摘要：高维不确定性传播目前面临维度灾难和小样本的问题,难以利用有限的样本资源获得高精度的分析结果,针对此问题,提出了一种基于监督降维和自适应Kriging模型的高维不确定性传播方法。利用改进充分降维方法将高维输入投影到低维空间中,并利用Ladle估计器确定低维空间的维度。将降维投影矩阵嵌入Kriging核函数中以减少待估计超参数的数量,提高建模精度和效率。最后,创新性地定义了投影矩阵留一交叉验证误差,并基于此提出了相应的Kriging自适应采样策略,可以有效避免模型精度在自适应采样过程中发生较大波动。数值算例与工程案例的结果表明,相比现有方法,所提方法能够以较少的样本点获得高精度不确定性传播结果,对复杂装备结构的不确定性分析和设计具有一定参考作用。

摘要：针对大数据的人体行为识别时实时性差和识别率低的问题,提出了优化投影对线性近似稀疏表示分类(OP-LASRC)的监督降维算法,与线性近似稀疏表示(LASRC)快速分类算法结合用于大数据的行为识别。利用LASRC的残差计算规律设计OP-LASRC实现监督降维:在追求一个线性投影时减小训练样本的本类重构残差及增大类间重构残差,保留样本的类别特征。对降维后的行为数据用LASRC算法分类:用L2范数估算稀疏系数,取前k个最大的稀疏系数对应的训练样本,用L1范数和残差计算得到识别结果。在KTH行为数据库上的实验表明,OP-LASRC降维后,LASRC在分类时识别率高达96.5%,执行时间比同类算法短,抗噪声能力强,证明了OP-LASRC的高效和强鲁棒性,能完美匹配LASRC用于大数据的行为识别。