钢铁企业客户评价指标体系与分类方法研究

为了对客户资源进行评价、分类和有效管理,建立了面向钢铁企业直接客户的客户价值评价指标体系.针对自组织映射神经网络聚类算法在权值初始化方面的不足,提出了一种基于K-means改进的自组织映射的聚类算法.运用层次分析法和基于K-means改进的自组织映射聚类算法,设计了一套客户分类方法.通过对可能出现的客户类型进行分析,提出了相应的客户关系发展建议.最后通过应用实例,验证了该评价指标体系和分类方法的可行性和有效性.     

基于RSOM的两阶段移动机器人闭环检测算法*

针对移动机器人在自主定位时出现的感知混淆和定位误差问题,提出一种基于递归自组织特征映射RSOM聚类树的移动机器人闭环检测算法。首先采用属性图模型对图像对进行相似性度量,通过对连续采集的图像序列进行分组和增量学习对不同场景进行路标建设。然后将路标中的向量投影至RSOM的各叶节点中,同时对各路标进行权值更新。最后,新算法通过两阶段检测对闭环进行判定。在第一阶段,算法利用RSOM树的快速检索能力对采集图像进行最近邻路标检索并判断该路标是否为待检测路标;在第二阶段,算法将待检测路标内所包含的所有属性图依次与采集图像进行相似性度量,最后结合阈值加权结果进行闭环检测判定。实验结果表明,该算法受环境中动态目标的影响较小,在能取得较高的召回率和准确度的同时,定位精度大幅提升。     

基于模糊自组织映射网络聚类的案例库维护

针对CBR系统案例库的冗余问题,提出了一个基于自组织映射网络(Self-Organizing Map,SOM)聚类技术的案例库维护方法,首先利用自组织映射网络的可视化特性显示输入数据的大致分布,预估聚类个数,然后利用模糊自组织映射聚类算法对案例库案例进行聚类,最后在聚类基础上构建准案例库。并将该方法应用于水平定向钻产品的案例库维护,结果表明,准案例库规模比原案例库小,同时可以代表原案例库,达到案例库维护目的。     

基于高维空间聚类的集中供热末端数据异常检测

因集中供热建筑结构、住户行为习惯等差异,末端住户供暖数据具有特征差异大、非线性强、数据量大、响应时间长等特征,在原数据空间中利用聚类分析进行异常检测造成类间数据交叉,精确性无法保证。本文提出高维高斯混合聚类算法,将数据集映射到高维空间进行聚类,利用核函数映射、内积运算与高维特征空间分解等计算方法,提高精确度,规避维数灾难。搭建工业大数据分析平台,对比K-Means、高斯混合、恒虚警率、高维高斯混合算法聚类结果与异常检测精确度,本文所提算法将准确性提高到90.72%,误报率降低到5.92%,结合该算法完成4类异常用热数据集的解释与辨识。高维高斯混合聚类可以有效分析用户用热特征、检测异常数据,辅助降低采暖能耗,实现建筑节能。     

基于核模糊相似度度量的谱聚类算法

相似性度量的选择是谱聚类算法良好性能实现的关键。通常采用的谱聚类相似性的度量是基于高斯核函数的相似性度量。然而,谱聚类对这种相似度度量中的尺度参数非常敏感,并且确定一个合适的参数也很困难。另外,基于欧几里得的这种高斯核相似度度量无法有效反映复杂分布数据集的分布特点。针对此问题,通过利用基于核模糊C均值聚类算法得到的划分矩阵中隶属度的分布特点,提出了一个新的核模糊相似度度量,并将基于所提出的新的相似度度量的谱聚类算法(KFSC)应用于图像分割中。所提出的KFSC算法不仅克服了谱聚类对尺度参数敏感,而且解决了尺度参数很难确定的问题,获得更好的聚类效果。3个标准数据集、2个合成纹理图像及2个自然图像上的分割实验表明了所提出算法的有效性和鲁棒性。     

