期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
Multi‑shapelet:一种基于shapelet的多变量时间序列分类方法
被引量：
1
1
作者
詹熙
黎维
潘志松
《数据采集与处理》
CSCD
北大核心
2023年第2期386-400,共15页
shapelet是时间序列中最具有辨识性的子序列,其一经提出就被来自各个领域的研究人员广泛研究,并在此过程中提出了许多有效的shapelet发现技术用于进行时间序列分类。然而,多变量时间序列的候选shapelet可能长度不同且变量来源不同,故很...
shapelet是时间序列中最具有辨识性的子序列,其一经提出就被来自各个领域的研究人员广泛研究,并在此过程中提出了许多有效的shapelet发现技术用于进行时间序列分类。然而,多变量时间序列的候选shapelet可能长度不同且变量来源不同,故很难直接对其进行比较,这对基于shapelet多变量时间序列分类方法提出了独特的挑战。为了应对这一挑战,提出了一种基于无监督表示学习和shapelet的多变量时间序列分类方法Multi‑shapelet。Multi‑shapelet首先使用混合模型DC‑GNN(Dilated convolution neural network and graph neural network,DC‑GNN)作为编码器,将不同长度的候选shapelet嵌入统一的shapelet选择空间,以进行shapelet之间的比较;其次,提出了一种新的损失函数以无监督学习方式训练该编码器,使得DC‑GNN对shapelet编码得到相应的嵌入(Embedding)后,属于同类shapelet对应的嵌入之间的相对位置形成的拓扑与原空间中shapelet之间相对位置形成的拓扑之间的关系更接近于一种等比例的缩小,这对后续基于相似性的剪枝过程十分重要;最后,使用K‑means聚类和模拟退火算法进行shapelet剪枝和选择操作。在UEA的18个多变量时间序列数据集上的实验结果表明,Multi‑shapelet的整体精度相比于其他方法得到了显著提升。
展开更多
关键词
shapelet
无监督表示学习
k
‑
means
聚
类
模拟退火算法
shapelet剪枝
下载PDF
职称材料
冲击噪声下基于张量分解和K‑means聚类的MIMO雷达阵列诊断
被引量：
3
2
作者
陈金立
王亚鹏
+1 位作者
李家强
龙伟军
《电子学报》
EI
CAS
CSCD
北大核心
2021年第12期2315-2322,共8页
针对冲击噪声下多输入多输出(Multiple‑Input Multiple‑Output,MIMO)雷达阵列诊断失效问题,对基于二阶矩的传统匹配滤波器进行改进以适应非高斯噪声,并提出一种基于张量分解和K‑means聚类的阵列诊断方法.该方法利用MIMO雷达各接收阵元...
针对冲击噪声下多输入多输出(Multiple‑Input Multiple‑Output,MIMO)雷达阵列诊断失效问题,对基于二阶矩的传统匹配滤波器进行改进以适应非高斯噪声,并提出一种基于张量分解和K‑means聚类的阵列诊断方法.该方法利用MIMO雷达各接收阵元回波信号的高斯核函数值来自适应地调整匹配滤波器的系数,以有效形成虚拟阵列.为挖掘正常和故障阵元的匹配滤波输出数据的多维特征,将虚拟阵列协方差矩阵构建成三阶平行因子(PARAllel FACtor,PARAFAC)张量,并通过COMFAC(COMplex parallel FACtor analysis)算法分解获得收发阵列流形矩阵,使用欧式距离度量其相似性,确定两个簇类数据的聚类中心并划分出异常簇类,以完成故障阵元位置的诊断.仿真结果验证了所提算法的有效性.
