一种小样本民机产品的可靠性预测方法

将最小二乘支持向量机(Least square support vector machine,LS-SVM)应用于小样本民机产品的可靠性预测分析。通过重构相空间的饱和嵌入维数,确定最小二乘支持向量机的最佳输入变量;然后,使用最小二乘向量机建立可靠度回归预测模型,运用自动网格搜索法,优化了最小二乘支持向量机的建模参数,实现了比现有方法精度高、泛化性好的模型。训练和测试的可靠性样本取自某机型襟翼液压锁寿命可靠性数据。与神经网络模型的比较实例表明,提出的方法合理有效。     

基于2DPCA的金属断口图像识别方法研究

针对PCA在金属断口图像处理中容易引发的维数灾难问题,提出了一种基于2DPCA的金属断口图像识别方法研究。在提出的方法中,2DPCA以最大化类间散度为准则,其协方差矩阵由原始图像矩阵直接构造。同时将提出的方法与基于PCA识别方法相比较。由实验结果可知:本文提出的识别方法计算量小且识别率也高于PCA识别方法。另外,选取合适的特征空间维数十分重要。当选取特征空间维数过小时,图像信息不完善,识别率低,而当特征空间维数过大时,图像信息冗余,计算量会加大。     

基于粗糙集属性约简和支持向量机的变压器故障诊断

针对油浸式变压器的故障诊断问题,提出一种利用差异化的粗糙集属性约简与有向无环图-支持向量机(DAG-SVM)相结合的方法实现变压器故障类型的快速诊断。该方法首先通过油浸液中溶解气体量的历史数据及其对应的故障类型建立原始故障决策表;然后利用等频率间隔划分法对条件属性数据作离散化处理,利用差分矩阵对决策表信息进行差异化属性约简,建立每两类故障间的诊断规则,消除对决策结果区分度较低的冗余属性;最后根据约简属性的对应数据作为特征向量输入,构建有向无环图-支持向量机多分类诊断网络,进而实现对故障类型的判断。仿真实例表明,该方法在系统检测中提高了故障诊断的准确率。     

一种基于语义相似度的文本聚类算法

文本聚类在很多文本挖掘和信息检索系统中发挥着重要的作用。现有的聚类算法大多数都是基于向量空间模型,文档集合中出现的单词词频作为特征项。这些算法都存在数据维数过高、聚簇难以描述的问题,而且忽略了单词间的语义联系。本文提出了一种基于语义相似度的文本聚类算法——TCU SS(Text clustering usingsem an ticsim ilarity)算法。TCU SS算法将文档表示成概念列表,有效地解决了数据维数高和聚簇描述难的问题,并给出如何利用概念列表进行聚簇描述的方法。TCU SS算法利用两个概念列表中单词间的语义相似度作为文档间相近程度的度量,并以图为基础进行聚类分析,避免有些聚类算法对聚簇形状的限制。实验证明,TCU SS算法提高了聚类质量。     

复杂网络信息维数的推广

信息维数是从信息量的角度来度量复杂网络分形特性的常用指标。在现有的基于盒子覆盖法的复杂网络信息维数概念上,进一步考虑网络节点间的差异性,将每个盒子包含信息的概率定义为该盒子内节点度的总和与网络中所有节点度的总和之间的比值,提出了一种新的复杂网络信息维数计算方法。在5个真实网络数据集上进行分形分析,并将分析结果与利用基于盒子覆盖法的复杂网络信息维数法得到的结果以及利用盒维数法得到的结果进行对比。研究结果表明:新的信息维数法计算所得的信息维数值与网络的盒维数值相近,并且该方法同样能够较好的度量实际网络的分形特性。     

基于粗糙集和分层支持向量机的AGV多分支路径识别

双向型视觉导引自动导引车多分支路径识别的关键问题是实时性和鲁棒性。基于智能信息融合的思想,将粗糙集理论与多类支持向量机方法结合起来,提出一种基于知识获取实时性和类的相似性的分层多分支路径识别新方法。采用粗糙集知识粒度理论和分层递阶约简算法获得最小的决策规则,有效降低分类识别的复杂性;提出分类决策安全区域的学习方法,提高识别的鲁棒性。最后,仿真实验和多种环境下的运行测试验证了该方法的有效性和可靠性。     

