成对约束

摘要： 文章基于谱聚类算法,首先利用拉普拉斯矩阵的特征值构造聚类个数变点图,给出了确定聚类个数的直观方法,然后对优化目标引入聚类个数惩罚项,定量探讨聚类个数的选择,最后针对多元数据,通过修订距离矩阵处理成对约束信息,并基于距离矩阵构造了三种自适应相似度矩阵,再进行谱聚类。数值模拟结果显示:对于确定聚类个数,聚类个数变点图直观、有效,而惩罚法依赖惩罚项的权重参数,具有一定主观性;三种自适应谱聚类算法均有效,对成对约束信息处理方便、适应面广,稳定自适应谱聚类对近邻个数的选取更稳健。

摘要： 针对半监督聚类算法性能受到成对约束数量多寡的限制问题,现有的研究大都依赖于原始成对约束的数量。因此,首先提出了基于灰关联分析的成对约束初始化算法(initialization algorithm of pair constraints based on grey relational analysis,PCIG)。该算法通过均衡接近度计算数据对象间的相似度,并根据相似度的取值来确定可信区间,然后借鉴网络结构初始化方法来扩充数据对象间的成对关系。最后,将其应用于标签传播聚类算法。通过在五个基准数据集上进行实验,基于改进成对约束扩充的标签传播聚类算法与其他方法相比NMI值和ARI值有所提升。实验结果证明了改进成对约束扩充可以有效改善标签传播算法的聚类效果。

摘要： 随着数据维度的增加,传统聚类算法会出现聚类性能差的现象.SubKMeans是一种功能强大的子空间聚类算法,旨在为K-Means类算法搜索出一个最佳子空间,降低高维度影响,但是该算法需要用户事先指定聚类数目K值,而在实际使用中有时无法给出准确的K值.针对这一问题,引入成对约束,将成对约束与轮廓系数进行结合,提出了一种基于成对约束的SubKMeans聚类数确定算法.改进后的轮廓系数能够更加准确的评价聚类性能,从而实现K值确定,实验结果证明该方法的有效性.

摘要： 针对现有的聚类集成算法大都是无监督聚类集成算法且不能很好地处理高维数据的问题,设计一种基于PCA降维技术的成对约束半监督聚类集成算法(SSCEDR).SSCEDR方法使用PCA主成分分析对原始数据进行降维,结合半监督聚类集成技术,在降维后的空间中将成对约束等先验知识代入到聚类集成过程中.本文通过在多组数据集上实验来验证算法的有效性.

摘要： 针对现有聚类集成算法基本都是无监督聚类集成算法和传统聚类集成方法,其通常将所有产生的聚类成员都参与集成的问题,设计了一种基于成对约束的半监督选择性聚类集成方法(SSCES).SSCES方法选择基于聚类成员质量和差异度的选择聚类集成为研究对象,借鉴半监督集成的关键思想,将半监督聚类信息带入到选择聚类集成中.通过在多组数据集上实验来验证SSCES算法的有效性.

摘要： 基于成对约束的聚类分析是半监督学习的一个重要研究方向.成对约束的数量已成为影响该类算法有效性的重要因素.然而,在现实应用中,成对约束的获取需要耗费大量的成本.因此,文中提出了一种基于安全性的成对约束扩充方法(Ex-tended Algorithm of Pairwise Constraints Based on Security,PCES).该算法将传递闭包中最大局部连通距离作为安全值,并根据安全值来修改传递闭包之间的相似性,减少合并传递闭包带来的风险,最后利用图聚类方法合并相似的传递闭包达到扩充成对约束的目的.该算法不仅可以安全有效地扩充成对约束,同时可以将扩充后的成对约束应用到不同半监督聚类算法中.文中在8个基准数据集上进行了成对约束扩充算法的比较.实验结果表明,该算法可以安全有效地扩充成对约束.

