基于Horseshoe+先验的惩罚置信区域变量选择方法

针对高维稀疏线性回归问题,相关变量的数量远远少于不相关变量.相关变量的变量选择问题对于传统的频率论正则化方法是一大挑战.现有的贝叶斯惩罚置信区域法通过将模型拟合与变量选择分离,在联合后验置信区域内搜索最稀疏解,从而得到稀疏模型解.且该方法在高维变量选择效果上优于常用的变量选择方法.在此基础上,针对高维稀疏模型,将原方法中依赖的共轭正态先验替换成针对"稀疏信号勘测问题"提出的Horseshoe+先验,利用Horseshoe+先验对小系数"重"压缩与大系数几乎零压缩的理论特性,实现对稀疏回归系数的稳健估计.通过数据仿真模拟不同稀疏程度下的高维稀疏线性回归,并将基于Horseshoe+先验的惩罚置信区域法分别与基于正态先验以及Laplace先验的该方法进行比较,结果表明基于Horseshoe+先验的惩罚置信区域法在高维稀疏线性回归问题具有更好的变量选择效果与预测效果.     

基于Cauchy分布模型与NSST变换的图像去噪算法

非下采样Shearlet变换(NSST)具有良好的方向敏感性,各向异性以及平移不变性,是接近最优的多尺度稀疏表示方法.提出一种基于先验柯西(Cauchy)模型的NSST域图像去噪方法,利用Cauchy分布对NSST变换域子带系数概率分布进行拟合,作为先验分布模型,再通过最大后验概率(MAP)方法估计不含噪声的系数.该方法不但保留了传统统计模型去噪方法中的优点,还通过对NSST具有更好拟合效果的柯西分布模型作为先验的概率分布模型,使估计出的系数更接近于原始图像的系数.大量仿真实验验证了所提出方法的有效性.     

垒球绕环式投球动作缺失数据修复方法研究

当前数据修复方法依据垒球运动学关系,构建模型对垒球绕环式投球动作缺失数据进行修复,需要收集大量的骨骼信息先验知识。提出一种基于稀疏表示的垒球绕环式投球动作缺失数据修复方法,将动作捕获设备贴在垒球运动员关节和末端处,以一定的频率对动作数据进行采集,通过重构获取标记点在三维空间中的位置,以ASFAMC的数据格式对垒球绕环式投球动作数据进行存储,给出垒球绕环式投球动作数据捕获过程。针对某一含有缺失标记的垒球绕环式投球动作帧,求出该帧中未缺失部分在由完整帧构成的字典上的稀疏表示系数,通过该稀疏表示系数与字典对动作帧中的缺失数据进行修复。实验结果表明,所提方法具有很高的修复精度。     

基于L_0约束的稀疏子空间聚类

大数据时代背景下,随着所获数据数量和维度的不断增加,高维数据的处理成为聚类分析的重点和难点.基于同一类别高维数据通常分布在高维环绕空间的低维子空间这一事实,子空间聚类成为高维数据聚类分析领域的重要方法.稀疏子空间聚类(Sparse Space Clustering,SSC)通过交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)对数据矩阵的稀疏自表达系数进行求解,发现分布于低维子空间并集中的数据的稀疏表示并进行聚类.但是ADMM参数多、收敛速度慢,其效率难以满足对大规模数据库进行聚类分析的要求.针对这一问题提出了基于L_0约束的稀疏子空间聚类方法,该方法使用正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法求解L_0约束的自表达稀疏重建问题,构建数据集中各数据之间的相关性矩阵,最终对相关性矩阵应用谱聚类方法得到聚类结果.根据OMP算法每次迭代之间的耦合关系对其进行优化,进一步降低了计算复杂度,提高了算法效率.在生成数据和Extended Yale B database人脸数据库的实验结果表明,该算法与SSC相比,在显著减少计算时间的基础上,取得了与SSC相当的聚类准确率.     

