辨性的前提下,获得兼顾3大优化目标的Pareto前沿解集.电站除氧器的实例分析表明了该方法的可行性和有效性.     

一种新的互信息特征子集评价函数

传统基于互信息的特征选择方法较少考虑特征之间的关联,并且随着特征数的增加,算法复杂度过大,基于此提出了一种新的基于互信息的特征子集评价函数。该方法充分考虑了特征间如何进行协作,选择了较优的特征子集,改善了分类准确度并且计算负荷有限。实验结果表明,该方法与传统的MIFS方法相比较,分类准确度提高了3%～5%,误差减少率也有25%～30%的改善。     

基于互信息与类距离测度最优的图像聚类

模糊C均值算法用于图像聚类时,仅考虑图像的灰度信息,忽略灰度的空间分布,未充分利用分割前后图像间的关系。从分割后图像的类距离出发,并利用聚类分割前后图像间的互信息,以基于对称分布多样性的粒子群算法为优化技术,构造了一种新的图像分割方法——基于互信息和类距离测度最优的图像聚类算法。对医学图像进行仿真,实验结果表明该算法得到的图像边界清晰连续,图像的内部特征保持完好,与多种聚类算法相比,图像分割的质量明显得到提高。