检索结果-南通市图书馆

自适应图嵌入和非凸正则特征自表达的无监督特征选择

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年第16期60卷 177-185页

作者：李梦晴孙林徐久成河南师范大学计算机与信息工程学院河南新乡453007 天津科技大学人工智能学院天津300457

针对传统的无监督特征选择不能充分兼顾样本及特征的局部结构,以及没有考虑非凸正则项带来更稀疏的解并能够选择出更具判别性特征等问题,提出了自适应图嵌入和非凸正则特征自表达的无监督特征选择方法。通过图嵌入降低特征维度,获得样... 详细信息

针对传统的无监督特征选择不能充分兼顾样本及特征的局部结构,以及没有考虑非凸正则项带来更稀疏的解并能够选择出更具判别性特征等问题,提出了自适应图嵌入和非凸正则特征自表达的无监督特征选择方法。通过图嵌入降低特征维度,获得样本相似度矩阵,引导特征选择;引入特征自表达策略,用其余特征线性表示每一个特征,考虑特征间的相似性关系,保持特征局部结构;在特征自表达中添加非凸正则项,获得行更稀疏的权重矩阵,实现特征选择;在特征选择过程中执行自适应图嵌入对数据局部结构进行学习,选择最优特征子集;为求解非凸稀疏问题,使用交替迭代方法优化求解模型,设计了一种新的无监督特征选择算法。在6个数据集上与其他算法进行实验对比分析,实验结果表明所提算法是有效的。

关键词：无监督特征选择图嵌入特征自表达非凸正则项自适应

结合人工蜂群与K-means聚类的特征选择

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2024年第1期18卷 93-110页

作者：孙林刘梦含薛占熬天津科技大学人工智能学院天津300457 河南师范大学计算机与信息工程学院河南新乡453007

K-means聚类是一种简捷高效、收敛速度快且易于实现的统计分析方法,但是传统的K-means聚类算法对初始聚类中心的选取敏感且易陷入局部最优,同时多数无监督特征选择算法容易忽视特征之间的联系。为此,提出了一种结合人工蜂群与K-means聚... 详细信息

K-means聚类是一种简捷高效、收敛速度快且易于实现的统计分析方法,但是传统的K-means聚类算法对初始聚类中心的选取敏感且易陷入局部最优,同时多数无监督特征选择算法容易忽视特征之间的联系。为此,提出了一种结合人工蜂群与K-means聚类的特征选择方法。首先,为了使同一簇中样本的相似度高而不同簇中样本的相似度低,基于簇内聚集度和簇间离散度构建了新的适应度函数,更好地反映各样本的特性,进而构建了蜜源被选择新的概率表达式;其次,设计了随着迭代次数的增加而数值逐渐减小的权重,提出了使蜂群搜索范围动态缩进的蜜源位置更新表达式;然后,为了弥补传统的欧氏距离在计算距离时仅考虑向量之间的累积差异而表现出的局限性,构造了同时考虑样本影响程度不同以及样本的相似性的加权欧氏距离表达式;最后,引入标准差和距离相关系数,定义了特征区分度与特征代表性,以二者之积度量特征重要性。实验结果表明,所提算法加快了人工蜂群算法的收敛速度并提高了K-means算法的聚类效果,同时也有效地提升了特征选择的分类效果。

关键词：特征选择人工蜂群 K-means聚类特征重要度

在线全文

学校读者我要写书评

暂无评论

基于自适应邻域与聚类的非平衡数据特征选择

计算机工程与应用 2024年第14期60卷 74-85页

作者：孙林梁娜王欣雅天津科技大学人工智能学院天津300457 河南师范大学计算机与信息工程学院河南新乡453007 河南中豫建设投资集团股份有限公司郑州450000

为了解决传统邻域粗糙集未考虑不平衡数据的类分布,多数邻域系统通过人工调试难以找到最佳邻域半径,以及聚类时指定簇的数目等问题,提出一种基于自适应邻域与聚类的非平衡数据特征选择方法。根据样本在各个特征下与其他样本距离的平均... 详细信息