基于聚类和距离的大数据集离群点检测算法

针对已有的基于距离的离群点检测算法在大数据集上扩展性差的问题,提出了基于聚类和距离混合的大数据集离群检测算法.算法第一阶段采用层次聚类和k-means混合的层次k-means算法对数据进行聚类,并按照一个启发式规则对其进行排序.第二阶段在聚类的结果上采用嵌套循环算法进行离群检测,并通过两个剪枝规则进行高效舅枝,减少了离群检测时数据点之间距离计算的次数.理论分析和实验结果证明了算法的可行性和效率.     

基于时空融合的视频对象分割

算法利用高斯混合模型对空间属性进行聚类分割,选取合适的初始参数通过k-means聚类和EM算法估计参数,并对EM算法进行适当改进,提高视频对象的分割速度。同时利用多帧间差法在时域中获取运动模板,通过聚类信息与运动模板进行匹配,获得最终的分割对象。实验表明,可以获得较好的分割效果,同时分割速率也有一定的提高。     

混合聚类新算法及其在故障诊断中的应用

针对模糊C-均值(FCM)聚类算法假设各维特征和每个样本对聚类贡献相同,同时需要预先设定聚类数的不足,利用3层前馈神经网络、点密度函数算法和聚类有效性指标对其进行改进,提出一种新的混合聚类算法。该算法考虑到不同特征和不同样本对聚类结果有不同程度的影响,并根据聚类有效性指标的变化自适应确定聚类数来实现聚类。利用基于梯度下降的3层前馈神经网络通过无监督训练来自适应学习特征权值,使用基于点密度函数的算法获取样本权值,给不同特征和不同样本赋予权重,突出敏感特征和典型样本的主导作用,抑制其他特征和样本对聚类的干扰,以提高聚类性能。研究结果表明,对于国际标准测试数据和某机车轴承的早期故障诊断,该混合聚类算法不但能自动确定聚类数,而且聚类的准确性明显比FCM高。     

基于狄利克雷过程聚类的机器人演示学习研究

针对演示学习中高斯混合模型参数估计效率低,泛化能力不足的问题,提出一种基于狄利克雷过程聚类和高斯混合模型的复合动态运动基元算法。为实现高斯混合模型参数的实时估计,使用基于距离阈值的狄利克雷聚类算法进行演示轨迹点在线聚类,并引入Welford公式更新参数以提高参数估计效率。获得轨迹分布特征后,使用动态运动基元进行高斯混合回归轨迹的编码,以提高轨迹泛化能力。为了验证算法的有效性,引入了轨迹可达性和相似性指标评价算法的学习泛化能力,设计了基于手写体字母轨迹和机器人动觉示教的演示学习实验。实验结果表明,所提复合动态运动基元算法参数估计平均时间仅0.052 ms,具备快速轨迹复现和泛化能力。     

基于多源信息融合的行驶工况识别及其在整车转矩分配中的应用

传统的行驶工况判别方法多采用单参数或者双参数进行判别,为提高工况识别精度,针对混合动力汽车双动力源的特点,提出一种多源信息融合的汽车行驶工况识别方法,基于Daubechies小波对多传感器采集到的时间序列进行分解,利用单支小波重构的方法获得每个传感器不同频段下分解信号的数据特征信息,然后基于变属性权重的模糊C-均值聚类方法将不同传感器不同频段的数据特征信息进行一次聚类识别;最后对不同频段下同一工况的隶属度值加权,采用SOM自组织映射网络进行二次聚类融合实现最终的行驶工况识别。将本文所提方法应用于混合动力汽车整车转矩分配中,不同工况下调用不同的转矩分配三层前馈神经网络模型,以提高整车的经济性能。试验结果验证了本文所提方法的有效性。     

