检索结果

Select

1. 判别多维标度特征学习

唐海涛, 王红军, 李天瑞

《计算机应用》唯一官方网站 2023, 43 (5): 1323-1329. DOI: 10.11772/j.issn.1001-9081.2022030419

摘要（497）

HTML （91）

PDF （1101KB）（439）

传统多维标度方法学习得到的低维嵌入保持了数据点的拓扑结构，但忽略了低维嵌入数据类别间的判别性。基于此，提出一种基于多维标度法的无监督判别性特征学习方法——判别多维标度模型（DMDS），该模型能在学习低维数据表示的同时发现簇结构，并通过使同簇的低维嵌入更接近，让学习到的数据表示更具有判别性。首先，设计了DMDS对应的目标公式，体现所学习特征在保留拓扑性的同时增强判别性；其次，对目标函数进行了推理和求解，并根据推理过程设计所对应的迭代优化算法；最后，在12个公开的数据集上对聚类平均准确率和平均纯度进行对比实验。实验结果表明，根据Friedman统计量综合评价DMDS在12个数据集上的性能优于原始数据表示和传统多维标度模型的数据表示，它的低维嵌入更具有判别性。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于深度森林的高铁站室内热舒适度等级预测

陈彦如, 张涂静娃, 杜千, 冉茂亮, 王红军

计算机应用 2021, 41 (1): 258-264. DOI: 10.11772/j.issn.1001-9081.2020060888

摘要（439）

PDF （1166KB）（741）

对于高铁站这类半封闭半开放空间的室内环境热舒适度等级难以准确预测的问题，提出基于深度森林（DF）的深度学习方法对热舒适度等级进行科学预测。首先基于现场调研和Energy Plus平台对高铁站室的热交换环境进行建模；其次提炼出客流密度、多联机开行台数和多联机设置温度等8个影响因素，并设计424种工况以获取海量数据；最后采用DF挖掘热舒适度与影响因素之间的关系，以对高铁站室内热舒适度等级进行预测。采用深度神经网络（DNN）和支持向量机（SVM）作为对比算法进行验证。实验结果表明，在3种模型中，DF在预测正确率和 weighted- F ₁上表现最佳，DF的预测正确率最高达到99.76%，最低为98.11%。因此，DF能够有效预测高铁站室内的热舒适度等级。

参考文献 | 相关文章 | 多维度评价

Select

3. 面向高铁站的热舒适度和能耗综合预测

蒋阳升, 王胜男, 涂家祺, 李莎, 王红军

计算机应用 2021, 41 (1): 249-257. DOI: 10.11772/j.issn.1001-9081.2020060889

摘要（391）

PDF （1132KB）（485）

针对高铁站这类半封闭建筑的热舒适度影响因素众多，影响机制复杂以及热舒适度与能耗存在背反等问题，提出了基于机器学习的高铁站热舒适度与能耗综合预测方法。首先采用传感器数据捕获及Energy Plus仿真两种方式对高铁站室内外状态、多联机及热交换机等控制单元及热能传导环境进行建模；其次提出影响高铁站热舒适度的八类因素——多联机开启台数、多联机设置温度、热交换机开启台数、客流密度、室外温度、室内温度、室内湿度和室内二氧化碳浓度，并设计424种模型运行工况以及3 714 240个实例；最后设计6种机器学习模型——深度神经网络、支持向量回归、决策树回归、线性回归、岭回归和贝叶斯岭回归，来对高铁站室内热舒适度和空调能耗进行有效预测。实验结果表明，6种机器学习模型中决策树回归预测模型能够在较短的时间内获得最优的预测性能，其平均均方误差低至0.002 2。所得研究成果可直接为下一阶段的温控策略提供主动预判的环境状态参数并实现实时决策。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于Adaboost-Markov模型的移动用户位置预测方法

杨震, 王红军

计算机应用 2019, 39 (3): 675-680. DOI: 10.11772/j.issn.1001-9081.2018071506

摘要（413）

PDF （1000KB）（230）

针对Markov模型在位置预测中存在预测精度不高及匹配稀疏等问题，提出了一种基于Adaboost-Markov模型的移动用户位置预测方法。首先，通过基于转角偏移度与距离偏移量的轨迹划分方法对原始轨迹数据进行预处理，提取出特征点，并采用密度聚类算法将特征点聚类为用户的各个兴趣区域，把原始轨迹数据离散化为由兴趣区域组成的轨迹序列；然后，根据前缀轨迹序列与历史轨迹序列模式树的匹配程度来自适应地确定模型阶数 k；最后，采用Adaboost算法根据1~ k阶Markov模型的重要程度为其赋予相应的权重系数，组成多阶融合Markov模型，从而实现对移动用户未来兴趣区域的预测。在大规模真实用户轨迹数据集上的实验结果表明，与1阶Markov模型、2阶Markov模型、权重系数平均的多阶融合Markov模型相比，Adaboost-Markov模型的平均预测准确率分别提高了20.83%、11.3%以及5.38%，且具有良好的普适性与多步预测性能。

参考文献 | 相关文章 | 多维度评价

Select

5. 基于注意力机制的不完备多视图聚类算法

杨成昊胡节王红军彭博

《计算机应用》唯一官方网站 DOI: 10.11772/j.issn.1001-9081.2023121866
预出版日期: 2024-03-22

Select

6. CCDM2022+219+判别多维标度特征学习

唐海涛王红军李天瑞