为了解决传统邻域粗糙集未考虑不平衡数据的类分布,多数邻域系统通过人工调试难以找到最佳邻域半径,以及聚类时指定簇的数目等问题,提出一种基于自适应邻域与聚类的非平衡数据特征选择方法。根据样本在各个特征下与其他样本距离的平均值来确定样本的自适应k近邻和共享近邻,定义自适应邻域密度并设计混合采样模型,构建平衡决策系统。基于特征分布定义新的邻域半径,使用高斯核函数研究邻域内样本之间的模糊相似关系,使用模糊邻域互信息度量特征间的相关性,基于此对特征进行聚类。基于模糊邻域互信息构造粒子群初始化策略,并引入动态位掩码策略与适合整数编码的差异性扰动算子,改进整型粒子群优化算法,实现从特征簇中选出代表性特征构成最终的特征子集。在19个非平衡数据集的实验结果表明所设计的算法有效地提高了非平衡数据的分类性能。

关键词：自适应邻域混合采样模糊邻域互信息特征聚类特征选择

在线全文

学校读者我要写书评

暂无评论

面向时间序列的鲁棒性半监督模糊C均值聚类

计算机工程与应用 2023年第8期59卷 73-80页

作者：徐久成侯钦臣瞿康林孙元豪孟祥茹河南师范大学计算机与信息工程学院河南新乡453007 智慧商务与物联网技术河南省工程实验室河南新乡453007

针对时间序列模糊C均值聚类算法对噪声数据敏感,及其未能将数据中少量已标记数据所包含的监督信息进行有效利用的问题,提出了一种改进的鲁棒性半监督模糊C均值聚类算法。该算法中先使用马氏距离提出一种样本不确定性分析方法,并加入到... 详细信息

针对时间序列模糊C均值聚类算法对噪声数据敏感,及其未能将数据中少量已标记数据所包含的监督信息进行有效利用的问题,提出了一种改进的鲁棒性半监督模糊C均值聚类算法。该算法中先使用马氏距离提出一种样本不确定性分析方法,并加入到半监督模糊C均值聚类建模中,以消除噪声点的影响。并改进半监督模糊C均值聚类的部分监督机制来加大已标记数据的监督能力。采用能够弹性度量时间序列相似性的时间扭曲编辑距离代替欧氏距离进行聚类。通过对7组公开的时间序列数据集进行实验对比,结果表明所提算法具有良好的聚类效果。

关键词：时间序列半监督聚类模糊C均值聚类样本不确定性时间扭曲编辑距离

同方期刊数据库

卷积神经网络与人工水母搜索的图特征选择方法

在线全文

学校读者我要写书评

暂无评论

南京大学学报（自然科学版） 2023年第5期59卷 759-769页

作者：孙林蔡怡文河南师范大学计算机与信息工程学院新乡453007 天津科技大学人工智能学院天津300457

目前,卷积神经网络(Convolutional Neural Network,CNN)模型在处理图像数据时分类效果较差,人工水母搜索(Artificial Jellyfish Search,AJS)算法收敛速度慢,迭代次数多,特征选择的效果不理想.针对上述问题,提出一种基于CNN和AJS的图特... 详细信息

目前,卷积神经网络(Convolutional Neural Network,CNN)模型在处理图像数据时分类效果较差,人工水母搜索(Artificial Jellyfish Search,AJS)算法收敛速度慢,迭代次数多,特征选择的效果不理想.针对上述问题,提出一种基于CNN和AJS的图特征选择方法 .首先,使用CNN来提取特征,将生成的特征图进行图嵌入降维,再使用AJS算法进行特征选择,把得到的特征输入分类器,进行模型训练和评估;然后,在图嵌入阶段,将特征图进行随机游走,并通过添加特征权重计算节点的游走概率来增强权重大的节点的游走概率,提高分类精度;最后,在AJS算法中引入余弦公式对人工水母的位置进行更新,充分考虑特征向量之间的相似性,提高算法的收敛速度并减少迭代次数.在10个基准函数上进行实验,结果表明改进的AJS算法具有较好的优化性能.在四个数据集上,将提出的算法与其他算法进行对比实验,实验结果表明,提出的算法能提高分类精度,减少迭代次数.

