?_p范数正则化的稀疏子空间估计与聚类

稀疏子空间聚类是把子空间聚类问题松弛为凸优化问题,但这种凸近似需要满足较强的非相干性条件,且用观测数据本身作为字典进行子空间表示时,观测数据中所含的噪声、缺损、奇异样本等会增加子空间表示的误差.为解决上述问题,提出一种基于?_p范数(0相似文献   

基于假设间隔的弱随机特征子空间生成算法

集成算法是机器学习领域的研究热点。随机子空间算法是集成算法的一个主要算法。随机子空间生成的特征子集可能含有冗余特征、噪声特征,影响算法的分类精度。为此,本文提出了一种基于假设间隔的弱随机特征子空间生成算法（WRSSimba）,有效去除了特征子集中冗余特征和噪声特征。在UCI数据集上的实验结果表明,WRSSimba的分类性能优于随机子空间算法和Simba算法。     

基于假设间隔的弱随机特征子空间生成算法

集成算法是机器学习领域的研究热点。随机子空间算法是集成算法的一个主要算法。随机子空间生成的特征子集可能含有冗余特征、甚至噪声特征,影响算法的分类精度。为此,提出了一种基于假设间隔的弱随机特征子空间生成算法(WRSSimba),有效去除了特征子集中冗余特征和噪声特征。在UCI数据集上的实验结果表明,WRSSimba的分类性能优于随机子空间算法和Simba算法。     

多视图聚类算法综述

在大数据时代,数据是由不同来源生成的,或者是从不同视图中观察得到的,这些数据被称为多视图数据。在数据挖掘与分析中,充分发挥知识在多视图数据中的作用是非常重要的,因此需要在融合相关数据的同时,考虑不同视图的多样性。近年来,多视图聚类（MvC）受到越来越多学者关注,根据其涉及的机制和原则,将多视图聚类算法分为5类,即协同训练算法、多核学习、多视图聚类、多视图子空间聚类与多任务多视图聚类。对多视图聚类算法进行介绍,并重点介绍了协同训练算法与多核学习。     

联合Capped范数极小化的子空间聚类算法

子空间聚类问题是将一组原始无标签的数据按照一定的规则划分为不同类簇的过程,在模式识别、数据挖掘、计算机视觉以及生物信息学等诸多领域具有广泛的应用.然而,目前子空间聚类算法由于受到数据噪声和异常值的影响,性能仍不够理想.为更好刻画数据噪声和低秩性,本文结合两种capped范数,提出一种新的子空间聚类模型,并设计快速、有效的求解算法,同时给出其收敛性证明.数值实验表明,本文的算法比现有的一些经典算法在聚类性能上具有较明显的优势.     

点云配准FPFH特征子异构并行优化研究

三维点云配准在逆向工程中应用广泛,能为古建筑保护实现三维建模提供精确的数据依据。针对大规模多视角古建筑点云数据进行配准,研究了FPFH特征提取的串行算法,设计了三类并行方案,分别为利用基于CPU的并行编程标准OpenMP进行并行优化加速、利用基于GPU的并行计算架构CUDA进行并行优化加速,以及利用CPU/GPU的异构并行,结合OpenMP和CUDA的特点应用于特征子求取。实验结果表明,第三种方案能合理设计并优化特征子求取,获得较为理想的加速比。     

高维空间基于样式相似性的最大子空间聚类

研究了基于样式相似性的子空间聚类问题,使用样式相似性作为相似性度量.与在所有维或者子维集上聚集距离相近的对象的传统聚类方法不同的是,样式相似性寻找的是这样一种有趣的样式:对象在子维上呈现出相同起伏的一致变化.提出了一种挖掘基于样式相似性的最大子空间聚类的方法EMaPle.一般情况下数据集属性数目远小于对象数目,因此仅在属性计数空间查找簇,然后运用一些修剪策略.该方法能够找到同时满足一致性约束、大小约束和被MaPle忽视了的符号约束的聚类.在合成和实际数据集上的实验结果表明该算法优于原来的MaPle算法.     

采用单次快拍数据实现MIMO雷达目标角度估计

通过深入研究多输入多输出(MIMO)雷达的角度估计算法,针对MIMO雷达角度估计中的实时性和相干目标源问题,基于双基地MIMO雷达的信号模型,提出了一种采用单次快拍数据的估计算法.算法采用MIMO雷达接收的单次快拍数据,构造出块Hankel矩阵,并证明该矩阵的秩等于总目标个数,且不受信号相关性的影响,通过奇异值分解获得对应的信号子空间,结合ESPRIT算法实现了对相干和非相干目标的收发角度估计.该算法减少了数据量和计算量,具有更好的实时处理性;通过矩阵的重构,能够准确地估计相干信源对应的信号或噪声子空间.由于采用了同一信号子空间,实现了参数的自动配对,更利于在实际中应用.计算机仿真结果证实了算法的有效性和可行性.     

特征加权优化软子空间聚类算法比传统算法的优越性分析

聚类算法在当前的各个领域都有着非常广泛的应用,常见的有生物学和医学领域的数据探测、信息检索以及文本挖掘和图像处理等.尤其是目前随着计算机信息技术的发展,数据的规模比以往更大,数据挖掘工作需要的数据特征维数大大增加.导致高维数特征加权和选择面临多学科交叉的问题,大大增加了空间聚类分析的工作难度.本文将分析特征加权优化软子空间聚类算法,并将其与传统算法进行了对比,总结了其优越性.     

