基于蚁群聚类算法的RBF神经网络在压力传感器中的应用

针对压力传感器在应用中存在温度漂移这一缺点,提出了一种基于蚁群聚类算法的RBF(Radial Basis Function)神经网络温度补偿方法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法作为聚类算法来确定RBF神经网络的基函数的位置,并通过裁减的方法约简隐层的神经元达到简化网络结构的目的。通过仿真可以看出,该算法具有误差小,精度高等优点,对压力传感器的温度漂移有较好的补偿效果。     

一种改进的最近邻聚类学习算法

提出了一种自适应模糊逻辑系统（ＡＦＬＳ）的改进自适应学习算法,该算法将无导师学习算法与基于梯度信息的寻优学习算法相结和,并且在确定聚类过程中同时考虑样本输入与输出对聚类的影响。     

改进的共享最近邻聚类算法

聚类是一种无监督的机器学习方法,其任务是发现数据中的自然簇。共享最近邻聚类算法（SNN）在处理大小不同、形状不同以及密度不同的数据集上具有很好的聚类效果,但该算法还存在以下不足：（1）时间复杂度为O（n2）,不适合处理大规模数据集;（2）没有明确给出参数阈值的简单指导性操作方法;（3）只能处理数值型属性数据集。对共享最近邻算法进行改进,使其能够处理混合属性数据集,并给出参数阈值的简单选择方法,改进后算法运行时间与数据集大小成近似线性关系,适用于大规模高维数据集。在真实数据集和人造数据集上的实验结果表明,提出的改进算法是有效可行的。     

一种基于改进遗传RBF神经网络的传感器动态特性补偿算法

为了改善传感器的动态特性,减小系统测量误差,分析了传感器动态性能补偿的基本原理,提出了一种基于改进型遗传算法(IAGA)和RBF神经网络相结合的补偿算法,给出了用IAGA-RBF补偿算法建立的数学模型,并应用到瓦斯传感器的补偿环节.实验证明,该补偿算法具有响应速度快、计算精度高和工作频带宽的特点,多项动态特性指标都得到了较大的改善,能够有效地用于传感器的动态特性补偿.     

动态最近邻聚类算法的优化研究

针对最近邻聚类算法对聚类半径敏感、不易获得最优解的问题,提出了基于贝叶斯信息测度BIC(Bayesianinformationcriterion)的优化方法。通过DBSCAN算法对初始数据集进行预处理,去除噪声数据。在参数空间内逐步调整聚类半径,利用最近邻聚类算法对数据集进行聚类,并计算每次聚类结果的贝叶斯信息测度值。比较各次聚类结果的贝叶斯信息测度值,最大贝叶斯信息测度值对应的聚类即为最优聚类结果。实验结果表明,优化的最近邻聚类算法很好地解决了合适的聚类半径选取问题。     

一种改进的RPCL聚类算法及其在软测量中的应用

传统RPCL聚类算法是在随机选取样本的前提下修正权矢量的,没有考虑样本集的空间分布情况。为此,该文提出了一种改进的RPCL聚类算法。该算法引入样本区域密度的概念,根据密度大小按不同的概率选取样本,以修正权矢量。利用文犤1犦中的算例证明了新算法比传统RPCL算法具有更好的聚类速度和精度。最后将算法用于基于RBF神经网络的氧化铝高压溶出过程中溶出率的软测量,仿真结果表明改进的RPCL算法能很好地实现数据样本的聚类,从而提高软测量模型的泛化能力。     

无线传感器网络动态最近邻协作目标跟踪算法

针对现有的目标跟踪算法不能兼顾精度和能耗的问题,提出了一种动态最近邻协作目标跟踪算法。本算法动态构建目标跟踪簇以更好地适应目标位置的实时变化,从而获取最佳的跟踪精度。当目标进入监控区域后,多个传感器节点感知到目标则自动成簇最小二乘方法初始移动目标的最初位置。引入预测机制,根据目标的未来位置,基于最近邻协作准则选择下一时刻的簇头节点。目标跟踪簇头节点在其邻居范围内选择任务节点观测目标位置,并采用集中卡尔曼滤波完成目标的状态估计。仿真结果表明:提出的目标跟踪算法具有跟踪精度高,节点间的单跳通信距离能够有效减少能耗。     

RBF神经网络在压力校验台数据非线性校正中的应用

介绍了利用RBF神经网络进行数据非线性校正的原理以及RBF神经网络结构和参数的确定方法.并给出了一个应用实例,其结果证明了这种方法的可行性和有效性.     

改进BP网络及其在传感器非线性校正中的应用

针对传统BP网络收敛速度慢、容易陷入局部最小点等问题,采用附加动量因子和自适应学习速率进行了改进,并将其用于对传感器的非线性误差进行补偿.用MATLAB语言编制相应的训练程序,仿真结果表明,在相同的条件下,改进后算法节省了大量的训练时间,同时提高了数据拟合的精度.     

