检索结果-南通市图书馆

基于重要性分数的CUR矩阵分解识别WSN异常节点

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机工程与设计 2024年第4期45卷 997-1003页

作者：谢丽霞田宇祺中国民航大学计算机科学与技术学院天津300300

现有异常节点识别方法普遍存在精度低或者功耗大等不足,针对这些不足,提出一种基于低秩矩阵分解的无线传感器网络异常节点识别算法。根据传感器节点的特性进行特征选取和属性矩阵构建;通过改进的CUR矩阵分解方法计算异常矩阵;依据异常... 详细信息

现有异常节点识别方法普遍存在精度低或者功耗大等不足,针对这些不足,提出一种基于低秩矩阵分解的无线传感器网络异常节点识别算法。根据传感器节点的特性进行特征选取和属性矩阵构建;通过改进的CUR矩阵分解方法计算异常矩阵;依据异常矩阵中节点向量的总体均值和标准差设定控制限,判断节点是否发生异常。实验结果表明,与其它异常识别方法相比,该方法具有较高的识别准确率。

关键词：矩阵分解属性矩阵异常节点重要性分数休哈特控制图相关性程度异常矩阵

在线全文

学校读者我要写书评

暂无评论

基于异常值检测矩阵分解的服务质量预测

云南大学学报（自然科学版） 2024年第2期46卷 255-264页

作者：张园园朵琳韦贵香昆明理工大学信息工程与自动化学院云南昆明650500

基于Qo S感知的Web服务推荐是帮助用户找到高质量服务的解决方案之一.为了准确预测候选服务的QoS值,通常需要收集用户的历史QoS数据.然而,现有的方法大多忽略了历史数据中的异常值会导致预测准确度降低.为了解决这一问题,提出一种基于... 详细信息

基于Qo S感知的Web服务推荐是帮助用户找到高质量服务的解决方案之一.为了准确预测候选服务的QoS值,通常需要收集用户的历史QoS数据.然而,现有的方法大多忽略了历史数据中的异常值会导致预测准确度降低.为了解决这一问题,提出一种基于异常值检测矩阵分解的服务质量预测方法.首先,使用基于K-means的隔离森林算法先对历史QoS数据进行聚类,将历史数据中的异常值剔除;然后,将其用于改进的矩阵分解模型中对未知值进行预测;最后,利用柯西损失来评估观察值与预测值之间的差异.实验采用WSDream数据集进行测试,结果表明,提出的异常值检测模型的响应时间的MAE与RMSE指标平均提高了19.11%和39.59%,吞吐量的MAE与RMSE指标平均提高了9.82%和29.89%,证明所提模型有效改进了预测准确度.

关键词： K-means聚类异常值检测矩阵分解柯西损失服务质量

在线全文

学校读者我要写书评

暂无评论

基于时空矩阵分解的路网交通数据修复方法

广西师范大学学报(自然科学版) 2024年

作者：许伦辉许润南广东科技学院计算机学院华南理工大学土木与交通学院

针对城市路网交通数据缺失问题，综合考虑交通数据客观存在的时空特性，提出了一种基于时空矩阵分解(spatial-temporal matrix factorization， STMF)的路网交通数据修复方法。首先依据路网时空属性，将多维交通数据处理为二维矩阵形式... 详细信息

针对城市路网交通数据缺失问题，综合考虑交通数据客观存在的时空特性，提出了一种基于时空矩阵分解(spatial-temporal matrix factorization， STMF)的路网交通数据修复方法。首先依据路网时空属性，将多维交通数据处理为二维矩阵形式，将其分解为空间特征矩阵和时间特征矩阵，并通过低秩近似的方式重构不完整交通数据矩阵，实现缺失数据的基本修复。然后，利用图拉普拉斯(graph Laplacian， GL)和门控循环网络(gated recurrent network， GRN)分别作为空间和时间正则器，进一步挖掘路网交通数据的空间结构关联特性和时间依赖特性，有效提高了路网交通数据的修复精度。最后，采用洛杉矶交通速度数据集(Metr-LA)和广州交通数据集（Guangzhou-D）对STMF模型的性能与GAIN、BGCP、BTMF、LRTC-TNN和HaLRTC等基准模型进行对比，实验结果表明，提出的基于时空矩阵分解STMF模型相比基准模型，能更好地适应不同的缺失场景和不同的缺失率，缺失数据修复性能具有更好的鲁棒性。