展开更多
关键词
MIMO雷达
阵列诊断
冲击噪声
匹配滤波
张量分解
k
‑
means
聚
类
下载PDF
职称材料
一种面向不完备信息系统的集对k‑means聚类算法
被引量：
6
3
作者
张春英
高瑞艳
+4 位作者
刘凤春
王佳昊
陈松
冯晓泽
任静
《数据采集与处理》
CSCD
北大核心
2020年第4期613-629,共17页
针对不完备信息系统的数据聚类问题,将集对分析理论引入k-means聚类中,同时为了更好地表示样本与类簇的关系,构建了一种面向不完备信息系统的集对k-means(Set pair k-means,SPKM)聚类算法。首先,基于集对理论提出了一种集对距离度量方法...
针对不完备信息系统的数据聚类问题,将集对分析理论引入k-means聚类中,同时为了更好地表示样本与类簇的关系,构建了一种面向不完备信息系统的集对k-means(Set pair k-means,SPKM)聚类算法。首先,基于集对理论提出了一种集对距离度量方法,并将该度量方法运用到k-means算法中,得到初步聚类结果;随后,对于同时属于多个类的样本,将其分配到相应类的边界域,对于只属于一个类的样本,将其分配到相应类的正同域或边界域,其中聚类结果由肯定属于该类簇的正同域、可能属于该类簇的边界域以及肯定不属于该类簇的负反域3个部分共同表示;最后通过选取UCI数据库中的6个数据集与4种对比算法进行实验评价。实验结果表明,SPKM算法在准确率、F1值、Jaccard系数、FMI和ARI等指标上均具有良好的聚类性能。
展开更多
关键词
集对信息粒
不完备信息
k
‑
means
集对距离度量
集对
k
‑
means
聚
类
下载PDF
职称材料
题名
Multi‑shapelet:一种基于shapelet的多变量时间序列分类方法
被引量：
1
1
作者
詹熙
黎维
潘志松
机构
中国人民解放军陆军工程大学指挥控制工程学院
出处
《数据采集与处理》
CSCD
北大核心
2023年第2期386-400,共15页
基金
国家自然科学基金(62076251)。
文摘
shapelet是时间序列中最具有辨识性的子序列,其一经提出就被来自各个领域的研究人员广泛研究,并在此过程中提出了许多有效的shapelet发现技术用于进行时间序列分类。然而,多变量时间序列的候选shapelet可能长度不同且变量来源不同,故很难直接对其进行比较,这对基于shapelet多变量时间序列分类方法提出了独特的挑战。为了应对这一挑战,提出了一种基于无监督表示学习和shapelet的多变量时间序列分类方法Multi‑shapelet。Multi‑shapelet首先使用混合模型DC‑GNN(Dilated convolution neural network and graph neural network,DC‑GNN)作为编码器,将不同长度的候选shapelet嵌入统一的shapelet选择空间,以进行shapelet之间的比较;其次,提出了一种新的损失函数以无监督学习方式训练该编码器,使得DC‑GNN对shapelet编码得到相应的嵌入(Embedding)后,属于同类shapelet对应的嵌入之间的相对位置形成的拓扑与原空间中shapelet之间相对位置形成的拓扑之间的关系更接近于一种等比例的缩小,这对后续基于相似性的剪枝过程十分重要;最后,使用K‑means聚类和模拟退火算法进行shapelet剪枝和选择操作。在UEA的18个多变量时间序列数据集上的实验结果表明,Multi‑shapelet的整体精度相比于其他方法得到了显著提升。
关键词
shapelet
无监督表示学习
k
‑
means
聚
类
模拟退火算法
shapelet剪枝
Keywords
shapelet
unsupervised representation learning
k
‑
means
clustering
simulated annealing algorithm
shapelet prune
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
O211.61 [自动化与计算机技术—控制科学与工程]
下载PDF
职称材料
题名
冲击噪声下基于张量分解和K‑means聚类的MIMO雷达阵列诊断
被引量：
3
2
作者
陈金立
王亚鹏
李家强
龙伟军
机构