加权最近邻聚类在SOC中的应用

本文对网络安全管理中心（SOC）的报警技术进行了研究,提出了一种具有权值的最近邻算法的聚类方法,对经过初步过滤、规范化后的报警信息与知识库中已有规则进行聚类,获取真正的攻击事件并完成攻击场景的重构,对报警信息进一步进行关联分析提供了有力保障。通过测试及应用表明,本文所应用的方法在可用性、灵活性、获取攻击事件的准确性以及处理效率上要优于其它方法。     

基于网格的传感器网络K近邻查询处理算法

综合考虑了能量消耗、查询延迟、查询结果正确性等因素,提出了一种基于网格的传感器网络K近邻查询处理算法GKNN。它优化现有的查询区域佑计方法以减少算法的能量消耗。利用网格对节点进行管理,将查询区域中的网格划分成多个网格区,由各个网格区并行处理查询从而减少延迟。另外,GKNN利用节点冗余降低了节点失效对查询结果的影响,提高了查询结果的正确性。仿真实验结果表明,GKNN优于现有的算法。     

面向海量数据的改进最近邻优先吸收聚类算法

针对最近邻优先吸收聚类算法难以应用在海量数据聚类处理上的不足,基于MapReduce提出改进算法。通过引入MapReduce并行框架,利用Canopy粗聚类优化计算过程,并对聚簇交叉部分的处理进行改进。采用3组大小不同的数据集进行实验,结果表明,与K-means算法和最近邻优先吸收聚类算法相比,改进算法在保证聚类质量的基础上具有较快的运行速度,并适用于海量数据的聚类分析。     

RBF-PSO在N型热电偶非线性校正中的应用

为了解决大样本数据情况下N型热电偶应用中存在的问题,本文提出了基于粒子群算法优化径向基神经网络(RBF-PSO)进行热电偶非线性校正的新方法.仿真结果表明,采用该方法比以往采用的BP网络和RBF网络方法具有更高的拟合精度;同时以阳极焙烧过程中燃烧室温度为对象进行了仿真和实际应用研究,取得了满意的结果.     

基于环扇区的无线传感器网络K近邻查询处理算法

现有传感器网络环境下的K近邻查询处理算法没有考虑节点失效对查询处理的影响,导致查询结果极易丢失.提出一种基于环扇区的数据收集算法RISC,以保证查询处理过程的鲁棒性.给出理论上最节省能量的环扇区大小设置,以减少算法的能量消耗.系统地分析了算法在不同节点密度、节点失效概率和查询区域条件下的查询成功率和能量消耗.实验结果表明,在绝大多数情况下,提出的基于环扇区的K近邻查询处理算法优于现有的基于路线的算法.     

一种具有动态邻域特点的自适应最近邻居算法

传统的最近邻居算法主要分为k-最近邻居和逆最近邻居,然而二者均在邻域参数选择问题中饱受困扰。在这两种思想的基础上,提出 一种具有动态邻域特点的最近邻居算法——自然邻居,并围绕其概念与特性形成了一套有效的方法。该算法从根本上克服了传统最近邻居思想在任意形状(如流型)数据集中参数选择的难题,摆脱了传统方法的参数依赖,并且取得了极佳的效果。自然邻居思想具有完善的理论模型和详细的实现算法,并且经验证其具有很强的鲁棒性和适应性。     

一种改进的分簇路由算法

多跳分簇低功耗路由协议(MHLeach,Multi-Hop Low Energy Adaptive Clustering Hierarchy)是一种用于数据汇聚的路由协议,它为传感器节点提供一种自组织、自适应的分簇组网方法。MHLeach将网络分割成若干个小簇,使簇内传感器节点按星型拓扑方式汇聚消息到簇首,而把簇间的簇首连接成具有多个分支的树形网络来组网。为提高MHLeach的可靠传输能力,本文提出基于链路质量估计的能量均衡路由协议ELQECHE,ELQECHE协议讨论链路质量对传输可靠性的影响,它将簇首间的链路质量作为一个重要指标,根据该链路质量来评估网络传输可靠性的高低,最后从邻居中选出传输可靠性较高的簇首作为转发节点。     

基于自然最近邻的密度峰值聚类算法

针对密度峰值聚类算法(Density Peaks Clustering,DPC)需要人为指定截断距离d c,以及局部密度定义简单和一步分配策略导致算法在复杂数据集上表现不佳的问题,提出了一种基于自然最近邻的密度峰值聚类算法(Density Peaks Clustering based on Natural Nearest Neighbor,NNN-DPC)。该算法无需指定任何参数,是一种非参数的聚类方法。该算法首先根据自然最近邻的定义,给出新的局部密度计算方法来描述数据的分布,揭示内在的联系;然后设计了两步分配策略来进行样本点的划分。最后定义了簇间相似度并提出了新的簇合并规则进行簇的合并,从而得到最终聚类结果。实验结果表明,在无需参数的情况下,NNN-DPC算法在各类数据集上都有优秀的泛化能力,对于流形数据或簇间密度差异大的数据能更加准确地识别聚类数目和分配样本点。与DPC、FKNN-DPC(Fuzzy Weighted K-nearest Density Peak Clustering)以及其他3种经典聚类算法的性能指标相比,NNN-DPC算法更具优势。     

针对不平衡数据的改进的近邻分类算法

针对不平衡数据分类问题,一种基于密度的近邻分类算法（DNN）被提出。它利用核密度估计敏锐地捕捉不平衡数据的局部分布特征,由此产生更好的分类结果。用核密度估计方法估计查询实例的各类别密度,以此对其进行密度定位;将原始数据空间中的点映射到由类别密度和距离信息构成的空间;在这个映射空间中动态地选择近邻并对查询实例进行分类。实验结果表明,DNN算法在15个不平衡数据集上分类性能良好。     

改进的全局最近邻查询算法及其在空间数据库中的应用

针对基础数据集合和参考数据集合为相同数据集的情况,给出了一种新型的空间数据库全局最近邻查询算法,该算法能够利用数据最近邻结果的自身特点,避免较大的查询过程中的资源开销.实验结果表明,算法的效率要明显优于常用最近邻查询算法,并且对于不同的数据维数和数据元素数量,特别是对于高维的空间数据集合,算法具有较高的稳定性.