关键词：智慧交通数据修复矩阵分解交通数据图拉普拉斯门控循环网络

融合矩阵分解和空间划分的微生物数据扩增方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

山东大学学报(理学版) 2024年

作者：温柳英吴俊闵帆西南石油大学计算机与软件学院

针对微生物数据类内和类间不平衡、高稀疏性的问题,本文提出了一种融合矩阵分解和空间划分的数据扩增算法。采用矩阵分解,将原始数据空间分解为对象子空间和特征子空间并提取潜在空间表示,缓解类内不平衡问题。为解决类间不平衡问题,在... 详细信息

针对微生物数据类内和类间不平衡、高稀疏性的问题,本文提出了一种融合矩阵分解和空间划分的数据扩增算法。采用矩阵分解,将原始数据空间分解为对象子空间和特征子空间并提取潜在空间表示,缓解类内不平衡问题。为解决类间不平衡问题,在每个数据子空间中生成合成样本,使用欧氏距离对合成样本进行过滤,获得高质量的样本。在9个微生物数据集上试验,再与9个采样算法进行性能对比。结果表明,本文算法在多样性上生成的样本具有较大优势,且在多个分类器下均能识别出更多的阳性样本。

关键词：矩阵分解空间划分类内不平衡类间不平衡对象子空间特征子空间

基于判别信息与矩阵分解的无监督特征选择方法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于判别信息与矩阵分解的无监督特征选择方法研究

作者：周士璇烟台大学

学位级别：硕士

在现实世界的应用中,高维数据无处不在,这些数据的内部通常包括基本特征、噪声、异常值和冗余特征。通常,这些数据的特征中只有一小部分是有价值的。因此,如何从原始数据中挖掘出有价值的信息是一个有趣且有意义的问题。此外,无监督学... 详细信息

在现实世界的应用中,高维数据无处不在,这些数据的内部通常包括基本特征、噪声、异常值和冗余特征。通常,这些数据的特征中只有一小部分是有价值的。因此,如何从原始数据中挖掘出有价值的信息是一个有趣且有意义的问题。此外,无监督学习不需要大型注释数据集,从而有效缓解了注释瓶颈,因此受到了广泛的关注。近年来,基于无监督学习方法发展迅速,在各种数据模式(包括图像、视频、声音、文本和图形)中得到广泛应用。这些方法的效果接近甚至有时超过了完全监督的预训练替代方案。为此,基于无监督学习和特征选择,制定了如下的研究思路:(1)传统的基于伪标签学习的特征选择方法通常忽略了数据所具有的模糊性,这可能导致性能的下降和信息的丢失。此外,这些方法生成的标签容易受到噪声、冗余和不相关特征的影响,并且其性能与生成的初始标签的质量高度相关。对此,提出了一种用于无监督特征选择任务的软标签引导的非负矩阵分解方法。该方法基于数据样本与聚类中心之间的局部距离来学习具有稀疏约束的隶属度矩阵,并将学习到的隶属度矩阵作为符合数据模糊性的伪标签来提供监督信息。(2)与单视图数据相比,多视图数据往往包含着更加丰富的内在信息。为了直接对多视图数据执行特征选择,提出了一种一致性和多样性引导的无监督多视图特征选择方法。该方法同时采用非负矩阵分解和耦合矩阵分解来充分探索多视图数据中的一致性和多样性。此外,还采用希尔伯特-施密特独立性准则进一步考虑不同视图之间的多样性,并对共识系数矩阵施加核范数正则化来保证高类内同质性和低秩性。(3)先前的特征选择方法通常利用图正则来保持几何结构,这将不可避免地增加参数调整的难度。同时,这些方法通常未能充分考虑到多视图数据中的判别信息。对此,提出了一种基于结构正则化的判别无监督多视图特征选择方法。该方法首先通过潜在表示学习来获得伪标签矩阵,以提供监督信息来指导特征选择过程。之后,设计了一种图嵌入策略,以便在不引入额外参数的前提下保持数据的几何结构。(4)先前的特征选择方法通常忽略了可能由噪音或视图特定特性引起的不一致性。此外,这些方法仅利用了数据的成对关系来提高性能,而忽略了高阶关系的重要性。对此,提出了一种用于多视图无监督特征选择任务的纯净亲和矩阵引导的超图正则化方法。该方法首先将学习到的亲和矩阵分解为一致因子和不一致因子,并引入一个多样性惩罚项,以增强每个视图中不一致因子的稀疏性,从而使学习到的一致因子比初始亲和矩阵更加纯净。之后,设计了一种自适应共识图学习策略来学习一致因子的共识表示,并基于学习到的共识表示来构造超图,以考虑数据的高阶相关性。最后,设计了一个基于几何结构保持的损失函数,来学习用于特征选择的最佳映射。

