基于Sinkhorn距离特征缩放的多约束非负矩阵分解算法

为了减少原始特征对非负矩阵分解(NMF)算法的共适应性干扰,并提高NMF的子空间学习能力与聚类性能,该文提出一种基于Sinkhorn距离特征缩放的多约束半监督非负矩阵分解算法。首先该算法通过Sinkhorn距离对原始输入矩阵进行特征缩放,提高空间内同类数据特征之间的关联性,然后结合样本标签信息的双图流形结构与范数稀疏约束作为双正则项,使分解后的基矩阵具有稀疏特性和较强的空间表达能力,最后,通过KKT条件对所提算法目标函数的进行优化推导,得到有效的乘法更新规则。通过在多个图像数据集以及平移噪声数据上的聚类实验结果对比分析,该文所提算法具有较强的子空间学习能力,且对平移噪声有更强的鲁棒性。     

基于约束非负矩阵分解的高光谱图像解混快速算法

约束非负矩阵分解是高光谱图像解混中常用的方法.该方法的求解通常采用投影梯度法,其收敛速度、求解精度和算法稳定性都有待提高.为此,本文针对较优的最小体积约束,提出一种基于约束非负矩阵分解的高光谱图像解混快速算法.首先优化原有的最小体积约束模型,然后设计了基于交替方向乘子法的非凸项约束非负矩阵分解算法,最后通过奇异值分解优化迭代步骤.模拟和实际数据实验结果验证了本文算法的有效性.     

基于语义路径的异质网络社区发现方法

社区发现是社会网络研究的热点问题,综合利用社会网络中不同对象间的异质信息,可以更加有效地挖掘网络中的社区结构。针对传统的社区发现方法无法有效地利用异质信息的问题,本文提出了一种基于语义路径的异质网络社区发现方法,该方法首先定义网络中的语义路径,通过语义路径来衡量不同类型对象间的异质信息相似度,然后以此构造可靠性矩阵,作为半监督非负矩阵分解的正则化约束项,进而实现异质网络的社区划分。在真实数据集上的实验结果表明,所提出的方法能够更准确地发现异质网络中的社区结构。     

改进增量式非负矩阵分解算法及其在人脸识别中的应用

非负矩阵分解(NMF)是一种有效的子空间降维方法,凭借其可解释性在人脸识别方面有着较好的应用。而增量式非负矩阵分解(INMF)利用近似的原则将上一步迭代寻优的运算结果参与后续计算,有效改善了NMF算法运算规模随训练样本增多而不断增大的现象。文章提出的改进增量式非负矩阵分解算法(Improved Incremental Non-negative Matrix Factorization)在INMF的基础上进一步利用了新加入样本的类别信息,优化了算法中参与迭代的增量系数向量的初始化值,使目标函数在迭代求解时具有更快的收敛速度和全局寻优能力。通过在ORL和YALE人脸数据库上的实验表明,该算法在运算速度和识别率上均优于传统的NMF算法和INMF算法。     

求解非负矩阵分解的有效集BB梯度算法

非负矩阵分解是在非负限制下的一种将一个高维矩阵分解为两个低维矩阵的分解技术。目前,存在的算法大部分是基于乘性迭代算法和交替最小二乘算法。针对交替最小二乘算法的子问题,文中提出了一种有效集BB梯度法,且该算法是全局收敛的。实验结果显示,该算法比投影梯度算法更为有效。     

基于子空间结构正则化的L21非负矩阵分解高光谱解混

标准的非负矩阵分解(NMF)应用于高光谱解混时,容易受到噪声和异常值的干扰,解混效果较差。为了提高分解性能,该文将L₂₁范数引入标准的NMF算法中,对模型进行了改进,从而提高算法的鲁棒性。其次,为了提高分解后丰度矩阵的稀疏性,将双重加权稀疏约束引入L₂₁NMF模型中,使其中一个权值提高每个像元对应的丰度向量上的稀疏性,另一个权值提高每个端元对应的丰度向量上的稀疏性。同时,为了利用像元的全局空间分布信息,观察地物在不同图像中的真实分布情况,引入子空间结构正则项,提出了基于子空间结构正则化的L₂₁非负矩阵分解(L₂₁NMF-SSR)算法。通过在模拟数据集和真实数据集与其他经典算法的比较,验证了该算法具有更好的性能,同时具有去噪能力。     

近似稀疏约束的多层非负矩阵分解高光谱解混

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前,主要采用L0或L1范数作为稀疏度量。L0稀疏性好,但求解困难;L1求解方便,但稀疏性差。提出一种近似稀疏模型,并将其引入到多层非负矩阵分解（AL0-MLNMF）的高光谱解混中,将观测矩阵进行多层次稀疏分解,提高非负矩阵分解高光谱解混的精度,提升算法的收敛性。仿真数据和真实数据实验表明:该算法能够避免陷入局部极值,提高非负矩阵分解高光谱解混性能,算法精度上比其他几种算法都有较大的提升效果,RMSE降低0.001~1.676 7,SAD降低0.002~0.244 3。     