关键词：图特征选择卷积神经网络图嵌入人工水母搜索

基于K近邻和优化分配策略的密度峰值聚类算法

在线全文

学校读者我要写书评

暂无评论

软件学报 2022年第4期33卷 1390-1411页

作者：孙林秦小营徐久成薛占熬河南师范大学计算机科学与信息工程学院河南新乡453007 教育人工智能与个性化学习河南省重点实验室河南新乡453007

密度峰值聚类(density peak clustering,DPC)是一种简单有效的聚类分析方法.但在实际应用中,对于簇间密度差别大或者簇中存在多密度峰的数据集,DPC很难选择正确的簇中心;同时,DPC中点的分配方法存在多米诺骨牌效应.针对这些问题,提出一... 详细信息

密度峰值聚类(density peak clustering,DPC)是一种简单有效的聚类分析方法.但在实际应用中,对于簇间密度差别大或者簇中存在多密度峰的数据集,DPC很难选择正确的簇中心;同时,DPC中点的分配方法存在多米诺骨牌效应.针对这些问题,提出一种基于K近邻(K-nearest neighbors,KNN)和优化分配策略的密度峰值聚类算法.首先,基于KNN、点的局部密度和边界点确定候选簇中心;定义路径距离以反映候选簇中心之间的相似度,基于路径距离提出密度因子和距离因子来量化候选簇中心作为簇中心的可能性,确定簇中心.然后,为了提升点的分配的准确性,依据共享近邻、高密度最近邻、密度差值和KNN之间距离构建相似度,并给出邻域、相似集和相似域等概念,以协助点的分配;根据相似域和边界点确定初始聚类结果,并基于簇中心获得中间聚类结果.最后,依据中间聚类结果和相似集,从簇中心到簇边界将簇划分为多层,分别设计点的分配策略;对于具体层次中的点,基于相似域和积极域提出积极值以确定点的分配顺序,将点分配给其积极域中占主导地位的簇,获得最终聚类结果.在11个合成数据集和27个真实数据集上进行仿真实验,与最新的基于密度峰值的聚类算法作对比,结果表明:所提算法在纯度、F度量、准确度、兰德系数、调整兰德系数和标准互信息上均表现出良好的聚类性能.

关键词：密度峰值聚类 K近邻簇中心积极值分配策略

基于改进邻域粗糙集和优化BPNN的火灾预测算法

在线全文

学校读者我要写书评

暂无评论

南京理工大学学报 2024年第2期48卷 192-201页

作者：许诗卉徐久成瞿康林杨杰周长顺河南师范大学计算机与信息工程学院河南新乡453007 智慧商务与物联网技术河南省工程实验室河南新乡453007

针对传统森林火灾检测算法精度低,以及大规模、多特征的火灾数据存在冗余信息等问题,该文提出了一种基于改进邻域粗糙集的优化反向传播神经网络(BPNN)火灾预测方法。首先,考虑到数据集具有高维特征空间和高度特征冗余等特点,设计出一种... 详细信息

针对传统森林火灾检测算法精度低,以及大规模、多特征的火灾数据存在冗余信息等问题,该文提出了一种基于改进邻域粗糙集的优化反向传播神经网络(BPNN)火灾预测方法。首先,考虑到数据集具有高维特征空间和高度特征冗余等特点,设计出一种基于混沌反学习蝙蝠(BA)算法的邻域粗糙集特征选择算法,对火灾原始数据集进行特征寻优,得到约简属性子集;然后,构建BA算法优化的BPNN预测模型,将约简属性子集输入该模型中,得到火灾预测的结果;最后,通过平均分类准确度、F1值、精确度、曲线面积、召回率、平均误差率这6种评价指标,在UCI公开森林火灾数据集上分析和检验模型的分类性能。在2个数据集上的实验结果显示,基于混沌反学习策略的算法准确率为94.3%和52.7%,与邻域粗糙集结合后准确率达到98.1%和59.6%,证明了该文算法具备较高的检测精度。