关键词：无监督学习多视图学习特征选择矩阵分解伪标签

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于矩阵分解的优化社交推荐算法研究

基于矩阵分解的优化社交推荐算法研究

作者：周璐鑫重庆交通大学

学位级别：硕士

随着网络技术的不断发展,人们面临的信息过载问题愈发严峻。在信息选择和决策过程中,用户受信息获取方式的影响日益显著。推荐算法凭借其出色的信息过滤和数据挖掘能力,在短时间内为用户提供了有效推荐。考虑到用户在购物或接受服务时... 详细信息

随着网络技术的不断发展,人们面临的信息过载问题愈发严峻。在信息选择和决策过程中,用户受信息获取方式的影响日益显著。推荐算法凭借其出色的信息过滤和数据挖掘能力,在短时间内为用户提供了有效推荐。考虑到用户在购物或接受服务时易受朋友影响,本文认为融合社交信息的推荐算法有助于提高推荐的准确性和可解释性。尽管近几年社交化推荐算法已取得显著进展,但仍存在间接关系挖掘不充分、特征间关联被忽略等问题。因此,本文对基于矩阵分解的社交化推荐算法展开进一步的研究,提出融合交互强度的优化社交推荐算法,主要从以下两个方面进行研究:第一,针对现有社交化推荐算法在探索评级数据与社交数据间关联方面存在不足的问题,本文提出一种融合交互强度的优化社交推荐算法。首先,为了充分挖掘用户的社交和评级信息,该算法将好友相似度和评级相似度相结合来丰富社交矩阵。其次,将用户间的复杂关系定义为交互强度,以更准确地描述他们之间的互动程度。最后,利用交互强度与社交关系间的关联,以及用户潜在特征与群体参与特征间的关联,构建新的目标函数,学习用户和项目的潜在特征,实现对用户的个性化推荐。第二,为进一步结合社交信息探索用户间的间接关系,并融入项目间关联来提高推荐质量,本文提出一种新的基于相似度和间接关系的优化社交推荐算法。首先,为了缓解数据稀疏性,同时挖掘用户社交与项目之间的关联,对相似性度量方法进行改进,得到两个相关矩阵。其次,通过矩阵分解得到用户和项目间的间接关系。最后,为了确保用户和项目潜在特征能够同时捕获各自的偏好和各自所处群组的偏好,对矩阵分解中的目标函数进行优化,以期得到更好的用户和项目潜在特征,从而改善推荐性能。为了验证所建立算法的有效性,本文在一些公用数据集上进行了实验。实验结果表明:两种优化社交推荐算法在各自选取的性能指标上都表现良好。不仅如此,两种算法在面对不同评级数量的用户时还展现出良好的鲁棒性。综上,融合交互强度可以进一步提升社交化推荐算法性能,增强用户体验感。

关键词：矩阵分解交互强度相似度计算间接关系社交化推荐

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合时间特征的联邦矩阵分解推荐算法

软件工程与应用 2024年第4期13卷 593-605页

作者：贾毅恒何利文南京邮电大学物联网学院江苏南京

目前矩阵分解推荐系统在集中环境下存在隐私泄露的风险,且更多的数据拥有者不愿提供自身的数据,应用于分布式环境下的联邦矩阵分解推荐系统应用而生。传统的联邦矩阵分解模型在数据稀疏的情况下推荐准确率低,没有考虑用户的兴趣随时间... 详细信息