基于优化最小二乘支持向量机的襟翼趋势预测

将最小二乘支持向量机(LS-SVM)应用于飞机襟翼状态趋势研究。首先,通过分析飞机襟翼故障与襟翼动作耗时参数的关系,提出了利用动作耗时趋势来确定该系统未来状态的方法。然后,使用最小二乘支持向量机建立耗时回归预测模型,采用最终预报误差(FPE)准则确定回归模型嵌入维数,提出了自适应网格搜索法,优化最小二乘支持向量机的建模参数,从而实现比现有方法精度高,泛化性能好的预测模型。训练和测试样本取自飞行数据记录系统(QAR)中译码襟翼参数值。与神经网络模型的比较实践表明,该方法具有实用价值。     

基于支持向量机的分类器设计

在支持向量机理论的基础上,打破了支持向量机的二类辨识传统,提出基于支持向量机的一类辨识理论,以它为基础设计基于一类辨识的一类分类器。     

基于支撑域的单分类器和密度估计的本质关系

单类支持向量机和支持向量数据描述是两种流行的基于支撑域的单分类器。为揭示采用高斯核后他们与密度估计之间的关系,首先将基于支撑域的单分类器统一到密度估计的框架下;其次证明了基于支撑域的单分类器诱导的密度估计和真实密度一致,同时也能减小积分平方误差。最后通过人工数据集实验验证了上述关系。     

基于粗支持向量机的飞机机体研制费用预测

分析粗糙集理论方法和支持向量机方法的优势和互补性后,探讨粗糙集与支持向量机的结合方法,提出一种基于粗糙集数据预处理的支持向量机预测系统。将该系统用于飞机机体的研制费用预测中,与其它方法相比得到较高的预测精度。     

模糊的类内矩阵模式主分量分析及在人脸识别中的应用

矩阵模式主分量分析（MatPCA）作为有效的特征提取方法能同时处理矩阵表式的模式和向量表式的模式。但与主分量分析（PCA）方法一样,MatPCA没有使用样本的类别信息,因此所提取的特征不能提供足够的判别信息,进而影响随后的分类性能。为有效利用样本的类别信息,在MatPCA基础上提出了一种新的特征提取方法——模糊的类内MatPCA（F—WMatPCA）。F—WMatPCA利用模糊K最近邻（FKNN）求解训练样本的模糊隶属度并在模糊的类内执行MatPCA。由于F—WMatPCA使用更多的类别信息,因此能有效地提高识别精度。对0RL,Yale人脸数据集和几个UCI数据集做了实验,结果证实了该方法的有效性。另外,讨论了F—WMatPCA在人脸识别上的应用,并与F—Fisherfaces作了比较,结果表明F—WMatPCA具有比F—Fisherfaces更稳定、更鲁棒的识别性能。     

双重稀疏保持投影(英文)

稀疏保持投影(Sparsity preserving projection,SPP)是一种新型的基于图的降维方法,近年来被成功应用于人脸识别。SPP基于数据的稀疏重建关系建图,从而包含自然的判别信息。然而,经SPP变换后,新的特征是所有原始特征的线性组合,因此很难解释其降维结果。为此,提出了一种新的降维方法——双重稀疏保持投影(Dual-sparsity preserving projection,DSPP),通过进一步对SPP的投影方向施加稀疏约束,希望获得投影方向的稀疏解。具体地,该方法把SPP中投影函数的计算转化为一个回归类优化问题,然后借助L1正则化回归技术获得稀疏投影向量。在人脸数据上的实验结果表明了该算法的有效性。     

LPC倒谱参数的说话人特征分析

通过对多个说话人与文本无关的发音材料进行统计分析，比较了ＬＰＣ倒谱的不同分量对说话人特征区分所作的贡献，研究了ＬＰＣ倒谱所体现的说话人共性及个性特性，同时使用了Ｆｉｓｈｅｒ判据，最近邻错误率，超球错误率、类内，类间平均距离等量度方法，从不同角度探讨了ＬＰＣ倒谱参数的说话人统计特征，并考查了它在正交变换，最大可分变换下的变化及以不同距离作为测量手段所产生的不同效果，这些工作是对ＬＰＣ倒谱参数用于说话     

