一种改进的模糊聚类有效性指标

在先前指标的基础上提出了一种改进的聚类有效性指标,该指标以紧密性和分离性之比定义,不仅体现了数据的隶属度和几何结构的相关信息,同时也反映了数据的分布情况.实验表明,该指标可以使数据集实现正确划分,具有较高的可靠性.     

基于SFLA聚类的选择性ELM集成算法

本文提出一种基于SFLA聚类的选择性ELM集成方法。实验结果表明,与集成RBF神经网络模型相比,采用本文方法对模拟电路进行在线故障诊断具有较高的准确性。     

基于加权co-occurrence矩阵的聚类集成算法

聚类集成是数据挖掘研究的一个热点。它是利用同一数据集的多个聚类划分集成在一起,以提高聚类分析的性能。当前相关研究大多没有考虑进行集成的聚类成员的质量,因此较差的成员会对集成结果产生不良影响。文中提出了一种基于加权co-occurrence矩阵的聚类集成算法(WCSCE)。该方法首先计算出聚类成员基于属性值的co-occurrence矩阵,然后对聚类成员的质量进行简单评价并赋予权重,生成加权co-occurrence矩阵,进而产生集成结果。最后通过实验验证了该算法的有效性,并提高了聚类质量。     

基于K-medoids聚类的贝叶斯集成算法

朴素贝叶斯分类算法由于其计算高效在生活中应用广泛。本文根据集成算法的差异性特征,聚类算法聚类点的选择方式的可变性,提出了基于K-medoids聚类技术的贝叶斯集成算法,朴素贝叶斯的泛化性能得到了提升。首先,通过样本集训练出多个朴素贝叶斯基分类器模型;然后,为了增大基分类器之间的差异性,利用K-medoids算法对基分类器在验证集上的预测结果进行聚类;最后,从每个聚类簇中选择泛化性能最佳的基分类器进行集成学习,最终结果由简单投票法得出。将该算法应用于UCI数据集,并与其他类似算法进行比较可得,本文提出的基于K-medoids聚类的贝叶斯集成算法(NBKME)提高了数据集的分类准确率。     

使用谱聚类算法解决文本聚类集成问题

采用2个不同的谱聚类算法解决文本聚类集成问题.为使算法可扩展到大规模应用,基于代数变换,通过求解小规模矩阵的特征值分解问题避免了大规模矩阵的特征值分解问题,有效降低了2个谱聚类算法的计算复杂度.分别从矩阵扰动理论和图上的随机游走的角度解释了2个算法的有效性.在真实文本集上的实验结果表明:提出的代数变换方法是有效的,该方法可以有效提高谱聚类算法的运行效率;该聚类集成谱算法比其他常见的聚类集成算法更优越、更高效,可以有效解决文本聚类集成问题.     

基于聚类赋权的冲突证据组合方法

针对高度冲突证据组合失效的问题,着重考虑证据之间相互关系与证据本身特性的结合,提出了一种基于聚类赋权的冲突证据组合方法。首先,构建相似系数对证据进行聚类分析,通过类容量确定类间权重反映类间差异。然后,引入信息熵获取各证据的类内权重,综合类间权重和类内权重得到证据的修正权重。最后,根据该权重修正冲突证据,使用证据理论组合规则完成对修正证据的最终合成。数例验证结果表明,所提方法能够合理地修正证据,并且组合结果相比其他方法具有更好的聚焦效果。     

一种基于T-分布随机近邻嵌入的聚类集成方法

该文将T-分布随机近邻嵌入(TSNE)引入到聚类集成问题中,提出一种基于TSNE的聚类集成方法。首先通过TSNE最小化超图邻接矩阵的行对应的高维数据点与低维映射点分布之间的KL散度,使得高维空间结构在低维空间得以保持,然后在低维空间运行层次聚类算法获得最终的聚类结果。在基准数据集上的实验结果表明： TSNE能够提高层次聚类算法的聚类质量,该文方法获得了优于主流聚类集成方法的结果。     

基于动态聚类和合理性差别的证据理论改进算法

针对证据高度冲突时利用DS证据理论直接进行融合会得出不合理结果的问题,文中提出了一种新的证据融合方法.首先,利用动态聚类对证据进行分类,将含证据最多的类称为主类,其余类称为旁类.当旁类的证据个数与总的证据个数的比值小于或等于设定的阈值时,认为上述证据不合理并删除;当比值大于这一阈值时,则保留该旁类中的证据.然后,提出基于重心距离的方法确定剩余证据的可信度,求出期望证据,最后对其迭代融合.计算机仿真结果验证了该方法的有效性.     