数据保真项与稀疏约束项相融合的稀疏重建

本文针对低光子计数成像过程中产生的泊松高斯混合噪声,提出了一种数据保真项与稀疏约束项相融合的稀疏重建方法。首先,基于泊松高斯噪声相互独立的混合噪声模型,建立了数据保真项与稀疏约束项相融合的稀疏重建目标函数;在图像块聚类的基础上,应用改进贪婪算法实现类内稀疏分解和字典更新;最后,稀疏分解和字典更新交替迭代求解干净图像。针对强烈泊松高斯噪声污染图像的重建实验显示,本文方法与对比方法相比,重建结果的PSNR值平均提升了5.5%,MSSIM值也有明显提升。这些结果表明:本文方法对具有强烈泊松高斯混合噪声的图像有较好的图像复原和噪声去除效果。     

基于密度-距离的t混合模型流式数据聚类

传统流式数据采用人工设门法分析,效率低下且依赖于专家。近几年,很多自动流式数据聚类算法纷纷被提出,然而针对数据量不多且分布稀疏的小样本类群始终没有很好的解决办法。提出了一种基于密度-距离的t-混合模型流式数据聚类优化方法,能够较好地解决小样本类群区分困难的问题。该方法通过密度-距离中心算法定位各类群的初始中心,作为t-混合算法的初值对样本数据进行处理,通过最大似然估计求出各类群对应的样本数目,从而实现样本聚类。实验表明,与经典模型算法相比,基于密度-距离的t-混合模型优化算法具有更好的稳定性和可靠性,对小样本类群以及混叠的类群具有较强的适应能力。     

结合模糊(C+P)均值聚类和SP-V-支持向量机的TSK分类器

为获得具有模糊规则自适应约简性能和较好的泛化性能的TSK分类器,本文提出了一种结合模糊(C+P)均值聚类(FCPM)算法和SP-V-支持向量机(SVM)分类算法来构建TSK(Takagi-Sugeno-Kang)分类器的方法。该方法首先用FCPM聚类算法对训练数据进行聚类;然后根据聚类结果确定TSK分类器的模糊规则前件中的高斯隶属度函数的中心和宽度参数;最后采用成组稀疏约束SP-V-SVM算法对模糊规则后件参数进行学习,该算法不仅改善了系统的泛化性能,还使系统具有模糊规则自适应约简功能,使得系统更为紧凑。与相关算法在UCI和IDA标准数据集分类实验中的模糊规则数和分类性能对比表明:用提出的分类算法所构造的TSK分类器不仅具有较好的分类性能,而且模糊规则数少,有利于构建更为紧凑的模糊分类系统。     

A honeybee-mating approach for cluster analysis

Cluster analysis, which is the subject of active research in several fields, such as statistics, pattern recognition, machine learning, and data mining, is to partition a given set of data or objects into clusters. K-means is used as a popular clustering method due to its simplicity and high speed in clustering large datasets. However, K-means has two shortcomings. First, dependency on the initial state and convergence to local optima. The second is that global solutions of large problems cannot be found with reasonable amount of computation effort. In order to overcome local optima problem lots of studies done in clustering. Over the last decade, modeling the behavior of social insects, such as ants and bees, for the purpose of search and problem solving has been the context of the emerging area of swarm intelligence. Honeybees are among the most closely studied social insects. Honeybee mating may also be considered as a typical swarm-based approach to optimization, in which the search algorithm is inspired by the process of marriage in real honeybee. Neural networks algorithms are useful for clustering analysis in data mining. This study proposes a two-stage method, which first uses self-organizing feature maps (SOM) neural network to determine the number of clusters and then uses honeybee mating optimization algorithm based on K-means algorithm to find the final solution. We compared proposed algorithm with other heuristic algorithms in clustering, such as GA, SA, TS, and ACO, by implementing them on several well-known datasets. Our finding shows that the proposed algorithm works better than others. In order to further demonstration of the proposed approach’s capability, a real-world problem of an Internet bookstore market segmentation based on customer loyalty is employed.     