一种改进的基于子空间估计的检测器

针对现阶段广泛应用信号子空间跟踪算法PAST算法在低信噪比和强多址干扰情况下,估计出信号子空间有较大的误差而提出一种新的信号子空间概念。通过理论分析和仿真,验证了新的算法能够克服PAST算法的缺点。并在此基础上构成的一种新的MMSE检测器,该检测器具有良好的误码率和抗“远-近”能力,结构简单,计算复杂度低,而且对信号子空间维数大小估计错误时并不敏感。     

Subspace identification for continuous-time errors-in-variables model from sampled data

We study the subspace identification for the continuous-time errors-in-variables model from sampled data. First, the filtering approach is applied to handle the time-derivative problem inherent in continuous-time identification. The generalized Poisson moment functional is focused. A total least squares equation based on this filtering approach is derived. Inspired by the idea of discrete-time subspace identification based on principal component analysis, we develop two algorithms to deliver consistent estimates for the continuous-time errors-in-variables model by introducing two different instrumental variables. Order determination and other instrumental variables are discussed. The usefulness of the proposed algorithms is illustrated through numerical simulation.     

Transformative learning in designing algorithms for reporting information systems

This paper describes a teaching method that enables students to design efficient and effective algorithms for reporting information systems applications. Adopting the general principles of transformative learning, students are immersed in a series of activities and interventions to enable learning. The activities provided opportunities for students to design algorithms, also using knowledge gained during the interventions. The interventions allowed students to gain knowledge about the output data structures such as list, table, and cube; the sequence control structures that may take different execution times; and the assumptions such as source data tables and mapping rules—all of which can contribute to the design of efficient and effective algorithms. 88 undergraduate business students in an advanced information systems course learn the principles of designing algorithms through critical reflection and reinterpretation consistent with the principles of transformative learning. The algorithms designed by students reveal that attention to the output data structures, sequence control structures, and assumptions enables the design of efficient and effective algorithms.     

DSP实验多元化教学方法的探索

数字信号处理(DSP)实验是一门重要的专业基础实验课.针对学生在学习过程中遇到的问题,从教学内容、教学方式和考核方法等方面进行了探索研究,提出了一种多元化的教学方法,并且针对所提方法的可操作性在学生中进行了抽样调查,得到了较好的响应.     

基于机器学习的医疗大数据分析与临床应用

医疗大数据指数目庞大、增长迅速、结构复杂、隐藏价值高的数据。机器学习技术能够有效分析医疗大数据的内部联系,对疾病的早期诊断及预后具有重要临床指导意义。阐述了机器学习技术在医疗大数据中的应用及研究进展,包括在大数据分析中的回归分析、决策树、基于内核的算法、降低维度算法等浅层机器学习算法模型,卷积神经网络、循环神经网络、自动编码器、深度信念网络等深度学习算法模型,以及各个算法模型的临床应用,分析了机器学习在医疗数据挖掘中的应用前景和存在的技术难题。     

ADS与信号源E4437B的数据交换测试平台设计

采用了理论与实践相结合的研究方法,研发设计了一套安捷伦仪表与ADS仿真系统联网数据交换的测试平台,对于3G通信网络乃至将来4G通信网络的数据交换测试,具有重要的意义。     

Learning analytics: challenges and limitations

Learning analytic implementations are increasingly being included in learning management systems in higher education. We lay out some concerns with the way learning analytics – both data and algorithms – are often presented within an unproblematized Big Data discourse. We describe some potential problems with the often implicit assumptions about learning and learners – and indeed the tendency not to theorize learning explicitly – that underpin such implementations. Finally, we describe an attempt to devise our own analytics, grounded in a sociomaterial conception of learning. We use the data obtained to suggest that the relationships between learning and the digital traces left by participants in online learning are far from trivial, and that any analytics that relies on these as proxies for learning tends towards a behaviorist evaluation of learning processes.     

深度神经网络的快速学习算法

通过分析传统的多层感知器和反向传播算法的不足,设计了一个全新的网络结构SC-MLP和提出了与之对应的全新的学习算法NBP,主要是实现权值的模和固定,这样可以加速训练的速度.在高维数据分类的实证分析中,以手写数字数据库为例,构建了一个深度神经网络,并对比各种训练算法.实验表明,NBP学习算法对于深度神经网络具有良好的学习效果,明显优于传统的反向传播算法,并且在精度上与深度学习算法相当,但是速度快.     

一种新的排序学习算法

为了克服排序学习算法不能处理包括名词性特征的复杂数据类型的局限性,设计一种新的排序学习算法.在决策树学习算法中,采用新的等级不纯度定义,修改决策树的分裂规则,得到具有直观解释的排序算法,并给出了相关理论基础.实验结果表明:排序树的平均等级损失明显优于感知机类算法和序回归类算法,且具有较快的收敛速度.基于决策树的排序学习算法,可以处理名词性数据和选择相关的特征.     

机器学习的五大类别及其主要算法综述

机器学习作为一门源于人工智能和统计学的学科，是当前数据分析领域重点研究方向之一。首先通过追溯机器学习起源和介绍不同算法在求解策略上的启发性思路，讨论五类机器学习的发展及其主要算法在评价方法和优化方式上的实现，进一步总结归纳各算法适用领域和算法优劣，最后指出各算法克服自身缺陷的最新进展和未来实现多算法融合的研究方向。