高维

摘要： 为适应梯级水库群高维多目标模型求解需要,引入第三代非支配遗传算法。以黄河上游梯级水库群为研究对象,综合考虑防洪、防凌、供水、发电、生态等调度任务,建立了发电-供水多目标模型。选择典型枯水年径流资料开展多目标模型优化计算,结果表明该算法可有效解决梯级水库群高维多目标模型计算问题。基于多目标解集分析黄河上游多用户需水关系,发现发电与供水矛盾突出,且主要集中在汛期和防凌期,同时确保生态基流也会对供水产生较大影响。

摘要： 受困于维数诅咒,能够求解高维偏微分方程(PDEs)的算法一直以来都极其有限。鄂维南和韩劼群在2017年提出的算法通过将未知解的梯度看作策略函数,利用深度学习可以较为有效的解决高维偏微分方程,但却无法解决带有真正策略函数的问题。本文提出了一种新算法,通过多层神经网络表示策略函数映射,将方程的解映射为适应度函数,把网络中的参数看作自变量,通过进化算法优化整个策略函数;同时配合鄂维南和韩劼群的算法求解问题。通过在Riccati方程和投资消费问题等的实际算例模拟下,表明了算法的准确性和实际意义。

摘要： 本文研究了城市道路车辆的平均行驶速度在时间以及空间上的变化规律.利用道路交通的网络结构特征,提出了有向图上的高维时间序列模型.通过引入l1-惩罚项,本文建立了正则化最小二乘的参数估计方法,并对此过程中调节参数的选择方式进行了研讨.进一步,本文将所提出的方法应用于成都市道路网络的城市链路速度的实例,并以成都市中心城区和偏远郊区为例,揭示了其交通运输效率在时间以及空间上的变化规律.该项研究可为疏导交通堵塞以及缓解交通压力提供有效的统计建议.

摘要： 通过将数学分析中两个低维命题推广到高维情形,展示了其证明技巧的升级--从纯数学分析技巧升级到泛函分析技巧.

摘要： 高斯图模型广泛地应用于网络数据的分析。虽然目前已经有了很多估计高斯图模型参数的方法,但高斯图模型的同时推断问题也具有重要的意义。我们提出了一种自助方法来进行高斯图模型的同时统计推断。我们的同时推断方法适用于大规模的图模型,并允许感兴趣的参数向量的维数大于样本数量。我们证明了同时检验的结果能够渐近地达到了预设的显著性水平,而进一步的仿真实验验证了所提方法的有效性。

摘要： 中国科学技术大学郭光灿院士团队李传锋、柳必恒研究组将高维纠缠光子的总体探测效率提升到71.7%,从而实现了无探测漏洞的高维贝尔不等式检验。该成果日前发表在国际知名期刊《物理评论快报》上。

摘要： 时间序列数据集作为数据序列的一种典型的类型,在各行业广泛存在,其既具有数据序列数据量大、高维等特性,同时具有时间特性.目前,各领域的时间序列广泛存在,如股票数据、医疗数据、水量监测数据等.应用于静态数据序列的数据挖掘方法,在时间序列的分析中效果不理想.那么,如何从具有时间特性的序列中发现异常、提取有价值的信息,成为数据挖掘研究的主要方向之一,同时也是本文研究的主要内容.

摘要： 针对供应链金融模式下中小企业的信用风险控制问题,提出了一种面向高维和不平衡数据的信用风险预测模型。首先,基于Pearson-XGBoost两阶段特征选择建立供应链金融信用评价指标体系;其次,通过改进的NM-SMOTE算法对数据集进行平衡化;最后,利用Focal loss函数对XGBoost算法改进,并通过改进的粒子群算法进行优化,从而建立最终的信用评价模型。通过实验结果表明,提出的INS-IPSO-FLXGBoost模型对于中小企业具有更好的预测效果,可以更有效地识别风险企业。

摘要： 提出了一种适用于高维数据稀疏变点的SOP-SeedBS检验方法,能达到快速检验的效果。SOP-SeedBS方法是先对数据矩阵进行分解,并基于奇异值分解找到最优的投影方向,再利用投影的方法将高维数据投影到一维空间,最后利用种子二元分割方法对投影后的一维数据进行多变点检验。仿真结果表明,提出的SOP-SeedBS方法与Inspect方法相比较,准确度得到了提高,在计算时间方面具有较大的优势。最后将SOP-SeedBS方法应用于膀胱肿瘤微阵列数据集中,与Inspect和Adapt-WBS等方法的结果具有相似性,进一步说明SOP-SeedBS方法具有实用性。

摘要： 癌症基因微阵列数据中冗余基因过多,增加了基因子集规模,导致计算难度提升、判断性能下降.采用高维随机矩阵构建了一种癌症基因网络识别方法,利用维度较高的随机变量构成高维随机矩阵,根据随机矩阵与相关矩阵的属性特征,在系数矩阵右边增加一列扩增随机矩阵,基于矩阵的不失一般性,采用奇异值分解式,完成相关矩阵奇异值拆分,划分随机噪声与真实信息,通过计算各特征重要程度,去除冗余以及与类别不存在关联性的特征,明确高维随机矩阵理论降噪参数后,选取相关系数不小于降噪参数的基因,实现基因网络识别.仿真结果表明,所提方法可简便有效观测基因关联,实现癌症基因网络识别.

