【摘 要】
：
为了调控数据之间的差异性,一般化的处理方式是对数据简单地进行按比例缩放,而此类做法本身对于数据的信息是不存在任何破坏的。但在进行聚类分析时,大部分算法对于按比缩放的数据都是很敏感的,其中较典型的算法有极大熵聚类(MEC)算法。大量的实验表明,当缩放尺度位于10-3数量级以下时,极大熵聚类算法已经失效,通过该算法得到的聚类中心趋于一致。为了解决上述问题,在MEC算法的基础上引入最大中心间隔项与缩放因
【机 构】
：
江南大学物联网工程学院,江南大学数字媒体学院
【基金项目】
：
国家自然科学基金资助项目（90820002）, 江苏省自然科学基金资助项目（BK2009067）
论文部分内容阅读
为了调控数据之间的差异性,一般化的处理方式是对数据简单地进行按比例缩放,而此类做法本身对于数据的信息是不存在任何破坏的。但在进行聚类分析时,大部分算法对于按比缩放的数据都是很敏感的,其中较典型的算法有极大熵聚类(MEC)算法。大量的实验表明,当缩放尺度位于10-3数量级以下时,极大熵聚类算法已经失效,通过该算法得到的聚类中心趋于一致。为了解决上述问题,在MEC算法的基础上引入最大中心间隔项与缩放因子η,构造出了全新的目标函数,称为η型最大中心间隔极大熵聚类(η-MCS-MEC)算法。该算法通过调控中
其他文献
针对TCP流量中高比例单包流影响组流效率问题进行了研究,基于网络流特性和TCP规范提出了一种概率保证的TCP单包流过滤机制,在CERNET主干节点跨度两年的大量Traces上进行了实验。结果表明,该策略以极少的精度损失获取了大幅度的效率提升,与现有策略相比,性能和稳定性都有显著提升。
针对可见光通信系统中翻转正交频分复用(Flip-OFDM)信号峰均较高导致LED非线性失真严重的问题,根据Flip-OFDM信号的单极性提出一种基于动态补偿的LED非线性失真抑制算法。首先通过最小化FlipOFDM负信号幅值确定部分传输序列(PTS)的加权系数,并对Flip-OFDM信号进行限幅(clipping),保证信号处于LED的准线性安全工作区域;然后根据正信号序列动态计算补偿信号,并承载
针对城市有轨电车运行环境复杂、列车运行调整存在众多约束条件、求解难度大等问题,提出虚站台概念,在此基础上建立了优化的列车运行调整模型。引入免疫系统中的免疫记忆特性和抗体浓度抑制思想,采用免疫粒子群算法对此模型进行求解,并以海珠区环岛新型城市有轨电车实验段数据进行仿真。结果表明,在引入虚站台概念基础上,采用免疫粒子群算法能够有效地解决城市有轨电车运行调整问题,并且其优化能力优于遗传算法。
通过分析具有稀疏特征的对象—属性子空间的特征,发现其边缘存在交叉重叠区域现象,为此,提出了基于聚类思想的具有稀疏特征的对象—属性子空间边缘的重叠区域归属算法(OASEDA),该算法能有效解决对象—属性子空间的独立性,算法根据子空间内部紧凑度和子空间之间分离度相对大小确定子空间边缘重叠区域的归属,并基于K-means算法结合权重理论设计了重叠区域归属判断目标函数,最后通过实验证明了该方法的有效性。
通过分析文本特征和背景,提出一种基于最大梯度差的叠加文本定位算法。首先获得横向和竖向两个方向的梯度图像,然后设定一个窗口扫描整个图像,分别计算窗口内的最大梯度差,得到两个方向的最大梯度差矩阵,然后分别通过自适应阈值算法找出疑似文本像素,再将两个方向的判决结果取交集,消除部分复杂背景造成的误判。接着利用数学形态学运算和先验知识剔除伪文本区。最后利用改进的穿越线算法精确定位文本。实验表明,本算法不仅对
为降低噪声对数据特征提取(变量选择)效果的不利影响,基于中位数回归分析方法,利用变量选择降维技术(正则化估计),提出了一种稳健、有效的特征提取(变量选择)新方法,并具体给出了估计算法,该算法具有快速计算的特点。实验结果表明,新方法能够有效地对高维数据集进行估计和变量选择,且具有较高的准确性,即使数据中的信噪比很低时,该方法仍具有较好的效果。因此,该方法为高维数据挖掘特征提取提供了稳健且有效的方法。
现有的核磁共振成像(MRI)图像序列去噪方法大都针对单一的噪声类型,在实际中面对复杂的噪声情况其去噪效果并不理想。为改善这一现状,提出了一种基于低秩矩阵填充的MRI图像序列的去噪方法。针对混合噪声,通过在空间域和时域搜索和分组近似块,将去噪问题转换为低秩矩阵填充问题,使其不需要限定噪声的统计特性。实验结果表明,针对混合噪声,该算法的鲁棒性与去噪性能对比其他算法有所提升。
社会化媒体提供了海量的、大尺度的异质网络数据,如何对网络数据进行分类是一个亟待解决的新问题。基于潜在社会维模型,提出利用流形学习中的拉普拉斯特征映射算法进行社会维抽取。实验表明,在精确匹配率、微平均、宏平均等性能指标上,均优于基于模块度最大化的原有社会维模型。该算法能更好地获取用户的隐性联系,从而更好地分析网络用户行为。
提出了一种面向行为识别的拉普拉斯特征映射算法的改进方法。首先,将Kinect提供的关节点数据作为姿态特征,采用Levenstein距离改进流形学习算法中的拉普拉斯特征映射算法,并映射到二维空间得到待识别行为的嵌入空间;其次,结合待识别行为的嵌入空间和训练数据建立先验模型;最后,通过重新设计的粒子动态模型和观察模型,采用粒子滤波算法进行行为识别。实验结果表明,该方法可以对重复动作、遮挡,以及动作幅度
针对视频中异常目标行为特征的有效表示问题,提出一种基于动态感知模型的异常目标发现方法。对视频场景中的光滑、纹理、边沿区域建立动态感知模型,得到运动注意块作为候选检测位置,减少了对非感兴趣区域的冗余计算,再提取运动注意块的时空HNF特征使用稀疏编码算法训练生成字典。根据样本关于字典的重构误差是否超过预设阈值作为个体异常发现的判别标准。实验结果与测试数据库Ground Truth比较说明了该方法的有效