基于MDS变换聚类算法的数字电视用户特征提取

 提出利用MDS(Multidimensional Scaling)变换聚类算法提取数字电视用户的收视特征,解决了传统聚类算法因中间聚类中心无距离度量而无法应用的问题.基于实际运行的有线数字电视系统,建立了由时间、频道、节目主类别、节目子类别表述的节目特征模型及节目差异模型;提出了基于MDS聚类算法提取用户收视特征的具体步骤;基于实际用户收视记录的计算结果具有特征一致性,以提取特征为基准的节目推荐结果与用户实际的收视记录比对,具有70%准确性.     

基于深度学习的城市快速路交通运行状态判别与预测

为了实时判断城市交通及快速路交通状况,并充分考虑到快速路及交通系统的模糊性、差异性、波动性,文章首先给出了一套基于模糊C均值聚类法（Fuzzy C-Means）的快速路交通状况判断算法,将道路的交通状况区分为通畅、基本顺畅、缓行、堵塞4类。其次,利用了长短期记忆网络（LSTM）的长短时预测技术,给出了一个基于深度学习的模式,对交通运行三参数进行预测,并利用路侧检测设备不断获取新的真实数据,对预测模型进行迭代训练。然后利用已形成的模糊聚类模型,得到快速路交通运行状态的预测结果。最后以天津市黑牛城道的真实交通数据进行实验验证,结果表明,文章提出的交通流状态预测模型准确性达到93.22%,能为快速路交通控制提供有效的状态预测。     

基于樽海鞘群优化网络模型的计量装置状态识别方法

为提升用电信息采集系统客户服务部门的数据分析能力,提升客户服务精益化管理水平,针对计量装置状态远程识别准确率低的问题,提出了一种基于樽海鞘群优化网络模型的计量装置状态识别方法。该模型首先利用小波分解对样本集曲线类特征数据进行分解,并获取状态影响因子,然后利用LSTM长短期记忆网络进行计量装置状态分类,并计算损失函数后进行反馈调参,最后采用樽海鞘群算法优化LSTM网络的调参过程,待损失函数低于阈值后,固定参数输出模型。实验表明,樽海鞘群算法寻优调参可降低模型参数调参时间,并提高了分类算法的精准度。     

基于多层LSTM模型的雷达目标航迹快速识别算法

雷达目标航迹的快速识别对指挥员战场决策具有重要的参考作用，传统雷达目标航迹识别算法对于目标特征分析效果差，导致航迹识别效果不理想，为此，设计了基于多层长短期记忆网络(Long Short-Term Memory, LSTM)模型的雷达目标航迹快速识别算法。对雷达目标航迹信息进行采集与去噪处理；构建多层LSTM模型，提高对时间序列数据处理的性能，将采集的数据输入多层LSTM模型中；通过多层LSTM网络自主学习获取雷达目标航迹特征，并设计融合模块对多个特征进行融合处理，得到多特征子集，改善单一特征分析的不足；基于适应性矩估计(Adaptive Moment Estimation, Adam)算法优化模型超参数，训练损失函数，通过构建多层LSTM模型分类器完成雷达目标航迹快速识别。仿真实验结果显示，该算法能够精准提取雷达目标的多特征信息，多特征融合效果良好，航迹识别结果精准，目标位置平均识别误差为0.31 m,雷达目标航迹识别时间平均值为0.56 s,说明该方法能够精准、快速完成航迹识别。     

自组织模糊神经网络的气动参数辨识算法

导弹气动参数一般通过理论计算或风洞试验数据来获取,由于受诸多因素限制而难以获得精确值。为了提高导弹动力学模型的精确度,利用神经网络能够逼近任意非线性函数的特点,对各实际工作点的气动参数进行辨识。采用反向传播神经网络的结构模型,通过加入模糊推理算法进行神经元权值修正的聚类训练,并动态地调节隐层节点数目,由此提出了一种能够精确跟踪非线性函数的网络模型。网络中若不存在能代表某些输入的聚类中心的神经元时,增加隐层节点数即相当于增加相应的模糊规则,它体现了该网络的自组织特点。仿真结果验证了模型对气动参数辨识的有效性,该方法对于自动驾驶仪气动参数的修正具有良好应用前景。     