摘要： 本发明公开了一种具有高粘附的植物油基聚合物在甲维盐制剂生产中的应用、甲维盐制剂及其制备方法，将高粘附的植物油基聚合物应用在甲维盐制剂生产中，能提高甲维盐的耐雨水冲刷能力，可以在使用过程中提高甲维盐药物的释放时间，使杀虫效果得到增加，且甲维盐制剂的制备方法简单，得到的甲维盐制剂安全环保性好。

摘要： 本发明公开了一种具有高粘附的植物油基聚合物在甲维盐制剂生产中的应用、甲维盐制剂及其制备方法，将高粘附的植物油基聚合物应用在甲维盐制剂生产中，能提高甲维盐的耐雨水冲刷能力，可以在使用过程中提高甲维盐药物的释放时间，使杀虫效果得到增加，且甲维盐制剂的制备方法简单，得到的甲维盐制剂安全环保性好。

摘要： 一种基于数据挖掘的高维剧场数据降维可视化处理方法，属于剧场设备信息管理技术领域。它包括以下步骤：1、对高维剧场设备运行大数据进行降维处理；2、对异构数据的信息进行融合，并对融合的高维数据信息提取频繁序列模式；3、对剧场设备运行数据进行聚类处理；4、训练剧场设备运行数据向量，并根据词向量构成句子向量进行文本分类，将优化后的向量在二维语义空间进行语义可视化表示。本发明通过对海量剧场设备高维数据进行降维处理，将相似的文本收敛到可处理的量级，同时结合相关的半监督学习以及隔离森林算法对降维数据文件进行分类，设计数据分类模型算法并进行可视化展示，优化剧场设备运维数据的管理，实现高效准确的运维。

摘要： 本发明公开了涉及数据降维技术领域，公开了一种可调权重的高维数据降维方法及系统，该降维方法，包括以下步骤：Step1，提取数据；Step2，获取属性权重矩阵；Step3，计算加权欧式点对距离；Step4，计算高维空间联合概率；Step5，获取低维空间点分布。本发明解决了现有技术存在的降维准确度较低、误差较大等问题。

摘要： 本发明公开了一种基于邻域关系的高维数据快速降维方法以及系统，本发明首先通过探索数据点与其邻居的邻居之间的相似性以构建高维空间中数据点的近似邻域结构，避免了成对数据点之间的相似度计算，在提高计算效率的同时获得尽可能高的准确性；然后对由邻居探索而获得的数据点的邻域进行随机采样，快速生成数据点的上下文序列，进一步加快计算效率；最后利用只含一层隐含层的词向量模型Skip‑gram的高效性，学习高维数值矩阵在低维空间的嵌入表示，从而实现降维处理。本发明可处理通用的数值型矩阵，不局限于原始数据类型，并且计算速度高于同类型的Vec2vec方法，计算准确率优于当前最先进的UMAP方法。

摘要： 本发明公开了一种高维数据库多层次降维方法，包括如下步骤：步骤1：获取包含多维指标的样本数据集，对样本数据集进行预处理；步骤2：进行标准化处理，使得各指标的数据无量纲；步骤3：第一次降维，删除包含信息量不足的数据集，减少后续操作的计算量，提高计算速度；步骤4：使用关键影响力指数排序法对样本数据集进行第二次降维，降低后续步骤中的共线性问题；步骤5：基于改进的主成分分析法在不改变指标属性的基础上对样本数据集进行第三次降维，获取最终样本数据集。本发明克服机器学习算法比较复杂且运行成本较高的问题的同时，最大化保留原有指标属性，运行效率高，可操作性强。

摘要： 本发明公开了一种基于深度学习的动力系统高维测量数据降维方法的具体技术方案，包括如下步骤：步骤S1：采集数据并根据数据特点设计深度自编码器的网络结构；步骤S2：将数据输入深度自编码器，构造Loss并进行训练；步骤S3：去掉解码器，使用编码器编码。利用本发明基于深度学习的降维算法既可以应对线性数据也可以应对非线性数据，在训练好的前提下模型的运行速度也比较快，而且具有显式的降维函数，是一种比较优越的方法。实验表明，深度自编码器对数据进行降维后在分类任务中取得的效果全面优于线性降维和流形学习方法。这说明基于深度学习的方法能更有效的对高维数据进行去冗余和降维。

摘要： 本发明提供一种基于自编码器的高维神经信号降维方法及用途，结合卷积神经网络强大的特征提取能力和长短期记忆的时序处理能力，通过自编码器对神经数据进行降维，提取行为相关的信息，以用于后续的分析和解码。本发明与现有神经信号降维算法相比，可以在更低维度的特征空间保留更多与行为相关的神经信息，在解码运动轨迹和分析行为特征方面具有较为显著的优势。此外，通过可视化降维后的神经特征，说明了本发明具有良好的降维性能，可在各类神经信号的分析、解码和可视化等处理中应用。

摘要： 本发明提供了一种对多个高维数据进行可视化比较的降维方法，接收待处理的两个高维数据集；对两个数据集计算边相似度；使用t分布‑随机近邻嵌入方法对第一个数据集进行降维处理；基于边相似度，将边向量约束引入到t分布‑随机近邻嵌入方法的优化方程中，通过求解优化得到第二个数据集的降维结果。本发明能够实现适用于比较任务的一致性降维结果。

摘要： 本发明公开了一种高维数据集的数据降维、去噪方法，包括以下步骤，将高维数据集通过数据输入模块输入至云端平台的内部，云端平台将数据传输至中央处理器，中央处理器对数据集进行线性与非线性的分类。本发明通过叠加去噪自编码器、一维卷积神经网络、中央处理器和结果检测报告模块组成高维数据降噪降维系统，能够使得高维数据的降维精确度大大提高，为数据带来更客观更全面的降维方式，使得降维数据更加精细，更加灵活，解决了随着输入维数的增加，潜在特征子空间的数量呈指数级增长，导致搜索空间也呈指数级剧增，同时数据中大量不相关的特征将产生不必要的数据噪声，影响最能代表相关属性的数据子空间选择的问题。