南京信息工程大学气象灾害预报预警与评估协同创新中心
南京信息工程大学电子与信息工程学院
南京电子技术研究所
出处
《电子学报》
EI
CAS
CSCD
北大核心
2021年第12期2315-2322,共8页
基金
国家自然科学基金(No.62071238,No.62071440,No.61671241)
江苏省自然科学基金(No.BK20191399)。
文摘
针对冲击噪声下多输入多输出(Multiple‑Input Multiple‑Output,MIMO)雷达阵列诊断失效问题,对基于二阶矩的传统匹配滤波器进行改进以适应非高斯噪声,并提出一种基于张量分解和K‑means聚类的阵列诊断方法.该方法利用MIMO雷达各接收阵元回波信号的高斯核函数值来自适应地调整匹配滤波器的系数,以有效形成虚拟阵列.为挖掘正常和故障阵元的匹配滤波输出数据的多维特征,将虚拟阵列协方差矩阵构建成三阶平行因子(PARAllel FACtor,PARAFAC)张量,并通过COMFAC(COMplex parallel FACtor analysis)算法分解获得收发阵列流形矩阵,使用欧式距离度量其相似性,确定两个簇类数据的聚类中心并划分出异常簇类,以完成故障阵元位置的诊断.仿真结果验证了所提算法的有效性.
关键词
MIMO雷达
阵列诊断
冲击噪声
匹配滤波
张量分解
k
‑
means
聚
类
Keywords
MIMO radar
array diagnosis
impulsive noise
matched filter
tensor decomposition
k
-
means
clustering
分类号
TN951 [电子电信—信号与信息处理]
TN911.23 [电子电信—信息与通信工程]
下载PDF
职称材料
题名
一种面向不完备信息系统的集对k‑means聚类算法
被引量：
6
3
作者
张春英
高瑞艳
刘凤春
王佳昊
陈松
冯晓泽
任静
机构
华北理工大学理学院
华北理工大学迁安学院
河北省数据科学与应用重点实验室
出处
《数据采集与处理》
CSCD
北大核心
2020年第4期613-629,共17页
基金
河北省自然科学基金(F2018209374,F2016209344)资助项目。
文摘
针对不完备信息系统的数据聚类问题,将集对分析理论引入k-means聚类中,同时为了更好地表示样本与类簇的关系,构建了一种面向不完备信息系统的集对k-means(Set pair k-means,SPKM)聚类算法。首先,基于集对理论提出了一种集对距离度量方法,并将该度量方法运用到k-means算法中,得到初步聚类结果;随后,对于同时属于多个类的样本,将其分配到相应类的边界域,对于只属于一个类的样本,将其分配到相应类的正同域或边界域,其中聚类结果由肯定属于该类簇的正同域、可能属于该类簇的边界域以及肯定不属于该类簇的负反域3个部分共同表示;最后通过选取UCI数据库中的6个数据集与4种对比算法进行实验评价。实验结果表明,SPKM算法在准确率、F1值、Jaccard系数、FMI和ARI等指标上均具有良好的聚类性能。
关键词
集对信息粒
不完备信息
k
‑
means
集对距离度量
集对
k
‑
means
聚
类
Keywords
set pair information granule
incomplete information
k
‑
means
set pair distance measurement
set pair
k
‑
means
clustering
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
Multi‑shapelet:一种基于shapelet的多变量时间序列分类方法
詹熙
黎维
潘志松
《数据采集与处理》
CSCD
北大核心
2023
1
下载PDF
职称材料
2
冲击噪声下基于张量分解和K‑means聚类的MIMO雷达阵列诊断
陈金立
王亚鹏
李家强
龙伟军
《电子学报》
EI
CAS
CSCD
北大核心
2021
3
下载PDF
职称材料
3
一种面向不完备信息系统的集对k‑means聚类算法
张春英
高瑞艳
刘凤春
王佳昊
陈松
冯晓泽
任静
《数据采集与处理》
CSCD
北大核心
2020
6
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