三维非均匀介质成像问题的区域分解方法

在利用数值方法分析非均匀介质问题时,容易生成大型系数矩阵,从而在求解时常常造成计算机内存不足或者计算时间过长。该文利用区域分解方法对三维非均匀介质成像问题进行分析,通过将求解区域划分为几个子区域,在子区域上以迭代求解子问题的方式解决以上问题。文中给出的迭代收敛速度曲线证明区域分解算法的收敛速度很快。该文对一些复杂的非均匀介质问题给出了模拟测量成像的结果。     

色噪声背景下基于四元数MUSIC方法的矢量阵列信号参量估计

研究提取色噪声背景下以Hamilton四元数表示的二分量矢量阵列信号模型参量.首先详细说明了Hamilton四元数矩阵的右特征值分解理论及其具体的计算方法,然后构造了Hamilton四元数的二重相关函数(相关函数的再次相关函数),二重相关函数不仅能够有效地表征二分量矢量阵列信号参量,同时还可以抑制色噪声.最后,定义了二重相关函数的Toeplitz矩阵,利用介绍的四元数矩阵右特征值分解的计算方法得到信号子空间与噪声子空间,再利用噪声子空间与信号子空间的正交性采用四元数MUSIC的方法估计出信号参量.仿真对比实验说明此算法是有效的.     

稳健收敛的时差频差定位技术

为实现对目标位置和速度的精确定位,该文提出一种基于正则化理论的时差频差定位技术。该算法首先利用最大似然方法确定目标函数,然后通过传统牛顿法对目标位置和速度进行迭代求解。众所周知传统牛顿法对初始值要求较高,较差初始值会导致Hess矩阵趋于病态,从而致使迭代发散,该文引入正则化理论修正Hess矩阵,使其更加合理,保证算法稳健收敛。实验结果表明:相对于传统牛顿法,该文算法在初始值的选取上具有稳健性,对误差选取较大的初始值,仍能够保证算法的收敛性;相对于现有闭合式定位方法,该文算法在噪声较大时具有较好的定位精度,定位精度接近于Cramer-Rao界,具有广泛的实用价值。     

Research on Base Station Sleeping Mechanism of User Connections in Ultra Dense Network

On the basic of traditional macro cellular networks, ultra dense networks deploy plenty of low-power nodes working with maximum power, which provide superior communication quality and produce more energy consumption in networks. Aiming at the problem of wasting network resources caused by low-power nodes during low-load period in ultra dense networks, we study a kind of base station sleeping mechanism based on user connections. When the network loads are low, the connections between users and base stations (BSs) are sensed by environment awareness technology. Then, the connection relationship is used to establish a connection matrix. After that we use the established connection matrix to build a weighted bipartite graph. Taking the users’ QoS and the load of BSs into account, we build a weight matrix by weighting the two as the weights of the bipartite graph. We get the optimal connection between users and base stations by constantly optimizing the value of the connection matrix. By modeling, we transform the optimization problem into a 0–1 integer programming problem and get the optimal connection by Particle Swarm Optimization algorithm. Finally, the sleeping mechanism is executed according to this connection matrix, and we achieve the goal of energy conservation by closing low-load BSs.     

基于图流在线非负矩阵分解的社团检测

针对现有的在线社团检测方法大多仅从增量相关的节点和边出发,难以有效挖掘社团结构的动态变化特性问题,提出了一种基于图流在线非负矩阵分解的社团检测方法.首先将网络中持续到达的图数据按照流式数据进行存储和预处理,然后借鉴梯度下降思想,采用在线非负矩阵分解架构,根据不同时刻达到的图流序列,实时迭代更新社团归属矩阵,并通过有效的学习率和缓存策略设置,保证了图流处理的收敛性和合理性.实验结果表明,相比于已有在线社团检测方法,该方法具备更高的社团检测精度.     

基于二分图模型的通信信息网络故障联合定位

国家电网信息通信网络依靠两套运维系统,分别实现对信息网络与通信网络的故障定位与分析,然而通信网络故障往往会引发信息网络故障,如何高效精确地进行通信信息网络故障联合定位是亟需解决的问题.针对信息通信网络的联合故障定位问题,提出了基于二分图模型的故障联合定位算法.首先依据通信网网络节点的关联性对网络分簇,并将每一簇作为一个子域.其次在每个子域内建立基于二分图的故障关联影响模型,最终利用目标排序法并行地对多个子域内网络故障进行分析,从而实现通信信息网络关联故障高效精确的联合定位.实验结果表明,该联合故障定位分析方法的故障诊断率达85％～95％.     