摘要： 本文提出了一种基于类标记和成对约束的半监督聚类算法(PLG-SSC),该算法结合了遗传算法的优势,充分利用了前面两方面的监督信息来帮助无监督的聚类。在uci数据集上面的实验结果表明，PLG-SSC算法能有效地提高聚类的准确率，是一种有前景的半监督聚类算法。

摘要： 针对焦炉加热燃烧过程中工况变化范围大、非线性强的特点,提出基于主动半监督聚类的焦炉温度建模方法.引入成对约束和主动学习策略,提出了一种主动半监督仿射传播聚类方法,建立基于工况相似度和确信度的成对约束标准指标,运用主动学习方法,从工业过程数据集中获得数据点之间的约束关系以调整数据点之间的相似度,使得聚类的结果更加符合焦炉加热燃烧过程工况特性;采用最小二乘支持向量机(LS-SVM)方法对每个子类进行建模,并通过模型置信度获得模型的权值因子,对各子模型的输出进行融合,最终获得工况大范围变化情况下焦炉温度模型.

摘要： 本公开的方面一般涉及由计算设备确定全景图像的位置和取向。一个或多个计算设备(12)可以接收第一全景图像(300)和第二全景图像(610)之间的对准数据(820)以及第一全景图像和第二全景图像的原始位置数据。一个或多个计算设备可以基于对准数据确定一对全景图像之间的相对取向，并基于原始位置数据计算从第一全景图像到第二全景图像的朝向。位置数据和对准数据可以由一个或多个计算设备基于一对全景图像与原始位置数据之间的相对取向来优化。一个或多个计算设备可以利用化的相对取向和优化的位置数据替换原始位置数据和相对取向。

摘要： 本发明提供了一种基于条件生成对抗网络和约束规则的微血管树生成方法，该方法基于条件生成对抗网络，通过条件生成对抗网络建立的微血管树新生模型，利用上一级分叉弱化的条件来生成下一级分叉。该模式只需要给出入口分叉，逐级生长就能生成微血管树。同时在生长过程中加入了血管密度、分叉角度的优化条件，能够细致的对生长角度进行矫正，能够在生长过程中得到血管密度更均匀的微血管树，这也更符合了微血管网络在输送氧气及代谢营养物质过程的生理需求，使得生成的微血管树既符合了形态学特性也间接的符合了部分的生理学特性。

摘要： 本发明公开了一种利用稀疏约束生成对抗网络生成振动信号的方法，包括：训练好的稀疏约束生成对抗网络的生成器将输入的随机噪声向量被变换为一个仅包含少量非零值的稀疏激活向量；使用所述稀疏向量中包含的少量非零值，激活所述训练好的稀疏约束生成对抗网络的生成器隐藏层的权重矩阵中对应位置的列向量，其中被激活的列向量中包含了真实振动信号中所有关键频率成分及其组合；被激活的列向量经过稀疏向量非零激活值的加权之后，得到一个线性组合，所述线性组合包含了待生成的旋转机械原始振动信号中所有的关键频率成分；该线性组合被一个非线性函数进行激活，相当于经过一个调幅处理，得到最终的生成样本。

摘要： 本发明公开了一种旋转机械振动信号的稀疏约束生成对抗网络实现方法，包括：构建输入层维度和输出层维度为w，隐藏层维度为m的稀疏自动编码器；利用对采集的振动信号进行预处理后得到的维度为w的振动信号训练样本对所构建的稀疏自动编码器进行训练，得到训练好的稀疏自动编码器；利用训练好的稀疏自动编码器，构建包括生成器和判别器的稀疏约束生成对抗网络；利用维度为w的振动信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练，得到能够利用噪声生成旋转机械振动信号的稀疏约束生成对抗网络。

摘要： 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法属于数字图像/视频信号处理领域，首先设计了人脸细节信息增强的处理流程；然后根据此流程进行网络结构的设计，LR图像通过该网络得到HR图像；最后，HR图像通过人脸识别网络进行人脸验证准确性评估。本发明可完成含有LR人脸图像细节信息的增强，并提升人脸验证的准确性；其次，本发明的生成网络先完成图像高频信息的补偿，再由亚像素卷积完成图像放大，最后级联结构完成图像逐步放大，完成图像细节信息增强；属性约束模块与感知模块、对抗模型协同训练，一起微调生成网络重建图像的性能；最后，本发明将生成网络的重建图像输入人脸验证网络，人脸验证的准确性有所提升。