术语定义抽取的特征选择框架

为了进一步提升航空领域术语定义抽取的精度和效率,提出了一种不依赖已有特征选择方法的特征选择框架。该框架结合了分类特征的类间分布差异和类内分布差异,更好地表达了术语定义内部各子概念间特征分布的差异对划分类别的贡献。在分析该框架和传统过滤器特征选择方法对特征分布的影响的基础上,在航空领域术语定义语料库中对实验结果进行了对比。结果表明,本文提出的方法在使用平衡随机森林方法时,取得的最好成绩为F1-measure=0.652,F2-measure=0.761,所需特征比例从30%~40%降低到20%~30%;在使用直接分类方法时,F1-measure成绩提高了2.57倍,F2-measure成绩提高了3.11倍,均优于过滤器方法和Fisher Score方法。     

基于变换空间近邻图的自助型局部保持投影

局部保持投影(LPP)是一种典型的降维方法,通过保持数据的内在几何结构,LPP能够获得潜在的判别能力.然而,传统LPP的性能取决于人工预定义的近邻图,并且严重依赖于最近邻标准在原始数据空间中的性能.因此本文提出了一种新的降维算法--自助型局部保持投影(sdLPP).该方法首先执行LPP获得投影方向,然后在其变换的空间更新近邻图,并重复LPP.另外,本文还提出了一种改进的拉普拉斯打分(Laplacian score)标准作为算法迭代终止和判别力的参考.最后,在几个公共的UCI和人脸数据集上验证了该方法的有效性.     

基于字典学习的混合采样数据分类方法

混合采样数据不仅仅具有不同采样频率数据之间特征集合不同,还有样本数量不一致等特点,传统的分类方法不能直接使用。因此,本文提出一种基于Fisher判别准则字典学习的混合采样数据分类方法以处理采样数据的分类任务。该模型巧妙借助处理多视图数据的分类思想,利用基于Fisher判别准则的字典学习方法,生成的结构化字典的每个原子与数据的类标签相关,同时采用Fisher判别准则使类内散度更小,类间散度更大来约束编码系数矩阵,从而大大提升分类性能。此外,本文针对混合采样数据的样本数量不一致特点,设计了混合采样数据判别分析模型的分类方案。最后实验结果验证了本文方法的有效性。     

基于相关性度量的伪主成分分析

采用数据样本间的相关性作为相似性度量,并引入样本的类信息,提出一种新的降维方法,即伪主成分分析(Pseudo-PCA),该方法尽可能地保持原样本的变化信息,同时又使得降维后的同类数据样本尽可能保持相似。此外,将这种思想方法成功推广到近年来提出的2DPCA,MatPCA和(2D)2PCA。在ORL,Yale和AR等人脸数据集上的实验表明,该类方法的识别率高于相应的基于欧氏距离的PCA,2DPCA,M atPCA和(2D)2PCA等方法。     

基于欠采样的零阶优化算法

非平衡学习吸引了许多研究者的关注。一般情况下,少数类是更值得关注的,并且其误分类代价要远高于多数类。由于非平衡数据分布的非均衡性,标准的分类算法将难以适用。为了解决非平衡数据分类问题,给出了基于欠采样的零阶优化算法。首先,为了降低数据非平衡分布的影响,针对不同非平衡比的数据集给出了不同的两种采样策略。然后,采用了一种引入间隔均值项的支持向量机(Support vector machine,SVM)优化模型进行分类,并使用带有方差减小的零阶随机梯度下降算法进行求解,提高了算法的精度。在非平衡数据上进行了对比实验,实验证明提出的方法有效提高了非平衡数据的分类效果。     

基于支持向量机的Webshell黑盒检测

Webshell是一种基于Web的网站后门程序。当前已有的Webshell检测方法都需要根据脚本程序源代码来检测,因此只能部署在服务器主机上,而且只能检测本机的网站代码。本文通过分析Webshell的HTML页面特征,提出了一种基于支持向量机(Support vector machine,SVM)分类算法的黑盒检测方法。该方法是一种有监督的机器学习系统,对先验网页的HTML页面进行学习,可以在未知脚本源代码的情况下对Webshell进行检测。实现结果表明,该方法在黑盒的条件下达到了较高的准确率和极低的误报率,并且取得了与白盒检测方法相近的检出率,可以部署在基于网络的入侵检测系统中,同时监测多台服务器是否包含Webshell,从而帮助监控入侵趋势和网络安全态势。