关键词：反向传播神经网络邻域粗糙集蝙蝠算法反向学习混沌映射森林火灾机器学习预测模型

基于弹性秘密共享的多方门限隐私集合交集协议

在线全文

学校读者我要写书评

暂无评论

软件学报 2023年第11期34卷 5424-5441页

作者：张恩秦磊勇杨刃林李功丽河南师范大学计算机与信息工程学院河南新乡453007 智慧商务与物联网技术河南省工程实验室(河南师范大学) 河南新乡453007

(t,n)门限隐私集合交集协议,指N个参与者各自拥有大小为n的隐私集合,在不泄露自身隐私信息的前提下,如果各参与者交集数量大于门限值t,则参与各方能够获得交集信息,其有广泛的应用,如指纹识别、在线拼车、相亲网站等.然而现有门限隐私... 详细信息

(t,n)门限隐私集合交集协议,指N个参与者各自拥有大小为n的隐私集合,在不泄露自身隐私信息的前提下,如果各参与者交集数量大于门限值t,则参与各方能够获得交集信息,其有广泛的应用,如指纹识别、在线拼车、相亲网站等.然而现有门限隐私集合交集协议大多针对两方参与者进行研究,对多方门限隐私集合交集协议的研究仍存在许多挑战,现有的多方门限隐私集合交集协议使用全同态加密等开销较大的公钥算法,尚没有有效实现.针对上述问题,结合弹性秘密共享、布隆过滤器提出两种有效的多方门限隐私集合交集协议,并首次仿真实现了协议.首先,设计一种新的布隆过滤器构造方法,将弹性秘密共享生成的份额与参与方的集合元素相对应,通过查询布隆过滤器获取的秘密子份额能否重构出正确秘密来判断各方交集是否达到门限值,有效防止交集基数的泄露.设计的第1个协议避免使用开销较大的公钥算法,当设置安全参数λ为128,集合大小为2^(14),门限值为0.8n时,在三方场景下协议在线阶段的时间成本为191 s.此外,为了能在半诚实模型下抵抗至多N-1个敌手合谋,在第1个协议基础上结合不经意传输设计一种该协议的变体,相同条件下,在线阶段时间成本为194 s.最后通过安全证明,证明上述协议在半诚实模型下是安全的.

关键词：门限隐私集合交集抗合谋弹性秘密共享布隆过滤器不经意传输

基于ReliefF和最大相关最小冗余的多标记特征选择

在线全文

学校读者我要写书评

暂无评论

河南师范大学学报（自然科学版） 2023年第6期51卷 21-29,F0002页

作者：孙林徐枫李硕王振河南师范大学计算机与信息工程学院河南新乡453007

针对现有的特征选择模型未涉及特征和标记集之间的相关度,造成分类精度偏低等情况,提出了基于ReliefF和最大相关最小冗余(maximum Relevance and Minimum Redundancy,mRMR)的多标记特征选择.首先,运用互信息计算每个标记和标记集之间的... 详细信息

针对现有的特征选择模型未涉及特征和标记集之间的相关度,造成分类精度偏低等情况,提出了基于ReliefF和最大相关最小冗余(maximum Relevance and Minimum Redundancy,mRMR)的多标记特征选择.首先,运用互信息计算每个标记和标记集之间的相关度,使用每项相关度占其相关度之和的比例设计了标记权重,由此构建了特征和标记集间的相关度,初选与标记集相关度高的特征;其次,计算对象在特征上的距离,构建了新的特征权值更新公式,基于标记权重改进多标记ReliefF模型.然后,基于互信息和标记权重构建了最大相关性,设计了最小冗余性及其新的最大相关最小冗余评价准则,并将其应用于多标记特征选择,进一步剔除冗余特征;最后,设计了一种基于ReliefF和最大相关最小冗余的多标记特征选择算法,有效提高了多标记分类性能.在8个多标记数据集上测试所提算法的平均分类精度、覆盖率、汉明损失、1错误率和排序损失,实验结果证明了该算法的有效性.

关键词：多标记学习特征选择标记权重 ReliefF 最大相关最小冗余