福建省自然科学基金(2013J05098)
- 作品数：7 被引量：79H指数：4
- 相关作者：潘金艳闫鹏高云龙更多>>
- 相关机构：厦门大学集美大学中山大学更多>>
- 发文基金：国家自然科学基金福建省自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 动态加权非参数判别分析被引量：5
- 2020年
- 线性判别分析(LDA)是最经典的子空间学习和有监督判别特征提取方法之一.受到流形学习的启发,近年来众多基于LDA的改进方法被提出.尽管出发点不同,但这些算法本质上都是基于欧氏距离来度量样本的空间散布度.欧氏距离的非线性特性带来了如下两个问题:1)算法对噪声和异常样本点敏感;2)算法对流形或者是多模态数据集中局部散布度较大的样本点过度强调,导致特征提取过程中数据的本质结构特征被破坏.为了解决这些问题,提出一种新的基于非参数判别分析(NDA)的维数约减方法,称作动态加权非参数判别分析(DWNDA).DWNDA采用动态加权距离来计算类间散布度和类内散布度,不仅能够保留多模态数据集的本质结构特征,还能有效地利用边界样本点对之间的判别信息.因此,DWNDA在噪声实验中展现出对噪声和异常样本的强鲁棒性.此外,在人脸和手写体数据库上进行实验,DWNDA方法均取得了优异的实验结果.
- 高云龙王志豪丁柳潘金艳王德鑫
- 关键词：特征提取鲁棒性
- 基于多种群粒子群算法和布谷鸟搜索的联合寻优算法被引量：39
- 2016年
- 为了提高动态多种群粒子群(DMS-PSO)算法的全局搜索能力,将布谷鸟搜索算法(CS)引入DMS-PSO算法中,提出DMS-PSO-CS算法.采用中位数聚类算法将整个种群动态划分为若干小种群,各个小种群作为底层种群通过PSO算法进行寻优,再将每个小种群中的最优粒子作为高层种群的粒子通过CS算法进行深度优化.将所提出算法应用于CEC 2014测试函数,并与CS算法和其他改进的PSO算法进行比较.实验结果表明,所提出算法能够显著提高全局搜索能力和算法效率.
- 高云龙闫鹏
- 关键词：粒子群算法动态多种群
- 基于判别正则化的局部保留投影被引量：3
- 2020年
- 局部保留投影(LPP)是一种常用的线性化流形学习方法,其通过线性嵌入来保留基于图所描述的流形数据本质结构特征,因此LPP对图的依赖性强,且在嵌入过程中缺少对图描述的进一步分析和挖掘.当图对数据本质结构特征描述不恰当时,LPP在嵌入过程中不易实现流形数据本质结构的有效提取.为了解决这个问题,本文在给定流形数据图描述的条件下,通过引入局部相似度阈值进行局部判别分析,并据此建立判别正则化局部保留投影(简称DRLPP).该方法能够在现有图描述的条件下,有效突出不同流形结构在线性嵌入空间中的可分性.在人造合成数据集和实际标准数据集上对DRLPP以及相关算法进行对比实验,实验结果证明了DRLPP的有效性.
- 高云龙胡康立钟淑鑫潘金艳张逸松
- 关键词：局部保留投影流形学习图描述特征提取
- 基于可靠性的鲁棒模糊聚类被引量：5
- 2021年
- 相比于k-means算法,模糊C均值(FCM)通过引入模糊隶属度,考虑不同数据簇之间的相互作用,进而避免了聚类中心趋同性问题.然而模糊隶属度具有拖尾和翘尾的结构特征,因此使得FCM算法对噪声点和孤立点很敏感;此外,由于FCM算法倾向于将各数据簇均等分,因此算法对数据簇大小也很敏感,对非平衡数据簇聚类效果不佳.针对这些问题,本文提出了基于可靠性的鲁棒模糊聚类算法(RRFCM).该算法基于当前的聚类结果,对样本点进行可靠性分析,利用样本点的可靠性和局部近邻信息,突出不同数据簇之间的可分性,从而提高了算法对噪声的鲁棒性,并且降低了对非平衡数据簇大小的敏感性,得到了泛化性能更好的聚类结果.与相关算法进行对比,RRFCM算法在人造数据集,UCI真实数据集以及图像分割实验中均取得最优的结果.
