住宅用电非侵入式电力负荷监测与识别

在住宅用电的非侵入式负荷监测与识别过程中,对负荷的投切时间检测与负荷类型的准确识别是重要的研究部分,本文提出了一种住宅用电非侵入式电力负荷监测与识别算法.首先,提出了一种基于短期环比变点检测算法,能够准确的检测出负荷的投切时间,进而对负荷的稳态特征进行高精度的提取;其次,利用融合莱维飞行与黄金正弦的蚁狮优化(LGSA?LO)支持向量机算法,实现家用电力负荷识别.实验结果表明,本文所提出的变点检测算法和负荷识别方法在实际应用过程中具备较高的准确率.     

一种降低激光雷达行人识别错误率的多算法组合的研究

针对2维激光雷达获取的点云信息,在类圆弧人腿形状识别算法的基础上,提出了一种可以降低行人识别错误率的多算法组合。该方法先采用高斯滤波算法降低噪声的影响,然后利用近邻聚类算法对数据进行聚类处理,再利用组合的聚类中心角算法和最小二乘圆拟合算法对聚类后的数据进行行人腿部检测,完成行人的识别。该算法混合利用LabVIEW和matlab 软件平台,并使用激光雷达对现场的行人进行了识别验证,该多算法组合与单一使用一种识别算法相比,行人识别的错误率由40%降低到了10%以下,充分说明该算法组合具有良好的性能。     

基于马尔科夫聚类的通信网络敏感信息监测

通信网络敏感信息自动监测是识别网络异常行为的关键所在。针对目前方法难以有效区分通信网络异常行为与正常行为之间关系的问题,提出了一种基于马尔科夫聚类的网络敏感信息自动监测方法。该方法首先基于网络流信息构建邻接矩阵,然后利用马尔科夫聚类。利用聚类前后簇数和核心结构节点数目的变化特征,自动监测通信网络的敏感信息。实验结果表明,该方法能够有效监测出通信网络的敏感信息,且具有较高的识别准确率。     

一种基于改进自编码器的二进制协议聚类方法

针对无先验知识下,混合二进制协议数据帧难以识别分离的问题,提出了一种基于联合高斯混合模型(GMM)和自编码器的聚类方法。对于捕获到的未知二进制数据帧,首先通过栈式自编码器对其进行降维提取特征,并根据相应判别准则获取最佳聚类个数,最后使用改进了代价函数的自编码器对二进制数据帧进一步训练以提高聚类准确率。实验表明,该方法对网络二进制协议数据帧识别的准确率达到94%以上。     

基于信令数据的轨迹驻留点识别算法研究

针对密度聚类算法只能识别密度相近的簇类且计算复杂度高等问题,该文提出一种基于信令数据中时空轨迹信息的密度峰值快速聚类(ST-CFSFDP)算法。首先对低采样密度的信令数据进行预处理,消除轨迹震荡现象;然后基于密度峰值快速聚类(CFSFDP)算法显式地增加时间维度限制,将局部密度由2维扩展到3维,并提出高密度时间间隔以表征簇中心在时间维度上的数据特征;接着设计筛选策略以选取聚类中心;最后识别用户出行轨迹中的驻留点,完成出行链的划分。实验结果表明,所提算法适用于采样密度低且定位精度差的信令数据,相比CFSFDP算法更适用于时空数据,相比基于密度的时空聚类算法(ST-DBSCAN)召回率提升14%,准确率提升8%,同时降低计算复杂度。     

P2P流量的精细化识别方法研究

目前,已有多种方法可高效准确地完成对P2P流量的粗识别,但对P2P流量的精细化识别研究较少。该文首次将近邻传播(Affinity Propagation, AP)算法引入该领域,在Hi-WAP算法的基础上融合半监督聚类思想提出了一种基于分层加权半监督近邻传播(Hierarchical Weighted Semi-supervised AP, Hi-WSAP)算法的P2P流量精细化识别方法。该方法仅利用10个可快速计算获取的网络流特征对P2P流量按应用进行半监督聚类。两组数据集下的实验结果表明,该方法识别准确率高,时间复杂度低,为P2P流量的实时精细化识别提供了一种实现思路。     

可能性模糊C-均值聚类新算法

模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.     

SCEA:一种适应高维海量数据的并行聚类集成算法

针对传统串行聚类集成算法在处理高维海量数据时效率低下的问题,提出基于Spark的并行聚类集成算法SCEA(Spark based Clustering Ensemble Algorithm).首先,通过主成分分析与成对约束结合的方法对算法输入数据进行预处理,达到数据降维并去除特征相关性的目的;其次,通过调用不同聚类算法获得基聚类成员后,采用三元组方法通过基聚类成员的簇标签构造出相似度矩阵,并调用层次聚类算法得到最终的聚类结果;最后,在调用MLlib中已有聚类算法的基础上,基于Scala对SCEA算法进行了实现.将SCEA与同类算法在多组数据集下进行对比测试,实验结果表明:总体上SCEA不仅较已有算法在准确率方面有所提高,并且通过分析运行时间、加速比以及可扩展性3个性能指标,证明了SCEA在算法性能上的优越性.     

基于油液在线监测的风机齿轮箱磨损状态识别

针对风机齿轮箱磨损状态识别中传统算法识别准确率低的问题,该文提出了一种基于BP神经网络的风机齿轮箱磨损状态的识别方法。该方法基于油液在线监测的多维数据样本,构建BP神经网络风机齿轮箱磨损状态识别模型。仿真实验中,在经过对测试数据学习训练后,BP神经网络和传统聚类算法分别对一组测试数据进行磨损状态识别,BP神经网络模型的风机齿轮箱磨损状态识别准确率可达到98%,而相同样本下,传统聚类算法的识别准确率仅为90.4%。对比实验结果表明,所提方法具有更高的识别准确率。     

基于相位聚类的MPSK信号调制分类算法

针对非协作通信中的MPSK信号调制识别问题,提出基于相位聚类的调制识别算法.该算法以MPSK信号相位聚类的周期性为分类特征,应用傅里叶变换作为特征提取的方法,实现了对MPSK信号的类内识别.同时本文还对该算法进行了改进,减少了该算法的计算量,并使该方法可对含有载波频偏的MPSK调制信号进行识别.该算法在信噪比较低的情况...