基于直觉模糊的ISODATA算法

ISODATA算法能自动地进行类的分裂和合并,但这种硬分类算法没有充分考虑图像本身的特点和人类的视觉特性,其分类效果一般差于模糊聚类算法。而大多数模糊识别方法都需要设置类别数目,有其自身的缺点,而直觉模糊则弥补了传统模糊理论不足。结合直觉模糊和ISODATA优点,将与隶属度和非隶属度相关的判定函数作为分类度量,提出了一种基于直觉模糊的ISODATA算法,结合实际改进了隶属度函数,以区域为待分类样本以提高算法速度,将其应用到图像分割,经实验证明了算法的有效性。     

改进的自适应模糊ISODATA灰度图像分割算法

传统模糊ISODATA（Fuzzy ISODATA,FISODATA）算法中,分裂-合并操作需人工选取阈值参数。而不适当的阈值往往使算法陷入局部极值,因而得到错误的类属数并最终影响图像分割结果。为此,在模糊集理论基础上提出一种改进的自适应FISODATA算法。该算法设计了自适应分裂-合并操作,即在每次分裂-合并后,根据该次计算结果改变参数阈值,解决了人为选取参数带来的诸多问题。利用该算法对模拟图像和真实IKONOS图像进行分割实验,均能得到良好的分割结果。     

具有部分监督的遥感影像模糊聚类方法研究及应用

遥感信息主要反映的是地球表层信息。由于地球表层系统的复杂性和开放性,地表信息是多维的、无限的,遥感信息传递过程中的局限性以及遥感信息之间的复杂相关性,决定了遥感信息其结果的不确定性和多解性。模糊分类是遥感影像分类研究的重要趋势。在Ｆｕｚｚｙ－ＩＳＯＤＡＴＡ 方法的基础上,探讨如何在样本数据集中融合部分知识和随机样本,通过聚类分析获得目标类别的模糊隶属度矩阵和特征空间的特征模式的方法。提出了基于该方法的遥感影像模糊分类模型     

一种基于Canopy和粗糙集的CRS-KNN文本分类算法

针对KNN算法的分类效率随着训练集规模和特征维数的增加而逐渐降低的问题,提出了一种基于Canopy和粗糙集的CRS-KNN（Canopy Rough Set-KNN）文本分类算法。算法首先将待处理的文本数据通过Canopy进行聚类,然后对得到的每个类簇运用粗糙集理论进行上、下近似分割,对于分割得到的下近似区域无需再进行分类,而通过上、下近似作差所得的边界区域数据需要通过KNN算法确定其最终的类别。实验结果表明,该算法降低了KNN算法的数据计算规模,提高了分类效率。同时与传统的KNN算法和基于聚类改进的KNN文本分类算法相比,准确率、召回率和[F1]值都得到了一定的提高。     

基于改进Citation-KNN算法的性别识别研究

为了简化系统模型训练方法,提高性别识别系统的整体效率,提出了一种基于改进Citation-KNN算法的说话人性别识别方法。该方法将连续语音切分,训练每段语音的高斯混合模型（Gaussian Mixture Model,GMM）作为多示例包,其所有混合元为相应包中示例;采用改进的Hausdorff距离作为包与包之间的距离测度,通过Citation-KNN算法进行性别识别。该方法以多示例包间距离为分类依据,简化了系统训练,且识别率优于一些传统算法。     

基于ISODATA的实时动态电动汽车运行工况与耗电特性研究

针对电动汽车行驶工况进行研究是确定电动汽车能耗、电动汽车新型技术和评估的核心方法.采集电动汽车在实际道路行驶的数据,使用主成分分析算法(Principal Component Analysis,PCA)、迭代自组织数据分析算法(Iterative Self Organizing Data Analysis Techniques Algorithm,ISODATA)以及运动学片段分析法对实测的数据进行降维和聚类,利用Silhouette函数验证聚类结果的合理性.根据聚类中心的大小,筛选提取的运动学片段,构建电动汽车实际行驶的代表性工况,通过测试数据进行了差异性检验.在建立代表性工况的基础上,提出电动汽车能耗特性和电量实时估算方法.     

结合主动学习与置信度投票的集成自训练方法

基于集成学习的自训练算法是一种半监督算法,不少学者通过集成分类器类别投票或平均置信度的方法选择可靠样本。基于置信度的投票策略倾向选择置信度高的样本或置信度低但投票却一致的样本进行标记,后者这种情形可能会误标记靠近决策边界的样本,而采用异构集成分类器也可能会导致各基分类器对高置信度样本的类别标记不同,从而无法将其有效加入到有标记样本集。提出了结合主动学习与置信度投票策略的集成自训练算法用来解决上述问题。该算法合理调整了投票策略,选择置信度高且投票一致的无标记样本加以标注,同时利用主动学习对投票不一致而置信度较低的样本进行人工标注,以弥补集成自训练学习只关注置信度高的样本,而忽略了置信度低的样本的有用信息的缺陷。在UCI数据集上的对比实验验证了该算法的有效性。     

基于PCA的动态化工过程实时故障监测系统研究

如何确保化工过程安稳运行,被科研工作者视为1个重要研究方向.但能够成功应用于实际化工过程上的故障监测系统却寥寥无几.本文深入研究了丰元分析的原理,在主元分析方法的基础上,利用VS2005开发工具,完成了基于主元分析算法的推理引擎,开发了动态化工过程实时故障监测系统,并利用乙烯装置热区分离工段的仿真系统,从中选取了21个可测变量,通过仿真实验,当故障发生时,能够准确的找到故障.验证了该监测系统的有效性,取得了较好的效果.     

