电压暂降时空多粒度属性分析与知识发现方法

随着高端制造业的发展,以电能质量为代表的电力扰动已对敏感用户造成极大的经济损失,为了提升电网安全稳定水平并优化营商环境,本文针对电压暂降这一典型电力扰动事件,提出电压暂降时空多粒度属性分析与知识发现方法。由于传统电力扰动分析方法依赖机理分析与精确建模,难以处理包含多不确定因素的复杂问题,本文从复杂问题认知规律的角度出发,提出“数据-特征-指标-信息-知识”所构成的递进认知架构,作为解决复杂问题的一般思路。在此基础上,通过电压暂降时空多粒度属性分析对不同时空尺度下的暂降相关属性进行拓展,克服了传统方法仅从单一粒度分析问题造成暂降信息缺失的问题。由于不同时空粒度下的暂降属性变化反映了其他不确定性因素对电压暂降的影响,本文通过粒度约简挖掘监测数据背后蕴藏的电压暂降影响程度与电网结构属性之间的关联关系,进而推导发现电压暂降传播规律知识。通过仿真和实测数据对本文方法的有效性和可靠性进行了验证,此外,本文方法可适用于包含多不确定因素的复杂问题,有助于突破电力扰动相关的诸多技术瓶颈。     

基于知识发现复杂不确定性系统预测模型研究应用

针对复杂不确定性系统特性,将知识发现理论方法与预测理论方法有机结合起来。在研究适于预测知识发现理论与挖掘方法的基础上,继承传统统计学、概率论和神经网络等预测理论与方法,构建了基于知识发现多目标、多因素集成化预测模型(integratedpredictionmodelbasedonknowledgediscovery,IPMK),并通过对油气储量、产量和需求量的预测,验证了预测模型的有效性与实用性。     

多级空间尺度下的轨迹知识发现

为了挖掘轨迹数据库在不同空间尺度上隐含的移动对象分布模式与运动规律,将空间语义信息融入轨迹的表达,运用空间层次关系模型结合多层关联规则挖掘方法,提出了一种基于语义位置矩阵的多尺度轨迹表达和演化方法,在此基础上设计了一种发现轨迹频繁模式的算法.试验结果表明,该方法能发现不同尺度的轨迹知识,并具有较高效率.     

多粒度空间中的粗糙隶属度与知识粒度

以一族等价关系所构成的多粒度空间为研究对象,在乐观和悲观多粒度粗糙集模型的基础上,给出两种多粒度粗糙隶属度函数以重构乐观和悲观多粒度粗糙集。从多粒度空间中一族等价关系的交集和并集出发,定义多粒度空间上的两种知识粒度,并将这两种知识粒度作为启发式信息,分别构建启发式算法以删除多粒度空间中的冗余粒空间。     

基于知识粒度的增量约简算法

在现实中,许多数据库都是动态变化的,非增量约简方法处理这些数据需要花费大量的时间和空间。增量技术是处理动态数据的有效方法。首先介绍了计算知识粒度的增量机制,然后提出了基于知识粒度的增量约简算法,当一些对象增加到决策表时,能够利用原有决策表的知识粒度和约简,快速计算出增加对象后的知识粒度和约简,并通过理论分析验证了增量方法可以减少计算属性约简的时间复杂度,最后用增量方法和非增量方法对UCI数据集进行一系列试验。试验结果表明,所提增量算法在处理动态数据时能够节省大量的计算时间。     

基于相对知识粒度的决策表约简

知识粒度主要应用于信息系统的属性约简。为了把知识粒度拓展到决策表约简领域,在研究知识粒度的基础上,定义了相对知识粒度的概念,证明了对一致决策表约简而言,相对知识粒度表示与Pawlak代数表示的等价性。进一步定义了基于相对知识粒度的属性重要度,提出了两个基于相对知识粒度的启发式决策表约简算法。通过理论分析与实例表明约简算法是有效可行的。     

