基于分辨矩阵和Apriori算法的关联规则挖掘研究与应用

为进一步提高关联规则挖掘的运行效率,在传统Apriori算法的基础上,提出了一种基于分辨矩阵和Apriori算法的关联规则挖掘算法。在数据预处理阶段,采用分辨矩阵对原始数据集进行属性约简,达到降维的目的;在关联规则挖掘阶段,采用位图来表示原始数据集,并在每一步运算过程中通过置信度阈值对特征集进行约简。应用实例和仿真实验表明,该方法在时间复杂度和空间复杂度都有了极大的改善,具有一定的应用价值。     

基于动态结构保持主元分析的故障检测方法

为充分利用表征过程运行工况的数据特征信息,提高化工过程的故障检测性能,提出一种基于动态结构保持主元分析(DSPPCA)的过程故障检测方法。首先对原始数据采用变量相关性分析建立自回归模型,构建包含动态特征的数据集,进一步综合考虑主元分析法(PCA)和局部线性嵌入(LLE)流形学习算法中数据点之间的近邻关系,融合得出新的目标函数,同时,运用局部线性回归的方法获得高维样本的嵌入映射,特征提取后在特征空间和残差空间分别构造监控统计量进行故障检测。Swiss-roll数据集的降维结果及TE过程的仿真研究结果表明,DSPPCA算法可以取得较好的特征提取效果,具有较高的故障检测性能。     

基于CART-SVR模型的混凝土抗压强度预测研究

为了提高混凝土抗压强度预测精度,根据影响因素与抗压强度的变化规律,提出了1种基于CART算法优化SVR回归算法的预测方法。SVR算法基于结构风险最小原理来提升泛化能力,由于惩罚因子人为设置,该因子设置过大会导致训练欠拟合,过小会导致预测精度不足。主要改进是通过CART决策树中的剪枝算法生成一系列惩罚因子,进而交叉验证生成最优决策树,进行属性约简,剔除冗余信息,实现数据降维。使用CART-SVR模型与AB、AB-KNN、RF、GBM模型对比试验,均方根误差（RMSE）至少减少了6.7%,平均减少了40.1%。研究结果表明,该模型具有生成最优惩罚因子、优化SVR参数的优点,为实现混凝土抗压强度的高精度预测提供了新的思路。     

改进的KPCA在入侵检测特征提取中的研究

特征提取是入侵检测的关键,特征提取的本质就是变换。针对传统核主成分分析(KPCA)在入侵检测应用中对模式分类问题所提取出的特征组合的不足,提出了一种基于信息度量改进的KPCA算法。数据集使用广泛地使用的KDDCUP99安全审计数据集,用训练样本的各特征向量的类内聚集程度和类间离散程度所组成的信息度量来代替传统KPCA中的累积贡献率,选取有利于检测出异常的特征组合。实验结果表明,改进的KPCA方法在较低的维数下就具有较明显的分类效果。     

基于SVR空调负荷预测模型的参数优化研究

基于数据驱动的负荷预测模型在既有建筑运行阶段的准确性和可靠性受到人们越来越广泛的认可.特别是支持向量回归机(SVR)算法,基于统计学习理论和结构风险最小化原则克服了小样本学习困难、维数灾难等缺陷,在准确有效地解决复杂工程问题方面展现出巨大潜力,越来越深入地应用于暖通空调负荷预测领域.但在实际建模过程中,SVR算法对应的...     

结合稀疏表示和邻域互信息的类属属性学习

本文首先采用最小二乘法回归作为目标函数,通过添加L1正则化稀疏表示特征。通过邻域互信息将各标记的类属属性进一步约简。为验证本文所提算法性能,采用5个先进多标记算法在6个多标记基准数据集上与本文算法进行对比实验,结果说明本文算法的有效性。     

基于机器学习算法的建筑能耗监测数据预处理技术研究

本文分析总结了建筑能耗监测大数据的特点,基于数据挖掘理论和机器学习算法,提出了建筑能耗监测大数据预处理体系与方法。阐明了基于k NN算法的缺失数据填充、基于K-Means算法的异常数据识别与清洗、基于PCA算法的多维度数据降维的原理,应用提出的数据预处理体系和方法,对实际项目的整个制冷季节35 380组数据进行了数据预处理,实现了缺失数据的填充、异常数据的识别与清洗、数据的降维,为后续的数据挖掘应用奠定数据基础。     

基于小波包分解和分形法的人群密度等级分类算法研究

为了更好地解决中高密度环境下人群密度估计问题,提出了基于小波包和分形法的人群密度等级分类算法。区别于单一的分形维数表征方法,利用小波包分解后子图的分形维数和原图分形维数共同表征目标人群纹理,最后通过支持向量机实现分类。以查全率和查准率2个指标对密度估计结果进行评价,该算法的查全率和查准率最高,且运行时间最短。     

基于临界点动态调整的可扩展哈希索引算法

提出了1种基于临界点动态调整的可扩展哈希索引算法,通过设置哈希桶容量限制,解决索引在动态非均匀数据集中表现不稳定的问题,以实现索引可扩展;通过提出1种临界点动态调整方法,解决数据点的随机偏移问题,以提高算法的稳定性。将所提算法分别在2个真实数据集和1个合成数据集上与当前主流算法进行比较。结果表明,所提算法不仅可提升检索准确率,并且具有较好的鲁棒性。     

神经网络在汽车起重机幅度预测中的应用及泛化性能分析

探讨了BP神经网络和广义回归神经网络在汽车起重机幅度预测中的应用方法,结合实测数据对比了不同神经网络结构的计算精度和泛化性能差异;为了弥补神经网络算法外推性能较差的缺点,结合工程应用实际,提出了一种通过降维拟合外推超载工况样本数据,从而提高基于神经网络的幅度预测算法泛化性能的方法.