基于高阶近似的链路预测算法

目前大部分链路预测算法只研究了节点与邻居节点之间的一阶相似性，没有考虑节点与邻居的邻居节点之间的高阶相似性关系。针对此问题，提出一种基于高阶近似的链路预测算法（LP-HOPA）。首先，求出网络的归一化邻接矩阵和相似度矩阵；其次，利用矩阵分解的方法将相似度矩阵进行分解，得到网络节点的表示向量以及其上下文的表示向量；然后，通过高阶网络表示学习的网络嵌入更新（NEU）算法对原始相似度矩阵进行高阶优化，并利用归一化的邻接矩阵计算出更高阶的相似度矩阵表示；最后，在四个真实的数据集上进行大量的实验。实验结果表明，与原始链路预测算法相比，大部分利用LP-HOPA优化后的链路预测算法准确率提升了4%到50%。此外，LP-HOPA算法能够将基于低阶网络局部结构信息的链路预测算法转换为基于节点高阶特征的链路预测算法，在一定程度上肯定了基于高阶近似链路预测算法的有效性和可行性。     

非线性系统高阶迭代学习算法

结合迭代学习控制算法中的开环和闭环方案，本文针对更一般的非线性系统，讨论高阶算法的广泛适用性。理论和仿真结果表明了高阶算法在输出跟踪和干扰抑制方面的有效性。     

高阶Hopfield神经网求解合取范式可满足性问题

本文提出用高阶Ｈｏｐｆｉｅｌｄ神经网络求解ＳＡＴ问题，给出了连续及离散高阶神经网络模型与相应的离散快速求解算法，证明了网络的稳定性，并用实验证明了该方法的可行性，且将该算法与Ｌｏｃａｌ Ｓｅａｒｃｈ算法进行了比较。     

主动队列管理RED算法改进与实验仿真研究

分析了RED及其改进算法的原理和局限性，提出了一种非线性高阶RED拥塞控制机制。该算法利用一个高阶分组丢弃函数，在下限阈值附近以较低的概率标记丢弃分组，在上限阈值附近迅速提高分组的标记丢弃概率。并对网络仿真器NS2进行扩展，通过系列仿真实验验证了改进算法有效提高了网络性能。     

多注意力机制融合低高阶特征的神经推荐算法

针对因子分解机仅提取低阶组合特征的局限性，提出了一种基于多注意力机制融合低阶和高阶组合特征的深度神经推荐算法（deep neural recommendation method,DeepNRM）。分别运用因子分解机和多层前馈神经网络从稀疏及稠密特征中提取低阶和高阶组合特征；采用注意力网络和多头自注意力机制从低阶和高阶组合特征中自动选取关键特征；将低、高阶组合特征根据重要性进行融合共同进行推荐。算法模型在MovieLens和Criteo公共数据集上进行了实验验证，消融和对比实验结果表明，提出的算法模型与基准模型相比在AUC指标上分别有1.964个百分点和0.773个百分点的提升。     

高阶各向异性扩散小波收缩图像降噪算法

证明一种高阶各向异性扩散与小波收缩的等价性,并根据等价性利用高阶各向异性扩散与小波收缩的优势,提出高阶各向异性扩散小波收缩降噪算法。该算法在低频部分采用经典的非线性扩散方法进行扩散,在高频部分采用高阶各向异性扩散方法进行小波收缩。实验结果表明,高阶各向异性扩散小波收缩算法的计算复杂性介于高阶各向异性扩散与小波收缩算法之间,降噪能力高于这2种方法。     

一种基于高阶统计量的不变量图像识别算法

提出了一种基于高阶统计量的图像识别算法。利用投影将图像数据变换到一维空间，降低了计算的复杂度。通过计算投影数据的高阶统计量，构造出具有比例和平移不变性的图像特征。为得到旋转不变性，提出了一种基于循环相关的算法，从而得到该图像真正具有不变性的特征。还提出了一种改进的整体平均算法，使得该不变量计算速度大为提高。通过仿真对比，指出算法是有效的。     

高阶旋转体时域有限差分法

旋转体时域有限差分法(BOR FDTD)是模拟电磁波与旋转对称目标体相互作用的一种高效算法,但目前的BOR FDTD对时间和空间的差分精度均只有二阶.通过把电磁场各分量作泰勒展开,并结合麦克斯韦方程,提出了BOR FDTD的三种高阶算法.相对于目前的BOR FDTD,三种高阶算法均不增加存储量.通过模拟简谐波与介质球的相互作用并和理论值作比较,证实了高阶算法在提高计算精度方面的有效性.此外还分析了三种高阶算法的优、缺点,给出了关于高阶算法应用的建议.     

一种高效的图像插值算法

介绍了一种基于像素点的颜色绝对误差的图像插值算法。该算法将高阶算法与低阶算法相结合,以接近低阶算法的运算开销,获得了高阶算法的插值质量。     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

全相似高阶规范割算法研究

已有的高阶算法中,构建相似模型时仅使用少量超边构建稀疏相似模型,同时高阶相似模型仅考虑使用单阶的高阶相似关系.为解决这两个问题,以规范割算法为基础,采用直推式学习技术,从标准化和非标准化拉氏矩阵两个角度分别构建全相似高阶模型和全相似多阶相似模型.根据规范割算法构建直推式学习框架,然后展示该框架如何在算法中训练全相似关系.研究结果显示,在所提出的算法中超边之间的全相似关系能以一个简洁的形式应用.以此为基础,将多阶全相似关系进行融合,提出融合多阶信息的全相似多阶相似模型.将构建的全相似高阶相似模型和全相似多阶相似模型应用到规范割算法框架中,提出全相似高阶规范割算法和全相似多阶规范割算法.在两种高阶相似模型中,全相似张量采用稀疏张量逆的形式,并且该逆矩阵可以转换为规范割框架中稀疏张量特征分解问题.将所提出的算法应用于运动分割,并与现有的高阶算法进行对比,实验结果显示,所提出的算法具有一定的优势.     