基于引力作用的可选粒度社区发现算法

社区发现是复杂网络研究中的一个重要领域,且应用广泛,但目前已有的大多数算法都需采用社区评判函数来确定社区结构的划分,且仅能得到一种划分结果。引入宇宙星系模型和万有引力定律,基于引力思想提出一种新的复杂网络社区发现算法,为网络中节点赋予质量并构建出社区框架,继而利用引力作用完成社区结构划分,并可对发现社区的粒度大小进行选择以得到多种划分结果,无需先验知识及相关参数。通过真实网络实验验证,并与现有的社区发现算法比较,本文提出的算法能有效且较为准确地挖掘出复杂网络中的社区结构。     

随机采样移动轨迹时空热点区域发现及模式挖掘

针对随机采样条件下移动轨迹在时间轴分布疏密不均的特点,在将三维时空轨迹转换为一维时间投影数据的基础上,提出一种基于密集时间区间自动检测的时空热点区域发现与移动模式挖掘方法。通过自底向上的动态聚类方式以探测密集时间区间,进而在密集时间区间内进行移动轨迹的时空热点区域发现。最后,采用深度优先的序列模式挖掘算法挖掘频繁移动模式集合。基于合成数据的仿真试验,验证了算法在有效性及可扩展性方面均具有较好的性能。     

基于固定网络的移动对象轨迹查询

在基于固定网络的移动对象轨迹查询方面,现有的索引模型只能管理移动对象当前和过去或将来轨迹的查询,它们都不能同时实现移动对象的现在,过去和将来轨迹查询。本文在IMORS的索引结构基础上进行改进并提出了一种新的索引结构,它能实现基于固定网络的移动对象的全时态索引。     

基于多粒度通讯的Dijkstra并行算法优化

串行算法的并行化是提高算法效率的一种有效途径,在分析最短路径算法特点的基础上,采用带重叠区的网络分割策略,提出了基于双向搜索的并行Dijkstra最短路径搜索算法.采用多粒度通讯方式进行进程间消息传递,能降低算法的通讯时间,并应用离散数学与理论计算研究中心(DIMAS)提供的美国路网数据进行试验.结果表明:采用带重叠区的数据分割策略适用于并行最短路径算法的求解;应用大粒度的多点接口(MPI)通讯方式能减少并行算法进程间的通讯时间;当通讯粒度为50时,MPI通讯所需时间是单粒度通讯模式的1/10左右.     

基于场景知识的移动目标检测

依据背景差法中背景建模的思想,从提取场景知识的角度出发,建立待检测场景的场景知识库,从而提出一种基于场景知识的移动目标检测算法。使用改进的均值漂移算法对待检测场景进行分割,并提取分割后各个区域的底层视觉特征建立场景知识库;从新的场景帧图像中获取各区域的知识特征向量,然后根据和原场景知识库中各特征向量的匹配结果检测出移动目标信息。仿真结果表明,该方法能有效地检测出场景中原有目标和新进入场景目标的移动信息,并在一定程度上改善了目标阴影、形变等噪声对检测结果的干扰。     

基于轨迹不确定的移动对象的预测处理

针对带有不确定性移动对象的预测查询处理可利用不确定轨迹模型来实现的问题,本文首先结合了移动对象具有自身运动的确定性及外界影响的不确定性建立了一个新的不确定轨迹模型;其次,设计了一种新的可用于对不确定性移动对象预测查询处理的索引结构B-TPR树,这种结构利用了本文模型中提到的不确定性移动对象的轨迹在未来一段时间内分布于某个角度范围的思想,对移动对象进行规则划分,从而达到更好的索引不确定性移动对象,实现预测查询处理。     

基于CLF的移动舞台机器人轨迹跟踪预测控制

针对移动舞台机器人的轨迹跟踪和区域受限控制问题,提出一种参数化模型预测控制算法.该算法的主要思想是离线构造移动舞台机器人误差系统的一个控制Lyapunov函数(CLF),再根据CLF主动控制方法设计可调预测控制器,并通过在线滚动优化给定性能指标计算控制器的可调参数,在保证控制器自适应性的同时降低了MPC计算量,保证了优化问题的递推可行性和闭环系统的稳定性.最后,以"圆"为参考轨迹做仿真验证,仿真结果表明:该算法具有快速、精确和全局稳定的良好特性.     

