多元时序模糊聚类分段挖掘算法

工业监控系统所采集到的多元时间序列在利用数据挖掘技术获取内部存在的未知模式的过程中,经常会出现原始数据庞杂、分段结果重复、交集过多和界限不清晰等问题,导致含有突变变量或数据间相关性差的数据集进行模式挖掘结果不理想.针对上述问题,本文提出了一种新的多元时序模糊聚类分段挖掘算法.实验结果表明,该算法克服了Gath-Geva算法聚类精度易受初始值影响的不足,能够较好地反映出原始数据中潜在的过程变化,从而有效地处理时间序列的分段问题并得到理想的挖掘结果.      

粗糙集在桥梁结构健康多级模糊评价中的应用

桥梁结构健康评价的指标体系通常比较复杂,专家评分或层次分析法获取因素权重的方法过程繁琐且主观性强。针对该问题,提出一种将粗糙集与层次分析法相结合来获取因素权重的方法,并基于该方法建立了桥梁结构健康多级模糊综合评价模型。利用该评价模型,对实测的桥梁结构状态数据进行分析与评价。实验结果表明,该模型能够对桥梁结构健康状态进行较为准确的评价,评价准确率优于层次分析法。     

非平衡集成迁移学习模型及其在桥梁结构健康监测中的应用

在桥梁结构健康监测与状态评估过程中所获得的桥梁结构数据库常存在间断性异常或缺损,且不同样本分类数据不均匀,难以在信息缺失、数据分布失衡的情况下完成对桥梁结构健康的监测与状态评估.针对这一问题,在改进相似性度量函数的SOM聚类算法和非平衡集成迁移学习算法的基础上,提出了一种改进的迁移学习模型.通过对实际监测数据的分析,该迁移学习模型的分类精度随着目标数据集所占比例的不断增加而提高,验证了该模型的有效性和科学性.