基于小波变换的混沌同步

对变量反馈微扰混沌同步方法进行了改进,在发送端,将系统的部分信号小波变换去掉细节信息后发送,在接收端重构出低频信号,然后将其与接收端信号的差进离散反馈,可以使两个结构相同的混沌系统达到同步,并讨论了反馈因子、噪声,参数失配对混沌同步的影响。     

基于小波变换的混沌同步

对变量反馈微扰混沌同步方法进行了改进,在发送端,将系统的部分信号进行小波变换去掉细节信息后发送,在接收端重构出低频信号,然后将其与接收端信号的差进行离散反馈,可以使两个结构相同的混沌系统达到同步,并讨论了反馈因子、噪声、参数失配对混沌同步的影响.应用本同步方法可将发送信号压缩后传送,节约系统资源;滤去发送信号中的高频成分,减小干扰对同步信号的影响.文中给出了仿真验证结果.     

一种基于K-means的分布式聚类算法

为解决现有的分布式聚类算法效率低下和不能保护数据隐私的问题,在K-Dmeans算法的基础上,提出一种新的分布式聚类算法.该算法利用数据对象间的密度函数值来优化站点初始聚类中心,从而大大降低了聚类的迭代次数;同时各从站点只需向主站点传送其聚簇的特征信息,有效降低分布式聚类过程中的通信量,保护了各个站点的独立性,实验结果表...     

基于K-means聚类算法的分析及应用

聚类分析能作为一个独立的工具来获得数据分布的情况,观察每一个簇的特点,集中对特定的某些簇作进一步的分析;本文主要介绍了传统聚类算法及其局限性,然后对直接K-means算法进行分析改进,着重分析了该算法的思想体系以及它的优缺点,针对它的缺点之一提出了一种基于距离的改进策略,并将该改进策略应用到对学生成绩的分析中,实验目的是应用该算法将学生划分为合理的簇(或类)以及对聚类结果进行分析,总之实验表明了该算法的灵活性以及在此应用中的适用性.     

一种基于复杂网络属性值的K-means聚类算法

传统K-means聚类算法的性能依赖于初始聚类中心的选择。本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的个节点作为聚类的初始聚类中心,然后进行聚类迭代过程。实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量。     

大规模风电外送中的次同步振荡问题

目前,中国正在建设7个千万kW级风电基地,大规模风电外送成为必然.串补交流输电和高压直流输电作为风电外送的2种重要方式可能会诱发次同步振荡问题.分析鼠笼异步型、双馈感应型和永磁同步型风电机组的结构特点,论述次同步谐振、装置引起的次同步振荡以及风电机组控制器引起的次同步振荡,并分析总结不同类型风电机组可能发生的次同步振荡类型.最后,指出亟待研究解决的问题.     

基于形状相似距离的K-means聚类算法

把向量作为空间中的物体展开相似度的评估,分析了向量间各维差值与形状差异的间的近似关系,提出了基于形状相似距离的K-means算法。在三个UCI(University of California,Irvine)标准数据集上的聚类结果表明,对于有关形状信息的数据,基于形状相似距离的K-means算法比采用传统距离的K-means算法,聚类准确度显著提高。     

一种基于粗糙集的K-means聚类算法

对粗糙集进行了相关研究,并提出了一种以粗糙集理论为基础的K-平均聚类算法,该算法以信息表中条件属性和决策属性的一致性原理为基础,应用粗糙集的属性约简算法消除冗余属性,利用各属性重要度确定其权值,在此基础上应用改进的K-平均算法进行聚类分析.该方法的优势在于消除了不重要的属性,赋予了各属性权值,使聚类更有效,更客观.实验结果表明,该方法是有效的.     