基于模式挖掘与匹配的移动轨迹预测方法

分析了移动轨迹预测的已有方案及各方案存在的问题,提出了一种全新的移动设备位置预测方法,即基于模式挖掘与模式匹配的移动用户移动轨迹预测(Mpp)方法。在若干个实际WLAN用户的移动跟踪数据集上对Markov预测器和新预测器的预测精度进行了比较。实验结果表明:该方法能够达到比较理想的预测效果,与二阶Markov预测器的预测效果基本持平。同时,该方法能够实现增量挖掘,预测精度和可靠性有了进一步提高,具有较高的实用价值。     

基于CTBN的移动对象不确定轨迹预测算法

为了高效准确地预测移动对象动态运动轨迹,提出了一种基于轨迹时间连续贝叶斯网络(CTBN)的不确定性轨迹预测算法,充分考虑了移动速度和方向对移动对象动态运动行为的影响,包含3个主要步骤:热点区域挖掘将轨迹数据集划分为不同的热点聚簇;轨迹时间连续贝叶斯网络的构建,其由3个变量(街区号、移动速度、移动方向)构成的状态组合;利用该网络预测移动对象动态运动行为计算可能运动轨迹。不同数据集上的实验结果表明该算法的预测精度优于朴素预测算法,并证明了热点区域挖掘的作用在于能够在保证较高预测准确性的前提下提高预测时间性能近60%。     

基于制造业多粒度模型下的流程优化组合

在多粒度模型下对4个服务质量因子进行了性能的评估,并且根据实际云制造的生产情况引入了距离因子,并跟原有的性能描述进行对比。结果表明:引入了距离因子以后,表现出的服务组合性能和原始服务组合性能有所不同,这种表现更接近实际情况。     

基于数据仓库技术的决策支持系统中的知识发现

基于数据仓库技术的决策支持系统结构框呆，探讨了决策支持系统中知识发现的主要方法及关键技术，并进一步阐述了知识发现过程加应注意的几个问题以及知识发现的发展方向。     

基于证据理论的知识发现分类算法

决策树方法是一种重要的可完成分类任务的知识发现技术，目的是通过构造一个分类模型，把数据库中的元组映射到给定类别中的某一个。决策树分类算法效率高且应用广泛，但是不能处理在决策树的构建和分类过程中的不确定数据。针对决策树分类算法的局限，利用证据理论是对概率论的扩展，将置信函数与概率的上下值相联系，可用于不确定数据的表达这个有力工具，把决策树分类技术扩展到含有不确定数据的环境中，提出了D-S决策树分类算法。实验结果表明D-S决策树分类算法能有效的对不确定数据进行分类。     

基于人工神经网络的高层建筑结构选型知识发现

目前结构工程实例积累越来越丰富,而解决结构选型这一实际工程问题的知识却相对贫乏,因此将知识发现技术应用于工程结构的设计过程,可以有效地辅助设计决策过程,提高工程设计的智能化水平.分析了根据结构实例库进行知识发现的可行性,提出了改进的BP人工神经网络学习算法,开发了高层建筑结构实例库及其管理系统,将实例库系统提供的实例分别作为神经网络系统的训练样本和测试样本,对3层多输入多输出BP网络进行了训练和学习,工程实例应用结果表明:所提出的方法和所开发的系统可以发现实际工程高层建筑结构的选型知识,系统具有较好的自适应能力.     

基于冒泡原理的多轨迹识别算法

多轨迹识别算法广泛应用于网络监控和信息安全领域,提高算法准确性并降低误判率是该领域一直重点研究的方向。本文通过引入恒变循环轨迹的概念,将一类问题都归结于剩余类循环轨迹的问题,并提出了一种基于冒泡原理的多轨迹识别算法,实验表明,使用该算法检测共享接入主机,具有很高的收敛性和准确性,更满足现网场景需求。