一种高阶滑模控制算法的改进及应用

针对一类高阶滑模算法收敛速度慢、控制作用不连续等不足,以二自由度轮式机器人为控制对象设计了改进算法．首先,引入虚拟控制项以增加系统相对阶的形式进行高阶滑模算法改进,得出了一种新的高阶滑模控制律．与原算法相比,系统收敛速度快、控制作用平滑连续．然后,为解决二阶超螺旋算法仅适用于系统相对阶为1的问题,以跟踪误差的高阶导数建立滑动量,构造适用于高阶系统的二阶超螺旋算法．最后,通过数值仿真验证了改进算法的有效性．     

基于高阶一致性学习的聚类集成算法

现有的大部分关于聚类集成的研究主要关注有效的集成算法的设计。为解决由于基聚类器的质量高低不一、低质量的基聚类器对聚类集成性能产生影响的问题，从数据发掘的角度出发，以基聚类器为基础挖掘数据的内在联系，提出一种高阶信息融合算法——基于高阶一致性学习的聚类集成（HCLCE）算法，从不同的维度表示数据之间的联系。首先，将每种高阶信息融合成一个新的结构化的一致性矩阵；然后，再对得到的多个一致性矩阵进行融合；最后，将多种信息融合为一个一致性的结果。实验结果表明，与次优的LWEA(Locally Weighted Evidence Accumulation)算法相比，HCLCE算法的聚类准确率平均提升了7.22%，归一化互信息（NMI）平均提升了9.19%。可见，HCLCE能得到比聚类集成算法和单独使用一种信息更好的聚类结果。     

控制系统性能诊断—高阶统计量方法

针对控制系统性能的下降将直接导致设备、生产过程的异常，以及产品质量下降的问题，通过对某矿长钢丝绳胶带输送机尾部张力控制系统的分析，研究了控制系统性能的诊断问题。采用高阶统计量方法来分析控制系统性能下降的原因，提出了诊断控制系统性能下降原因的算法，并将该算法应用于实际工业系统。结果显示，高阶统计量包含了丰富的信息，能有效地反映非线性程度的强弱，在控制系统性能诊断方面具有一定的优越性，说明了该算法的可行性和有效性。     

一种保持频域高阶统计特征不变的隐写算法

在分析离散Haar小波分解特性的基础上,论证保持其高阶统计特征不变性引理,据此设计一种空域隐写算法,保持了图像Haar小波分解后H、V、D区域的高阶统计特征。该算法使嵌入信息满足不可见性,具有一定抗RS攻击和基于高阶统计特征检测的能力,为构造保持高阶统计特征不变的更一般性隐写算法提供了一种启发式思路。     

基于高阶累积量的盲反卷积算法的比较

通过对高阶统计理论以及对建立在高阶统计理论基础上的累积量盲反卷积算法的分析与研究,研究了两种基于高阶累积量的盲反卷积算法的原理,并且通过这两种算法对信号的处理结果,比较了这两种算法的性能.     

基于配对方法的自动定理证明

ＰｅｔｅｒＢ．Ａｎｄｒｅｗｓ提出了自动定理证明的配对方法的理论和算法．本文针对该算法的缺点，给出了一个无需回溯的实现算法，并得到一个高阶逻辑的自动定理证明系统.     

高阶异构数据层次联合聚类算法

在实际应用中,包含多种特征空间信息的高阶异构数据广泛出现.由于高阶联合聚类算法能够有效融合多种特征空间信息提高聚类效果,近年来逐渐成为研究热点.目前高阶联合聚类算法多数为非层次聚类算法.然而,高阶异构数据内部往往隐藏着层次聚簇结构,为了更有效地挖掘数据内部隐藏的层次聚簇模式,提出了一种高阶层次联合聚类算法(high-order hierarchical co-clustering algorithm,HHCC).该算法利用变量相关性度量指标Goodman-Kruskal τ衡量对象变量和特征变量的相关性,将相关性较强的对象划分到同一个对象聚簇中,同时将相关性较强的特征划分到同一个特征聚簇中.HHCC算法采用自顶向下的分层聚类策略,利用指标Goodman-Kruskal τ评估每层对象和特征的聚类质量,利用局部搜索方法优化指标Goodman-Kruskal τ,自动确定聚簇数目,获得每层的聚类结果,最终形成树状聚簇结构.实验结果表明HHCC算法的聚类效果优于4种经典的同构层次聚类算法和5种已有的非层次高阶联合聚类算法.     

基于小波变换和高阶PDE的图像放大算法研究

本文在对传统小波变换算法改进的基础上,提出了基于小波变换以及高阶PDE的图像放大新算法。与传统的小波变换图像放大算法相比,将小波变换与高阶PDE有效结合的算法能更好保留图像的细节特征,仿真结果和视觉感受都表明该算法有较好的图像放大效果。     

基于流形的表情分解算法

提出了基于流形的表情分解算法。首先,运用保局投影将图像投影到低维的表情流形子空间,再在流形子空间里对它们进行高阶奇异值分解,最后在个人子空间和表情子空间里完成人脸和表情识别。该算法用流形学习解决了高阶奇异值分解中的图像特征值提取问题,用高阶奇异值分解解决了流形表情识别中个人模式影响表情识别的问题。是一种流形学习与高阶奇异值分解优势互补的算法。在CMU-AMP和JAFFE人脸库上的实验表明,该算法对人脸和表情识别都十分有效。