Two Algorithms for Determining the Most Reliable Path of a Network

This paper presents two algorithms for determining the most reliable paths of a communication network, taking into account both the reliabilities of nodes and links. A network is modeled by a linear graph. The first algorithm adapts a node labeling scheme; second is based on the shortest-path matrix algorithm. Both algorithms can be applied to oriented and nonoriented nonsymetric networks. The numerical examples confirm that both algorithms efficiently handle networks with hundreds of nodes and edges. The total amount of computation, expressed by the number of multiplications and comparisons, increases in the labeling procedure with the square of the number of nodes, and in the matrix method with the cube of the number of nodes.     

Factor graphs and the sum-product algorithm

Algorithms that must deal with complicated global functions of many variables often exploit the manner in which the given functions factor as a product of “local” functions, each of which depends on a subset of the variables. Such a factorization can be visualized with a bipartite graph that we call a factor graph, In this tutorial paper, we present a generic message-passing algorithm, the sum-product algorithm, that operates in a factor graph. Following a single, simple computational rule, the sum-product algorithm computes-either exactly or approximately-various marginal functions derived from the global function. A wide variety of algorithms developed in artificial intelligence, signal processing, and digital communications can be derived as specific instances of the sum-product algorithm, including the forward/backward algorithm, the Viterbi algorithm, the iterative “turbo” decoding algorithm, Pearl's (1988) belief propagation algorithm for Bayesian networks, the Kalman filter, and certain fast Fourier transform (FFT) algorithms     

基于加权内容-结构网络和随机游走的社团划分算法

针对传统模块优化社团划分算法仅能利用网络的结构信息,而无法利用同样丰富的内容信息,导致划分精度较低的问题,提出一种结合内容属性并通过给连边加权来全面优化网络拓扑结构的社团划分算法CCSRW（Classification with Content-Structure and Random Walk）.设计利用随机游走理论计算结构节点与内容节点间的相似性关系矩阵,并将结构节点映射到内容属性空间上,最终把社团划分问题转化为多维无监督聚类问题.通过在真实数据集上进行的全面实验分析,展示了相比于传统社团划分算法,本文的算法能更准确的描述网络结构,显著提高划分性能,并有效解决小社团不敏感问题,更适用于大规模复杂信息网络的社团划分.     

面向图表示社区检测的新型聚类覆盖算法

图表示社区检测使用图表示方法学习网络节点的向量表示,然后对节点向量进行聚类获得社团结构.然而经典的聚类算法在聚类节点向量时,得到的结果往往不能够体现社区的特性.提出一种新型的聚类覆盖算法,将聚类所得覆盖视为社区划分结果.首先在节点向量空间中计算得到每个簇的覆盖中心;然后根据覆盖中心到同类样本的平均距离作为覆盖半径,在向量空间中形成覆盖;最后对未覆盖的点做二次划分得到社区结构.在多个有真实和无真实标签网络的实验表明,所提出的算法可以得到更合理的社区结果.     

Mapping a class of neural networks on k-ary n-cubes

In this paper we propose a scheme for mapping two important artificial neural network (ANN) models on the popular k-ary n-cube parallel architectures (KNCs). The scheme is based on generalizing the mapping of a bipartite graph onto the KNC architecture and thus can be adapted to any model whose computations can be represented by a bipartite task graph. Our approach is the first to adjust the granularity of parallelism so as to achieve the best possible performance based on properties of the computational model and the target architecture. We first introduce a methodology for optimal implementation of multi-layer feedforward artificial neural networks (FFANNs) trained with the backpropagation algorithm on KNCs. We prove that our mapping methodology is time-optimal and that it provides for maximum processor utilization regardless of the structure of the FFANN. We show that the same methodology can be utilized for efficient mapping of Radial Basis Function neural networks (RBFs) on KNCs. This revised version was published online in June 2006 with corrections to the Cover Date.     

一种基于矩阵补全的无线传感网数据收集方案

针对无线传感器网络中的数据收集问题,设计了一种基于矩阵补全的数据收集方案.首先利用低秩矩阵分解模型将传感器节点的数据收集问题转换为两个相互关联的凸优化子问题,然后利用基于改进Kaczmarz迭代的矩阵补全算法循环交替求解凸优化子问题.在Kaczmarz迭代过程中,依据Johnson-Lindenstrauss引理对投影操作降维,从而提高了矩阵补全算法的计算速度.实验结果表明与现有矩阵补全算法相比,文中所设计的矩阵补全算法在重构精度、成功重构概率以及重构时间等方面具有较优的重构性能.