基于深度卷积与全局特征的图像密集字幕描述

为了解决图像密集字幕描述中感兴趣区域(Regions of interest,ROI)定位不准确与区域粗粒度描述问题,本文提出了一种基于深度卷积与全局特征的图像密集字幕描述算法,该算法采用残差网络与并行LSTM(Long Short Term Memory)网络的联合模型对存在的区域重叠定位和粗粒度描述细节信息不完整问题进一步改进。首先利用深度残差网络与Faster R-CNN(Faster R-Convolutional Neural Network)的RPN(Regional Proposal Network)层获取更精准区域边界框,以便避免区域标记重叠;然后将全局特征、局部特征和上下文特征信息分别输入并行LSTM网络且采用融合算子将三种不同输出整合以获得最终描述语句。通过在公开数据集上与两种主流算法对比表明本文模型具有一定优越性。      

基于PSO的K-means聚类优化

针对机器学习中聚类算法参数多样调参复杂的问题,分析了基于PSO算法在机器学习参数组合寻优方面的可行性,设计了一种基于PSO算法的K-means机器学习聚类算法的参数寻优策略。通过PSO算法找到模型最佳的参数组合,提高K-means机器学习模型的性能。通过对算法调优策略进行测试结果表明,使用PSO算法对K-means机器学习聚类算法进行参数调优,不仅能够找到适于该数据的最佳参数组合提高聚类算法的性能,也可以减少经验调参所带来的误差和成本。     

基于超参数优化的电力负荷预测模型研究

电力负荷数据的多样性与复杂性,会导致负荷预测过程中出现超参数难以确定、拟合效果较差和预测精度不高等问题。针对以上问题,提出一种基于樽海鞘群算法的融入注意力机制的双向长短期记忆神经网络模型——SSA-AM-BiLSTM模型。该模型使用BiLSTM学习特征的内部变化规律,引入注意力机制为特征进行权重分配,并且利用樽海鞘群算法优化网络超参数。基于具体数据集进行的负荷预测仿真实验表明,相较于GRU、LSTM、AM-BiLSTM和PSO-AM-BiLSTM模型,所提出的SSA-AM-BiLSTM模型的MAPE分别减少了2.15%、1.93%、1.42%和0.45%,并且优化了拟合效果,显著提高了预测精度。     

基于高斯混合模型的社区检测算法

高斯混合模型作为一种统计学习中的概率模型,已经应用在数据聚类领域。文中将用于聚类的(Gaussian Mixture Model,GMM)模型用于处理社区检测问题。在参数估计过程中,针对普遍使用的爬上迭代算法的缺点,提出了采用实数编码的遗传算法来迭代优化参数;针对算法对初始值敏感的问题,提出了使用K-means来决定初始参数。文章对复杂网络进行GAGMM算法的软分类,并证明了该算法的有效性以及准确性。     

自适应聚类片选内容分发模型

设计了一种内容分发网络中基于聚类算法和片选策略的内容分发模型,以达到适应不同内容类型和提高分发效率的目的,这种模型克服了传统内容分发模型在内容支持上的局限性,可根据模型内参数的自动调整适应不同类型(块式或者流式)内容的分发,并且提高分发的效率;详细描述了这种模型的工作流程、内容传送方式、网络拓扑结构、聚类算法和片选策略等,阐述了其优越性。     

基于LDA的英汉维文本聚类系统的设计与实现

以英汉维三种大规模文本聚类为目标,针对三种语言的特点实现基于LDA模型的静态文本聚类系统。因为存在博客、微博等网络媒体的文本不太规范及涉及的话题范围广泛等现象,对文本特征的提取及聚类算法的选择带来一定的难度。通过对样本文本的分析,计算出适当的聚类数k,再调用LDA算法将文本聚为k类并给出每类文本的关键词。测试结果表明,该系统能将英汉维三种语言的文本相似度高的聚为一类,可显著提高聚类效果。     

基于赋权网络优化聚类的服务识别算法研究

针对服务识别算法中聚合度、耦合度等重要指标的优化问题,基于业务流程间的关联度模型,运用网络拓扑聚类算法,引入聚类邻接参数,以聚合度-耦合度为优化目标函数,提出基于赋权网络优化聚类的服务识别算法。结合具体案例,应用Matlab软件进行仿真分析,根据聚合度-耦合度优化模型,选择不同邻接参数取值下的最优聚类效果,验证了该算法在服务识别上的有效性。     

一种量子自组织特征映射网络模型及聚类算法

提出一种量子自组织特征映射网络模型及聚类算法.量子神经元的输入和权值均为量子比特,输出为实数,量子自组织特征映射网络由输入层和竞争层组成.首先将聚类样本转换成量子态形式并提交给输入层,完成聚类样本的输入;然后计算样本量子态与相应权值量子态的相似系数,提取聚类样本所隐含的模式特征,并对其进行自组织,在竞争层将聚类结果表现出来.采用量子门更新量子权值,分无监督和有监督两个阶段完成网络的训练.仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络.     