基于全变差正则化的压缩感知毫米波成像方法

毫米波成像技术在人体安检领域有着重要的应用,它采用合成孔径雷达成像原理、宽带信号扫描方式实现三维高分辨率成像。针对其采集空域和频域数据冗余造成的信息和成本浪费问题,提出了在三维毫米波全息成像算法的基础上,采用一种傅里叶操作算子化的频率测量方法,从而实现压缩感知稀疏成像。同时依据成像场景,取图像差分域先验信息,引入了第三维频率维稀疏先验,利用三维全变差L1范数正则化方法将图像重构。实验通过真实回波数据成像效果的展示,证明了拥有高分辨率的三维毫米波图像恢复效果优异,并且与二维全变差正则化方法相比,三维全变差正则化方法重构的图像效果更佳,从而证明了所提方法的有效性。     

稀疏对数回归及其在基因选择中的应用

针对微阵列分类中涌现出的小样本、超高维问题,提出了一种同时进行基因选择和分类的稀疏对数回归学习机.结合部分自适应弹性网络惩罚与对数似然损失函数,提出了稀疏对数回归学习机,证明了该学习机能激励自适应群体基因选择效应.     

基于Jackknife互信息的高维非线性回归模型研究

确定独立筛选(SIS)方法在处理超高维稀疏线性回归模型的变量选择问题上已得到了广泛的应用,且已被推广到处理广义线性回归模型的变量选择问题.但SIS不能很好地解决非线性回归模型的变量选择问题,关于该问题的现有研究也较少,因此,如何有效地对超高维稀疏非线性回归模型进行变量选择是一个具有研究价值的问题.本文在经典的SIS方法...     

条件区间分位数超高维特征筛选研究

超高维数据下的特征筛选是模型降维建模的重要环节.基于条件分位数的改进超高维特征筛选方法在给定分位点有扰动情况下可能会导致筛选变量不稳定,针对该问题,引入全局条件分位数的思想,提出基于条件区间分位数的超高维特征筛选方法,并通过理论及数值模拟证明其特征筛选的确定性独立筛选性质和所提方法的有限样本性质.     

基于高斯混合模型的相关子空间投影聚类分析

针对高维数据出现的"维灾"、稀疏性问题及各属性维自身具有的特点,采用高斯混合模型定义的相关子空间,给出一种投影聚类分析算法。首先,采用KNN,得到各个数据对象的局部数据集LDS,并引入稀疏因子生成稀疏度矩阵,而后依据高斯混合模型和稀疏度矩阵,识别出相关子空间和不相关子空间;其次,根据相似性度量,剔除稀疏数据和无关属性维,并利用K-means算法形成聚类簇;最后,采用UCI数据集,验证了该算法的有效性与准确性。     

基于特征参数稀疏表示的SAR图像目标识别

通过对合成孔径雷达（synthetic aperture radar,SAR）图像的统计特性分析,提出一种基于特征参数稀疏表示的SAR图像目标识别算法,有效地解决了图像域稀疏表示识别算法存在的高维问题。由低维高精度的广义二维主分量特征构成过完备字典,基于Fisher线性判别准则对该字典进行学习优化,使得类内更紧凑,类间更分开,同时降低了稀疏求解的复杂度。求解测试样本在优化字典下的稀疏表示系数,根据系数矢量的能量特征完成分类识别。MSTAR（moving and stationany target acquisition and recognition）实测SAR图像数据实验的结果表明,该方法稀疏求解复杂度低,并且只需简单的SAR图像预处理即可有效地提高识别的准确率和速度     

少量已知历史数据下的电能质量复合扰动识别方法

针对训练电能质量复合扰动分类模型遇到少量已知历史数据和海量未标注的采样数据共存的现象,提出了一种基于混合流形正则化图拉普拉斯-海森半监督极限学习机(Laplacian Hessian semi-supervised-extreme learning machine,LHSS-ELM)的复合扰动识别方法.所提方法通过La...     

基于模型共享的分布式无监督异常检测

提出一种具有通用性的分布式异常检测框架.首先,利用本地的无监督异常检测算法,建立多个本地检测模型;然后,将各个本地无监督检测模型转换成统一的共享模型;最后,采用集成学习的方法,综合考虑各模型差异性和准确性,实现全局异常检测.实验结果表明,基于模型共享的分布式异常检测不仅能有效地保护数据隐私,减少通信开销,同时能获得和集中式检测相当甚至在某些情况下更好的效果.     

人工神经网络预测混凝土柱屈服性能

建立了一种基于人工神经网络的矩形混凝土柱屈服性能预测方法.该方法采用经验模型进行柱屈服性能影响因素的分析来确定该神经网络的输入参数,并通过敏感性分析验证了所选神经网络输入参数的合理性.为验证该方法的可行性与有效性,通过对PEER 210组矩形混凝土柱的屈服性能进行预测分析并与经验预测模型的预测结果进行比较.比较分析结果表明:神经网络预测结果与实验结果吻合程度远高于其他经验预测模型;同时也证实该方法在实验数据稀少的情况下为预测结构在地震作用下的性能提供一条新途径.     

