基于粒子群算法的科技创新数据检索系统设计

当前使用的深度学习驱动、基于哈希算法的数据检索方式,容易受到原始数据集冗余信息和噪声影响,存在检索查准率和查全率不高的问题,因此提出了基于粒子群算法的科技创新数据检索系统设计。使用检索引擎构建索引库群,设计检索数据存储模块、关联导航模块、数据分词流程。利用粒子群算法求解分词最短路径,根据数据分词处理结果,获取查询关键词对应的查询分词向量,完成数据检索,以此作为分词结果,避免系统检索受到原始数据集冗余信息和噪声影响。由实验结果可知,该系统查准率最高为96%,查全率最高为97%,具有高效检索效果。     

大数据环境中群智能算法的应用研究

随着科技的快速发展,大数据时代已经到来.对于大数据的分析与处理推动社会经济的不断发展,在大数据背景下,数据规模、处理难点的优化问题也变得更加多样化,进而使优化方法成为人们日益关注的焦点.一种新型的计算技术——群智能算法,运用高效的优化算法对自然界社会性生物群体进行模拟,解决各个领域的实际问题.本文提出群智能算法中的自适应优化算法——粒子群算法,详细分析粒子群算法的原理,为了提高全局搜索能力及计算效率,本文加入了种群自适应增加/删除个体数目方法有效改进种群多样化,提高收敛速度及质量.基于逻辑斯谛模型的算子设计有效地增强了粒子群的多样性,自适应控制策略更具有一般性特征,可更好地应用到不同的群智能算法中,解决大数据问题的优化性.     

一种新的基于粒子群密度的聚类算法

提出了一种新的粒子群密度聚类算法和对粒子群的初始化方法。该算法具有传统粒子群算法寻找最优解的特点,同时从密度的角度考虑了数据总体的分布,增强了寻找局部最优解的能力,并通过对粒子群的初始化加快了粒子群的收敛速度,得到了更好的聚类效果。对仿真数据和IRIS真实数据的实验结果证明,该算法聚类效果优于传统粒子群聚类算法和K均值算法。     

基于云计算的大数据聚类挖掘算法研究

基于云计算的大数据聚类挖掘,需要结合改进粒子群算法、k-means算法的优势,提出基于改进粒子群优化（Particle Swarm Optimization,PSO）的k-means聚类算法,设置自调节惯性权重、云变异算子,根据数据集种群的进化程度,调整粒子群算法的全局搜索、局部搜索能力,追踪数据粒子的个体极值、全局极值,更新每个数据个体在解空间中的点位置、更新速度,并在数据种群进化到一定程度时进行变异操作,选择全局极值作为期望Ex来控制种群迭代次数,避免数据挖掘陷入早熟收敛、局部最优解的情况。     

改进粒子群算法在桥梁结构损伤识别传感器优化布设中的应用

粒子群算法以其强大的搜索能力及较好的适应度已逐步应用到桥梁结构损伤识别领域。针对以损伤识别为目标的传感器优化布设,提出一种基于改进粒子群算法的传感器优化布置方法。首先利用传感器覆盖率概念建立数学模型;其次以联合覆盖率最大构造适应度函数;在确定了监测半径的条件下,利用粒子群算法寻找出传感器的最优数目与位置。为了验证所提方法的有效性,以一三跨桥梁结构为实验对象。实验结果表明,改进的粒子群算法相比于传统粒子群算法,在寻优过程中迭代次数更少,寻找到的最优值更好,且经过融合后的数据损伤识别结果更加真实可靠。     

智能信息处理技术在网络计算中的应用

为了提高网络大数据计算的速度和收敛性,针对当前仿生群算法容易出现局部收敛的问题,提出一种基于优化粒子群智能信息处理的网络大数据计算方法。采用特征尺度标识方法进行网络计算数据集规范化处理,结合粒子群算法进行网络计算的大数据聚类分析,根据粒子速度和位置更新迭代公式确定初始聚类中心,通过混沌差分扰动进行个体寻优,降低群体适应度方差,使得计算程序满足收敛法则,提高网络计算的效率。仿真结果表明,采用该方法进行网络大数据的智能计算能得到最优适应度值,收敛性和处理速度都具有优势。     

基于改进的路网聚类结合PSOWNN的交通流预测

针对城市路网交通流数据的空间相关性、非线性和平稳与非平稳的特点,提出一种采用基于交通流量数据相关性分析改进的路网聚类算法与基于交通流量分段加权适应度函数的粒子群小波神经网络算法(MC-MPSOWNN)相结合的预测方法,来提高算法的预测精度.首先,利用基于交通流量数据相关性分析的路网聚类算法筛选出空间中与预测点交通流量数据相关系数高的其他观测点,以此精简了样本输入数据,减少冗余数据对预测精度的干扰,提高整体预测精度;其次,再构建一种新型的粒子群算法的适应度函数,给予整体预测样本中非平稳数据段更大的调节力度,以此来进一步提高非平稳数据段的预测精度.最后经实验结果分析,提出的改进预测算法相比未进行改进前预测算法而言,明显提高了整体及非平稳数据段预测精度,达到较好的预测效果.     

基于混沌粒子群的IDS告警聚类算法

为了提高入侵检测系统(IDS)的告警质量,减少冗余报警,提出了一种基于混沌粒子群优化的IDS告警聚类算法。算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。该算法能够克服粒子群算法的早熟、局部最优等缺点,指导聚类中心寻找到全局最优解。通过理论分析与实验测试,验证了该算法在入侵检测系统中,能够大量减少告警数量,提高告警质量,具有较高的检测率和较低的误报率。     

基于粒子群优化的数字波束形成算法

波束形成的加权系数求解是一个优化过程,现有算法大多经过多次迭代,计算量大,实现复杂。为降低波束形成算法复杂度,将粒子群优化原理应用于数字波束形成中,提出了基于粒子群优化的自适应数字波束形成算法。该算法将每一组权值作为一个粒子,将阵列加权和的输出信号与干扰噪声比(SINR)作为适应度函数,通过比较各个粒子的适应度值,进行迭代搜索得到最优解。该算法可使天线阵在主波束对准有用信号,同时能有效抑制两个以上的干扰,且对阵列通道误差有较好的稳健性。计算机仿真验证了算法的有效性。     

基于EMD的音频水印算法研究

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)的音频水印算法,选择EMD分解得到的冗余信号分量作为水印的嵌入位置,并证明了冗余信号分量按照提出的算法嵌入水印以后仍然是冗余信号分量,从而为水印嵌入提取提供了理论基础.通过粒子群优化算法求解出适用于EMD分解的最优音频水印嵌入强度,按此强度嵌入水印,可以同时满足水印的健壮性和不可感知性.仿真结果表明,使用计算出的最优嵌入强度嵌入水印,嵌入水印后的音频信号在受到大部分攻击的情况下可以确保水印的不可见性和健壮性.