基于密度聚类的网络性能故障大数据分析方法

针对层出不穷的网络安全事件,如何快速在海量监测数据中发现异常数据,并开展网络故障分析成为研究难点。针对该问题,提出一种基于密度聚类的网络性能故障大数据分析方法,通过熵权分析、数据清洗与标准化处理实现关键性能特征提取与数据整形,基于参数调优的DBSCAN聚类算法提取性能故障异常数据。基于实时采集的全国多家运营商海量骨干网链路性能数据验证该算法,结果表明,与人工标注网络性能异常数据相比,其识别的准确性超过90%,可满足开展全国网络运行故障分析的需求。     

基于仿射变换的快速全局运动估计算法

全局运动估计是计算机视觉、视频处理等领域广泛采用的手段之一。为了降低全局运动估计计算复杂度,提出一种基于像素梯度的全局运动估计方法。就运动模型而言,采用了复杂性与准确性较好均衡的六参数仿射模型。为了提高计算速度,采用了两层金字塔进行多分辨率计算,而且在每层迭代计算中都抽取梯度较大的特征点进行计算,同时结合了高斯-牛顿优化计算方法。实验验证了提出的全局运动估计算法的计算效率和精度。     

基于自组织映射网络的图像分割算法

针对K—Means图像聚类分割算法需要预先知道图像分割数,且对初始聚类中心较为敏感等问题,提出了一种基于SOFM（自组织特征映射网络）的图像聚类分割算法。该算法结合SOFM聚类及合并聚类分析,能够自动确定分割块数并得到有效的K-Means初始聚类中心。实验结果表明该算法具有运行效率高、分割效果好等优点,在实际应用中是可行的。     

基于自组织模糊神经网络的污水处理出水水质预测建模

提出了一种新的自组织模糊神经网络算法,该算法能够基于输入数据自动进行神经网络结构辨识和参数辨识。首先采用一种自组织聚类方法得到神经网络的结构和网络参数初值,然后采用监督学习来优化网络参数。以某污水处理厂的运行数据为对象,应用该自组织模糊神经网络建立了活性污泥污水处理系统出水水质预测模型。仿真结果表明,该模型能够对污水处理系统出水水质进行较好的预测。     

基于果蝇算法优化LSTM的用户异常用电行为预测

在用户用电负荷量较为集中的情况下,为解决因电信号堆积而造成的异常用电行为问题,设计基于果蝇算法优化LSTM的用户异常用电行为预测模型。通过初始化果蝇算法的方式,获取用户的用电数据预处理结果,将其与LSTM超参数指标相结合,完成基于果蝇算法优化LSTM的用电量数值记忆。在此基础上,选取既定评价指标,根据缺失值计算表达式,确定决策参数的具体数值,实现基于果蝇算法优化LSTM的用户异常用电行为预测模型的搭建与应用。实例分析结果表明,随着果蝇算法优化LSTM理论的应用,电信号在用户用电集中负荷时所需消耗的训练时间更短,可有效解决电信号的堆积问题,实现对用户异常用电行为的有效预测。     

基于自适应最优聚类的目标匹配跟踪算法

提出了一种基于新的自适应最优聚类的模板匹配跟踪方法。利用模式分类准则计算最优聚类数,然后根据最优聚类数采用k-均值方法进行多次聚类。根据聚类结果计算熵矢量和距离矢量,组合得到特征矢量,利用特征矢量进行匹配跟踪。匹配采用简单的相似性准则,实时模板更新算法为多模更新。测试结果表明,该算法针对不同的目标能自适应地选择聚类参数,在目标发生几何变化时,能实现精确稳定的跟踪。     

基于自适应最优聚类的目标匹配跟踪算法

提出了一种基于新的自适应最优聚类的模板匹配跟踪方法。利用模式分类准则计算最优聚类数, 然后根据最优聚类数采用k-均值方法进行多次聚类。根据聚类结果计算熵矢量和距离矢量, 组合得到特征矢量, 利用特征矢量进行匹配跟踪。匹配采用简单的相似性准则, 实时模板更新算法为多模更新。测试结果表明, 该算法针对不同的目标能自适应地选择聚类参数, 在目标发生几何变化时, 能实现精确稳定的跟踪。