目前矩阵分解推荐系统在集中环境下存在隐私泄露的风险,且更多的数据拥有者不愿提供自身的数据,应用于分布式环境下的联邦矩阵分解推荐系统应用而生。传统的联邦矩阵分解模型在数据稀疏的情况下推荐准确率低,没有考虑用户的兴趣随时间变化的动态性。本文针对以上问题,引入联邦矩阵分解模型与时间隐语义模型相结合,提出一种融合时间特征的联邦矩阵分解推荐算法TF-FedMF (Federated Matrix Factorization Recommendation Algorithm with Temporal Feature Integration)。该算法在联邦矩阵分解框架中加入时间特征,用于捕捉用户行为随时间变化的趋势,提高了推荐系统的时效性和准确性;同时,结合同态加密对上传的梯度信息进行加密,增强算法的安全性。通过MovieLens数据集进行实验对比,实验结果表明,所提出的算法较其它算法在兼顾用户隐私安全性的同时,具有较高的推荐准确性。At present, the matrix decomposition recommendation system has the risk of privacy leakage in a centralized environment, and more data owners are unwilling to provide their own data. Therefore, the application of the federated matrix decomposition recommendation system in a distributed environment has emerged. The traditional federated matrix decomposition model has low recommendation accuracy when the data is sparse, and does not consider the dynamic nature of user interests changing over time. In view of the above problems, this paper introduces the combination of the federated matrix decomposition model and the temporal latent semantic model, and proposes a federated matrix decomposition recommendation algorithm TF-FedMF (Federated Matrix Factorization Recommendation Algorithm with Temporal Feature Integration) with temporal feature integration. The algorithm adds temporal features to the framework of federated matrix decomposition to capture the trend of user behavior changing over time, thereby improving the timeliness and accuracy of the recommendation system;at the same time, the uploaded gradient information is encrypted by combining homomorphic encryption to enhance the security of the algorithm. An experimental comparison is carried out on the MovieLens dataset. The experimental results show that the proposed algorithm has higher recommendation accuracy than other algorithms while taking into account user privacy and security.

关键词：矩阵分解联邦学习同态加密时间特征隐语义模型

基于矩阵分解的电力监控系统局域网异常流量检测方法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

宁夏电力 2024年第3期 62-69页

作者：郑铁军梁野彭嘉宁吕旭辉张宏杰王景国网宁夏电力有限公司宁夏银川750001 北京科东电力控制系统有限责任公司北京100192

当前的电力监控系统在各安全区的横向和纵向边界上部署了严密的安全防护策略。然而,在边界内部,局域网内各设备间的网络流量限制较少,局域网内部存在设备间的安全威胁。为了实现电力监控系统中网络内部安全事件的检测,本文提出了一种基... 详细信息

当前的电力监控系统在各安全区的横向和纵向边界上部署了严密的安全防护策略。然而,在边界内部,局域网内各设备间的网络流量限制较少,局域网内部存在设备间的安全威胁。为了实现电力监控系统中网络内部安全事件的检测,本文提出了一种基于矩阵分解的电力监控系统内部恶意流量检测方案,通过对网络内部历史流量的采集和训练,得到正常流量模型,并以白名单的形式对网络内部流量实时检测。实验证明本文提出的检测方案具有对未知异常流量的检测能力和模型自适应迭代特点。

关键词：矩阵分解恶意流量检测电力监控系统

在线全文

学校读者我要写书评

暂无评论

基于矩阵分解的协同过滤算法研究

计算机与数字工程 2024年第4期52卷 984-988,994页

作者：杨灿武汉邮电科学研究院武汉430074 南京烽火天地通信发展有限公司南京210019

针对协同过滤算法中相似度计算方式只考虑单一评分数据从而导致推荐效果不理想、且在数据稀疏条件下推荐结果不全、效率不高等问题,提出一种改进的协同过滤推荐方法,通过矩阵分解,构建用户表征向量来计算用户相似度。首先,构建用户表征... 详细信息

针对协同过滤算法中相似度计算方式只考虑单一评分数据从而导致推荐效果不理想、且在数据稀疏条件下推荐结果不全、效率不高等问题,提出一种改进的协同过滤推荐方法,通过矩阵分解,构建用户表征向量来计算用户相似度。首先,构建用户表征矩阵和物品项目表征矩阵。其次,设置损失函数,使用户表征向量与物品表征向量内积拟合评分数据,最后,使用用户表征向量计算的相似度与传统相似度以特定权重相融合。在MovieLens数据集上进行实验,结果表明改进后算法在绝对平均误差MAE上有所提升,在数据稀疏的情况下提高了推荐的准确率。

关键词：协同过滤算法相似度稀疏性矩阵分解