摘要： 本发明涉及一种基于多分类约束双判别器生成对抗网络红外图像融合方法，包括：获取图像融合数据集；构建双判别器生成对抗网络，利用所述图像融合数据集对双判别器生成对抗网络进行训练，得到训练完成的网络；所述双判别器生成对抗网络包括：生成器和判别器；生成器包括两个输入路径和五个卷积神经层；判别器包括两个，均为多分类器；利用训练完成的网络完成图像融合；本发明的有益效果是：可以产生更适合人类感知的图像。这些图像细节更丰富，目标更突出，目标边缘更清晰，无伪影。

摘要： 本发明提出了一种基于条件约束和特征匹配的生成对抗网络的淋巴瘤图像数据生成方法，用于淋巴瘤图像的数据增强。该方法首先结合标签约束，给WGAN‑GP的生成模型搭建一层全连接层和四层反卷积层来生成图像，之后给WGAN‑GP的判别模型搭建三层卷积层和一层全连接层来识别图像是来自真实的还是生成的，最后结合特征匹配手段建立损失函数，通过生成模型和判别模型的对抗学习来生成指定标签的图像，从而达到数据增强的目的。对淋巴瘤图像的获取需要大量的临床病例，然而该方法能够解决以往工作人员难以获取指定类型的淋巴瘤图像数据的问题，进一步提高工作人员工作效率，从而减少工作人员工作时间并且提高生成图像的真实性。

摘要： 本发明公开了一种基于自监督约束和不成对数据的无监督循环去雨网络方法。本发明的目标是在给定随机不成对数据的情况下，学习从雨水图片域R到目标干净图片域C的映射。本发明引入了生成对抗思想，主要包括雨水移除子网络、雨水生成子网络、鉴别网络三部分。本发明并没有像其他监督去雨方法一样采用成对的人工合成雨图和背景图进行监督训练，因此可以在一定程度上提高模型处理真实世界雨图时的泛化性，并且也绕开了难以从真实下雨场景中获得用于监督训练的输入‑标签图片对的困境，本发明同时也把加雨引入网络，实现雨纹闭环，为自监督去雨网络提供更强的监督。通过本发明可以实现对雨水的自动去雨，提高图片质量，方便图像进一步处理和利用。

摘要： 本发明公开了一种融合成对约束和规模约束的半监督聚类方法，属于计算机与信息科学技术领域。该方法包括：随机从少量样本标签数据选择样本对生成约束对，采用并查集方法扩展约束对；使用加权KKZ算法初始化聚类质心，避免选择噪声或异常数据作为初始化质心；更新高斯混合模型的目标函数，将不同监督信息作为不同参数的惩罚项，实现多目标监督信息整合。由于本发明提供的半监督聚类方法将多目标监督信息融合至半监督聚类，既提升了聚类的准确性，又避免了产生空类或仅包含少量样本的无效类别。

摘要： 本公开实施例中提供了一种基于成对约束和集群引导的深度半监督文本聚类方法，属于数据处理技术领域，具体包括：对目标文本数据进行预处理和向量化，得到多维向量；根据多维向量学习目标文本数据的隐层特征，并将隐层特征输入预设算法进行聚类，得到初始聚类中心；计算聚类损失；利用交叉熵生成成对约束损失；并计算全部有标签集群和全部无标签集群的集群分配损失；根据重构误差、聚类损失、成对约束损失和集群分配损失计算联合损失函数，并根据联合损失函数迭代达到预设条件时，得到聚类结果。通过本公开的方案，充分挖掘标签中的监督信息，加强了其与无标签集群之间的引导学习，提高了深度半监督聚类模型的鲁棒性，同时提升了文本聚类的精度。