一种K-均值脸谱图聚类新算法

Chernoff脸谱图简单,类似卡通画,能图形化地表示多元数据。但脸谱图聚类算法具有主观性的巨大的对比工作量,脸谱特征分配困难。因此,本文提出一种新的脸谱图聚类算法,它合并了K均值聚类或模糊G均值聚类算法。IRIS和蔬菜油数据集的实验结果表明新算法优于传统的聚类算法。     

An on-line modified least-mean-square algorithm for training neurofuzzy controllers

The problem hindering the use of data-driven modelling methods for training controllers on-line is the lack of control over the amount by which the plant is excited. As the operating schedule determines the information available on-line, the knowledge of the process may degrade if the setpoint remains constant for an extended period. This paper proposes an identification algorithm that alleviates "learning interference" by incorporating fuzzy theory into the normalized least-mean-square update rule. The ability of the proposed methodology to achieve faster learning is examined by employing the algorithm to train a neurofuzzy feedforward controller for controlling a liquid level process. Since the proposed identification strategy has similarities with the normalized least-mean-square update rule and the recursive least-square estimator, the on-line learning rates of these algorithms are also compared.     

压铸成型工艺设计与缺陷分析的神经网络模拟

对于误差逆传播 (BP)神经网络标准及改进型算法中的神经元联接权更新机制进行了分析。作为实际应用 ,基于MATLAB神经网络工具箱函数 ,研究了两个例子 ,一个是不同合金种类及不同复杂程度的型腔结构下浇注温度的选择 ;另一个是压铸工艺的缺陷分析。采用的算法分别为恒定学习率 附加动量项改进型BP算法和自适应学习率 附加动量项改进型BP算法。通过在实际模拟中比较这两种算法的训练效率 ,可得到结论 :自适应学习率 附加动量项算法是精确模拟压铸工艺映射问题的较为理想的方法。基于这一方法 ,文中最后给出了网络模拟测试的结果     

支持约束声明的服务描述技术

现有的研究仅关注描述服务的属性,而未描述服务的行为属性,如属性的取值范围以及属性取值之间的关系。为此,将约束声明引入到服务描述中,将属性的取值范围及其间的关联关系看作服务的约束条件,定义了约束的表达形式和分类,从而有效地描述Web服务的功能和行为特性。在此基础上给出基于约束的匹配算法来度量服务与请求之间的匹配程度。讨论了该模型的体系结构和实现机制,并在实际项目中得到了应用。     

A developed ant colony algorithm for cancer molecular subtype classification to reveal the predictive biomarker in the renal cell carcinoma

Background: Recently, researchers have been attracted in identifying the crucial genes related to cancer, which plays important role in cancer diagnosis and treatment. However, in performing the cancer molecular subtype classification task from cancer gene expression data, it is challenging to obtain those significant genes due to the high dimensionality and high noise of data. Moreover, the existing methods always suffer from some issues such as premature convergence. Methods: To address those problems, we propose a new ant colony optimization (ACO) algorithm called DACO to classify the cancer gene expression datasets, identifying the essential genes of different diseases. In DACO, first, we propose the initial pheromone concentration based on the weight ranking vector to accelerate the convergence speed; then, a dynamic pheromone volatility factor is designed to prevent the algorithm from getting stuck in the local optimal solution; finally, the pheromone update rule in the Ant Colony System is employed to update the pheromone globally and locally. To demonstrate the performance of the proposed algorithm in classification, different existing approaches are compared with the proposed algorithm on eight high-dimensional cancer gene expression datasets. Results: The experiment results show that the proposed algorithm performs better than other effective methods in terms of classification accuracy and the number of feature sets. It can be used to address the classification problem effectively. Moreover, a renal cell carcinoma dataset is employed to reveal the biological significance of the proposed algorithm from a number of biological analyses. Conclusion: The results demonstrate that CAPS may play a crucial role in the occurrence and development of renal clear cell carcinoma.