- 潘金艳高朋高云龙谢有为熊裕慧
- 关键词：局部信息
- 自适应稀疏模糊聚类模型被引量：3
- 2021年
- 传统的C均值聚类算法是一种硬划分聚类方法,对初始聚类中心的设置敏感,具有聚类中心趋同性问题.为了克服该问题,模糊C均值(FCM)聚类算法被提出.然而,FCM中模糊隶属度的拖尾和翘尾特征却带来了新的问题:一方面,聚类结果更易受噪声和离群点的影响;另一方面,数据簇的可分性下降,聚类结果泛化性差.针对这些问题提出了一种新的具有自适应性的模糊聚类算法,该算法采用正则化技术与软阈值法,模糊隶属度具有明显的稀疏性结构特征;引入了虚拟类,有效降低异常点与离群点对聚类结果的影响,并且解决了FCM所存在的翘尾问题,提高数据簇可分性与类内聚程度.对比相关算法,在人造数据集和UCI数据集,以及图像分割问题上的实验结果验证了该算法的有效性.
- 高云龙赖文馨潘金艳康丽雯
- 关键词：模糊聚类稀疏性正则化软阈值
- 鲁棒自适应概率加权主成分分析被引量：3
- 2021年
- 主成分分析(Principal component analysis,PCA)是处理高维数据的重要方法.近年来,基于各种范数的PCA模型得到广泛研究,用以提高PCA对噪声的鲁棒性.但是这些算法一方面没有考虑重建误差和投影数据描述方差之间的关系;另一方面也缺少确定样本点可靠性(不确定性)的度量机制.针对这些问题,本文提出一种新的鲁棒PCA模型.首先采用L_(2,p)模来度量重建误差和投影数据的描述方差.基于重建误差和描述方差之间的关系建立自适应概率误差极小化模型,据此计算主成分对于数据描述的不确定性,进而提出了鲁棒自适应概率加权PCA模型(RPCA-PW).此外,本文还设计了对应的求解优化方案.对人工数据集、UCI数据集和人脸数据库的实验结果表明,RPCA-PW在整体上优于其他PCA算法.
- 高云龙罗斯哲潘金艳陈柏华张逸松
- 关键词：主成分分析维数约简鲁棒性
- 基于自适应松弛的鲁棒模糊C均值聚类算法被引量：21
- 2020年
- 噪声是影响聚类结果的最重要的因素之一,现有的模糊聚类算法主要通过对隶属度约束进行松弛的方式来降低噪声样本的影响。这种方式仍然存在两个基本问题需要解决:第一,如何评估一个样本是噪声的可能性;第二,如何在抑制噪声样本影响力的同时,保留正常样本的作用力。针对这两问题,该文提出了基于自适应松弛的鲁棒模糊C均值聚类算法(AR-RFCM)。新模型基于K最近邻的方式(KNN)来估计样本的可靠性,自适应地调整松弛参数,从而实现在降低噪声样本影响力的同时,保留可靠样本的作用力。此外,AR-RFCM利用了C均值聚类模型中隶属度的稀疏性来提高可靠样本的作用力,从而提高数据簇的内聚程度,进而降低噪声样本的影响。实验表明,AR-RFCM不仅在处理噪声样本时具有良好的鲁棒性,同时在25个UCI数据集实验中,分类正确率(兰德指数)平均高于FCM算法7.7864%。
- 高云龙王志豪潘金艳罗斯哲王德鑫
- 关键词：噪声聚类模糊C均值自适应