基于核K-means的增量多视图聚类算法

针对基于核的多视图聚类算法(kernel based multi-view clustering method, MVKKM)在处理大规模数据集时运行时间长的缺点,引入增量聚类模型的概念,将MVKKM算法与增量聚类模型相结合,提出基于核K-means的多视图增量聚类算法(incremental multi-view clustering algorithm based on kernel K-means, IMVCKM)。通过将数据集分块,在每个数据块中使用MVKKM算法聚类,并将每个数据块的聚类中心作为下个数据块的初始聚类中心。将所有块的聚类中心进行整合后再次进行多视图聚类,得到最终的聚类结果。试验结果表明,在3个大规模数据集上,IMVCKM算法相较于MVKKM算法在3个评价指标上具有更好的聚类结果,且运行时间更短。该算法在保证聚类性能的基础上大大降低算法的运行时间。     

基于二进小波变换的基音检测算法

为了克服目前诸多基音周期检测算法精度低、计算复杂度高、鲁棒性差的缺点,研究了一种采用二进小波变换模极大值进行基音周期检测的算法。仿真结果表明,该算法在强背景噪声下仍可以准确提取基音周期,并且具有复杂度低、分辨率高和实时性好的特点。     

基于K均值聚类的定位算法分析

在描述了聚类算法的基本思想和概念的基础上,介绍了一种常见的聚类算法—K均值和K中心点聚类算法,通过处理认知无线电网络中主用户定位在海量数据中应用K均值聚类算法,对该算法进行分析,仿真结果表明:与传统的主用户定位算法相比,使用K均值聚类算法能够有效地提高定位精度和降低定位算法的复杂度.     

基于小波变换的纹理图像融合

针对采集到的纹理图像无法呈现纹理物体的整体特征的缺陷，提出了一种新颖的图像融合算法.该
融合算法基于纹理图像的大部分纹理信息存在于高频子带中的特点，分别对两幅互补图像进行小波分解，
再对低频子带采用平均融合算子处理，然后对高频子带采用高斯 拉普拉斯算子提取局部边缘信息，以作
为融合规则，并根据两幅互补图像的相似度对高频子带加以融合.结果表明，该算法通过对多幅互补图像
的小波分解图像进行融合，使得融合后的图像内容清晰，纹理信息更加丰富，为后续的缺陷查找步骤提供
了准确的依据.     

基于AHLO与K均值聚类的图像分割算法

针对图像分割中K均值算法全局搜索能力差、初始聚类中心选择敏感的问题,提出了一种将自适应人类优化算法与K均值算法相结合的聚类算法.该算法利用自适应人类学习优化算法初始化聚类中心,提高K均值算法的稳健性.结果表明,该算法聚类得到的标准差相比传统K均值算法和基于粒子群K均值(PSO-Kmeans)算法分别小两个数量级和一个数量级,同时图像分割得到的PSNR值均较高,具有算法收敛速度更快,聚类质量更好,图像分割效果更好,适应性更强的优点.     

基于K-means聚类的组合测试用例生成优化算法

针对组合测试生成的测试用例在程序结构测试中出现冗余的问题,应用K-means聚类算法对基于蚁群算法生成的组合测试用例集进行聚类优化。以白盒测试中的逻辑覆盖为依据,将测试用例程序覆盖差异度作为分类的量化标准,根据测试代价决定聚类数目,在每个聚类簇中抽取处于中心点的测试用例构成新的集合。实验结果表明,该算法可以有效减小测试用例集的规模;对比分析不同覆盖准则,可找到在测试用例标准化过程中最优的逻辑覆盖方法。     

基于改进K -均值聚类的汉语语块识别

为了既避免数据稀疏又充分考虑相邻词性的关系和每种短语的内部组成规律,提出了改进K-均值聚类方法.此方法把每个短语看成是以中心词为核心的聚簇,充分考虑每种短语的内部组成规律;依据语料库中的数据来确定每个类的初始中心,使有指导的统计方法和无指导的聚类方法有机结合,既提高了聚类的准确率,又避免了因汉语语块库规模较小而导致的数据稀疏现象.应用改进K-均值聚类方法对7种汉语语块进行识别,F值达到了92.94%,因此,该方法对汉语语块识别是有效的.     

基于二进分块的快速小波变换

提出基于二进分块的快速小波变换算法，可实现对非二进阶矩阵的“几乎”快速小波变换，克服了标准快速小波变换在实施时要求目标矩阵的阶数必须为2的整数幂这一限制．该算法适用于由高维积分方程离散化所得到的大型稠密线性方程组的快速求解．算法已经用FORTRAN 90语言实现为软件包（内含数种正交及双正交小波滤波器）．数值算例表明了该算法的有效性．