摘要：对当前聚类算法进行研究的基础上,提出了有效地实现多元时间序列聚类的方法。用离散哈达玛变换对多元数据进行降维,求出多元变量相关系数矩阵的特征值作为权值。采用带权值的矩阵相似性度量方法,利用改进的K-means算法对多元时间序列进行聚类分析。实验结果表明,该方法能够有效地实现多元时间序列聚类,把具有相似趋势变化的多元时间序列对象划分到同一类中。

摘要：针对复杂高维数据的维度约减问题,提出一种鲁棒的无监督维度约简方法。将自适应的图学习和投影学习融入一个联合学习框架,自适应捕获数据的本质局部结构,以此指导模型学习到全局最优的投影;为捕获数据的全局信息,引入一个PCA项,该项的引入能够减少维度约简过程中的信息损失;为选择最重要的特征进行维度约简,引入一个行稀疏约束,增强对于噪声的鲁棒性。在多个数据集上的实验验证了所提方法的有效性。

摘要：针对传统水印算法抵抗几何攻击和组合攻击弱的缺点,提出基于SIFT特征区域的支持向量机数字水印方法。根据SIFT提取的特征点选取合适的特征区域,利用回归型SVM较好地建立特征区域内邻域像素之间的关系模型,并通过调整模型的输出值与中心像素值之间的大小关系来自适应地嵌入或提取水印。实验结果表明,该方法对一般几何攻击和组合攻击有较强的抵抗能力。