基于三支决策的两阶段实体关系抽取研究

实体关系抽取作为信息抽取研究的重要研究课题之一,对知识图谱数据层的构建有着重要的意义。提出一种基于三支决策的两阶段分类技术实现实体关系抽取,首先构建SVM三支决策分类器实现第一阶段实体关系抽取,采用softmax多分类函数作为三支决策概率函数,然后采用KNN分类器对三支决策分类后的中间域样本进行二阶段分类。以ACE2005的语料作为实验数据,将三支决策两阶段分类结果与传统SVM方法分类结果进行比较,实验结果表明,基于三支决策的两阶段实体关系抽取方法取得了很好的分类效果。     

基于广域网的数据实时监测平台研究

分析了建立基于广域网的数据实时监测平台的必要性,介绍了系统组建过程中常用的技术和方法,并作了详细对比。通过实例说明系统的组建过程以及实现了那些功能。数据实时监测平台投运以来,不仅给生产过程高效运行提供了指导方案,而且为公司管理层提供了有力的决策依据,控制了投资风险。经实践证明该系统稳定可靠,具有较好的推广应用价值。     

基于复频特性分析的输电线路故障监测方法

为了实现对输电线路的状态监测与故障诊断,提出了基于复频特性分析的输电线路故障监测方法。给定了分段传递函数及其模值的相对偏差的定义,针对输电线路故障的在线监测,建立了基于分段传递函数的故障分析方法,该分析方法的核心是以文中所定义的相对偏差作为反映输电线路状态的故障特征量。运用此方法对单条10kV架空输电线路进行了接地短路故障的仿真研究。仿真实验结果验证了该分析方法在输电线路故障监测中的有效性。     

基于Hadoop的输电线路在线监测数据模型及技术研究

输电线路是电力系统中关键的组成部分,输电线路在线监测技术的应用产生了海量线路运行数据,对数据的深入挖掘成为现阶段电力大数据研究的热点。随着智能电网数据应用的深入,为保证电力系统可靠运行提供了新的解决方案。在研究输电线路在线监测数据类型、数据特征、数据需求的基础上,提出了符合智能电网电力大数据结构特征的Hadoop监测数据模型设计,包含了多维度数据信息输入、分布式数据存储、分布式数据处理的三个层次。通过搭建基于Hadoop集群的大数据处理环境,在MapReduce并行运算模式下实现PCA-SVM聚类算法,以输电线路故障类型识别为例,实现了基于数据分析的输电线路故障辨识,验证该模型实现输电线路在线监测的可行性。     

基于Storm的流数据KNN分类算法的研究与实现

KNN算法是一种简单、有效且易于实现的分类算法,可用于类域较大的分类。近年来对KNN算法的研究偏向于静态大数据集,不过,在越来越多的情况下要用KNN算法在线实时处理流数据。考虑到流式数据流量大,连续且快速,不易存储和恢复等特性,以及流处理系统Storm对流数据处理具有实时性、可靠性的特点,提出了基于Storm的流数据KNN分类算法,该算法首先对整个样本集进行划分,形成多个片集,然后计算出待分类向量在各片集上的[K]近邻,最后再将所有片集[K]近邻归约得出整体[K]近邻,实现待分类向量的分类。实验结果表明,基于Storm的流数据KNN分类算法能够满足大数据背景下对流数据分类的高吞吐量、可扩展性、实时性和准确性的要求。     

结合属性值贡献度与平均相似度的KNN改进算法

与传统的K-近邻算法不同,提出了一种结合属性值贡献度与平均相似度的KNN改进算法。首先考虑测试样本与相似样本点间的平均相似度,其次考虑不同类别中的相似样本点的个数,最后还考虑与相似样本相同的属性值对类别的贡献度。在蘑菇数据集上进行实验结果表明,改进后的KNN分类算法的准确率比传统的K-近邻分类算法的准确率更高。     

应用粗糙集提取柴油机故障数据特征

根据柴油机故障数据的特点,采用粗糙集理论对其进行特征提取研究。由于实际测量的参数大多为连续数据,而粗糙集只能处理离散数据,提出了一种适用于粗糙集的SOM网络离散化方法;给出一种基于简化差别矩阵的快速属性约简算法;以6135D型柴油机故障诊断数据为例进行特征提取,成功地将原始8个属性约简为3个,为后续研究工作打下了基础。     

基于智能监控系统的分布式光伏故障自动诊断研究

传统故障诊断方法都是从分布式光伏组件外部特性进行故障判断,对于内部参数的变化缺少观察,导致分布式的故障类型诊断准确率低,因此,设计一种基于智能监控系统的分布式光伏故障自动诊断方法.以两级分布式光伏作为研究对象,建立并网运行的数学模型,通过智能监控系统得到内部参数故障评判特征值,采用崩溃点直接计算的方法计算电压崩溃、越限...     

基于KNN-SVM的网络安全态势评估模型

为了提高网络安全态势评估性能,提出一种K近邻和支持向量机相融合的网络安全态势评估模型（KNN-SVM）。将网络安全数据集输入到支持向量机学习,找到支持向量集,对于待评估网络安全态势样本,计算其与最优分类超平面间的距离,如果距离大于阈值,采用支持向量机进行网络安全态势评估,否则采用K近邻进行评估,以解决支持向量机对超平面附近样本易错分的缺陷,减少SVM的误判率。仿真结果表明,相对于单独SVM,KNN-SVM提高了网络安全态势评估正确率,而且性能更加稳定。