Multi-PCA模型过程监测方法

为了研究具有大量高度相关的过程变量的非线性系统的故障诊断问题,提高用于故障检测和诊断的PCA模型的精度,提出一种基于多PCA模型的方法.设计的基于超椭球面的分类规则用来对过程数据分类,建立的多PCA模型用于过程监测,SOFM网络用于故障诊断.发酵过程中的仿真结果表明,多PCA模型方法能确定合理的受控限,提高了过程监测的精度,验证了方法的可行性和有效性.     

纵向数据下广义经验似然方法的有效稳健估计

基于广义经验似然估计方法,提出了一种有效且稳健的估计,实现对纵向数据在线性模型下均值和协方差矩阵的联合估计。利用Cholysky分解将模型重参数化,利用拉格朗日乘子法求出估计值,再还原出均值和协方差矩阵的估计。在模拟研究中将所提方法同文献中其他稳健估计进行比较,结果显示所提方法效率更高。最后将所提方法用于分析CD4细胞数据,交叉验证结果显示所提方法更加可靠。     

利用EXCEL和VBA求解岩心相对渗透率的方法

计算相对渗透率时需要面对大量数据处理和繁多的求解模型以及复杂的计算过程.为了计算快捷、简便调用合适模型并提高求解效率,提出了用EXCEL结合VBA开发计算程序以批量处理实验数据并求解相对渗透率的方法.实例计算表明该方法能够快捷、准确地计算出结果并绘制相对渗透率曲线,简单易用,扩展性强.     

基于弹性网惩罚的复合分位数回归估计

针对高维数据的建模分析问题,提出一种基于弹性网络法和复合分位数回归相结合的稳健估计方法。 在该 估计方法中,所提出的模型能够有效进行变量选择与系数压缩,并处理数据间的多重共线性与群组效应问题,在大 数据时代下具有较广的适应性。 同时,与已有的惩罚最小二乘估计和惩罚分位数回归估计相比,该估计方法不仅 放宽了对模型误差项的分布要求,而且综合考虑了多个分位点的损失,在面对离群值或呈现尖峰、厚尾分布数据时 能够保持更强的稳健性和抗干扰性。 在一定条件下,对所构建模型估计的相合性与稀疏性进行了理论分析,结果 表明:所提出的模型能够将不相关的变量完全压缩至零,且估计量和真实系数以趋于 1 的概率相同。 此外,在数值 模拟方面,设置了 5 种误差项分布条件,根据设定的 4 项指标,通过与其他惩罚函数模型以及损失函数模型进行比 较,结果表明新提出的方法具备更好的稳健性与有效性。     

复杂系统稀异事件预测模型的自组织方法

提出了一类预测模型的一种自组织方法,这类模型适用于预测复杂系统中稀异事件的发生.为便于利用GMDH型算法来建立预测模型,引进了迟滞自变量的概念.一个关于某水域结冰日期的预测实例证实了该方法的有效性     

基于数据的多模型分数阶PID控制方法

针对复杂非线性系统,将多模型建模与分数阶PID控制相结合,设计了一种完全基于输入-输出数据的多模型在线建模控制方法.首先,利用输入-输出数据对非线性系统进行在线多模型建模;然后,针对所建立的多个局部模型,基于加权控制方式设计分数阶PID控制器.该方法将对系统的建模与控制器的设计包含在一个控制系统设计框架以内,对系统模型的不确定性具有更好的鲁棒性,仿真实验的结果表明了该方法的有效性.     

基于ROAD-CPN业务架构的可执行建模方法

开放组架构框架（TOGAF）业务架构作为数据架构、应用架构和技术架构的基准，在企业系统架构设计中占据引导作用。但由于其自身描述形式的局限性，存在无法对系统业务架构框架动态特征进行分析的问题，故提出一种基于ROAD业务架构的着色petri网（CPN）可执行模型生成方法。该方法基于TOGAF业务架构ACF元模型划分提出的4类模型——规则模型（RM）、组织模型（OM）、活动模型（AM）和数据模型（DM），建立4类模型不同描述形式与CPN建模语言间的对应关系，进而提出以RM，OM，AM和DM为主体的可执行模型五阶段建模方法。最后，以幼儿园智能晨检机器人系统业务架构为例，验证了所提方法的可行性和有效性。该方法实现了灵活、自动化的CPN可执行模型的生成，打破了业务架构建模语言和CPN建模语言之间的限制。