基于可能性分布的聚类有效性

依据可能性理论，本文引入了一个新的划分系数，结合Ｊ．Ｃ．Ｂｅｚｒｌｅｋ给出的划分系数，定义一个新的聚类有效性函数，计算机模拟表明该聚类有效性函数具有良好的判决功能和鲁棒性。     

基于证据源预处理的冲突证据组合新方法

针对冲突证据的组合问题,提出了一种新的证据组合方法。通过定义证据间的Jaccard相似度获得各个证据的归一化可信度,在此基础上获得一个标准证据。利用该标准证据对各初始证据进行修正,最后利用Dempster-Shafer(DS)组合规则获得证据组合结果。证据组合过程中既保持了DS规则良好的数学性质,又有效地减小了冲突证据带来的干扰,提高了组合结果的合理性与可靠性。     

基于波段指数的高光谱影像波段选择算法

为了去除高光谱影像的数据冗余,提高高光谱影像处理的精度和效率,提出了一种基于波段指数的高光谱影像波段选择算法。采用小波变换对高光谱图像数据进行去噪处理,依据联合偏度-峰度指数将波段进行分组,再根据波段指数的大小确定相对较小指数的波段,并将其作为冗余波段进行去除,从而得到最小波段集。结果表明,利用该波段集和全波段所选的端元是一致的,在不影响端元提取的前提下,最大程度地去除了冗余波段,而且该波段集与全波段的分类精度较接近。该算法在波段选择过程中具有可行性与有效性,为降低高光谱影像维数提供了一种帮助。     

一种基于历史信息的簇头选取机制

无线传感器网络（WSN,Wireless Sensor Network）中,如何减少节点的能耗一直是簇头选择机制的研究目标。现提出了一种基于历史能耗信息选择机制的簇头选择算法（CHCM,Cluster Head Choosing Mechanism）,该算法通过节点历史能耗信息和节点分布密度参数预测簇头能耗速度,并将该预测方法融入簇头选取过程当中,使网络生命期延长。最后利用CHCM对LEACH路由协议进行改进,得到CHCM＋LEACH路由协议。仿真结果表明CHCM＋LEACH在网络生命期和网络总剩余能量上分别比LEACH算法分别提高了27%和14%。     

Data streams classification with ensemble model based on decision-feedback简

The main challenges of data streams classification include infinite length, concept-drifting, arrival of novel classes and lack of labeled instances. Most existing techniques address only some of them and ignore others. So an ensemble classification model based on decision-feedback（ECM-BDF） is presented in this paper to address all these challenges. Firstly, a data stream is divided into sequential chunks and a classification model is trained from each labeled data chunk. To address the infinite length and concept-drifting problem, a fixed number of such models constitute an ensemble model E and subsequent labeled chunks are used to update E. To deal with the appearance of novel classes and limited labeled instances problem, the model incorporates a novel class detection mechanism to detect the arrival of a novel class without training E with labeled instances of that class. Meanwhile, unsupervised models are trained from unlabeled instances to provide useful constraints for E. An extended ensemble model Ex can be acquired with the constraints as feedback information, and then unlabeled instances can be classified more accurately by satisfying the maximum consensus of Ex. Experimental results demonstrate that the proposed ECM-BDF outperforms traditional techniques in classifying data streams with limited labeled data.     

基于多臂赌博机模型的信道选择

在择机频谱接入系统中,为解决未知信道环境先验知识下的信道选择问题,提出了一种基于多臂赌博机(MAB)模型的改进UCB(Upper Confidence Bound) 索引选择策略。该策略是通过在UCB索引的置信因子中引入收益方差值来调整对未知信道环境的探索过程,以降低探索成本。结合理论证明了本策略有较快的收敛速度,还证明了本策略下的学习后悔值曲线与时隙呈近似对数关系而较缓慢增长。仿真结果表明,与原UCB策略以及贪心算法相比,所提策略更能自适应地选择可用性较好的信道,有效降低学习后悔值并加快其收敛速度,从而提高了系统吞吐量。     

基于类内差异和类间重叠的有效性函数

模糊C-均值(FCM)聚类算法的一个主要问题是需要事先确定聚类的数目,为此定义了类内差异度和类间重叠度来分别度量同一个聚类中数据的相似度和不同聚类间的分离程度,进而基于这两个度量提出一个新的有效性函数用于判定最佳聚类数目。实验结果表明,该有效性函数能有效地判定聚类数目,并且有较好的鲁棒性。     

基于Stacking集成学习的信源数估计方法

针对小快拍数下的信源数估计,文中提出了一种基于Stacking集成学习的信源数估计模型,该模型整合XGBoost、LightGBM及简单全连接神经网络作为三个并行的初级学习器,并将Logistic Re-gression模型作为次级学习器,最终得到Stacking集成学习的信源数估计模型XLN-L-Stacking.实...     

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动...     

基于特征向量选择的非线性盲分离算法

在基于解广义特征方程的线性混合信号盲分离方法的基础上,结合核特征空间给出了一种基于特征选择的非线性混合信号盲分离算法。该算法首先将非线性混合信号映射到高维特征空间,根据适应度函数选出一组完备的特征向量基。其次,通过这组特征向量基将高维特征空间的信号映射到参数空间,从而把非线性混合信号盲分离问题转化为特征空间的线性混合信号盲分离问题。在特征空间中,应用基于解广义特征方程的线性混合信号盲分离方法对信号进行分离。该方法稳定性好,收敛精度高,计算量小。仿真结果表明该算法具有良好的分离性能。