基于分裂最优乘子重要抽样的电网可靠性评估

提出一种按系统中各元件对系统可靠性影响不同而使用不同最优乘子的重要抽样技巧,以加快系统的蒙特卡罗模拟速度。针对影响程度不同,提出基于元件最大容量和无效度的简便的元件重要度识别方法。在对系统进行蒙特卡罗模拟前快速识别出对系统可靠性影响较大的元件,并对它们进行重要抽样;对剩下的元件进行一般的蒙特卡罗抽样。其间,用黄金分割法在系统蒙特卡罗模拟的同时进行最优乘子的求取,得到最优乘子后继续抽样直到满足预定的收敛准则。通过对IEEE-RTS 79可靠性测试系统的验算,证明该方法在传统的重要抽样法基础上进一步提高了蒙特卡罗模拟的收敛速度。     

基于节点匹配度的动态网络链路预测方法

现实世界存在众多真实网络,研究真实网络中的动态演化趋势和时序性特征是热点问题。链路预测技术作为网络科学领域重要研究工具可通过挖掘历史连边信息推测网络演化规律,进而对未来连边进行预测。通过分析动态真实网络中的拓扑结构演化,发现通过分析网络拓扑中节点间的交互性和匹配度问题能够更充分捕捉网络的动态特征,提出一种基于节点匹配度的动态网络链路预测方法。该方法对网络节点的属性特征进行分析,定义基于原生影响力和次生影响力的节点重要性量化方法;引入时间衰减因子,刻画不同时刻网络拓扑对连边形成的影响程度;结合节点重要性和时间衰减因子定义动态节点匹配度（TMDN,temporal matching degree of nodes）方法,用于衡量节点对之间未来形成连边的可能性。在5个真实动态网络数据集中的实验结果表明,相比现有3类主流动态网络链路预测方法,所提方法在AUC和RankingScore两种评价标准下均取得更优的预测性能,预测结果最高提升42%,证明了节点间存在着交互匹配优先级,同时证实了节点原生影响力和次生影响力的有效性。     

一种定量评估复杂网络节点重要度的算法

提出一种定量评估复杂网络节点重要度的算法,定义虚拟的理想“核心节点”,将灰色关联度作为测度,评价网络中每个节点和理想“核心节点”的关联度,关联度越高,节点在网络中的重要性越大。仿真结果表明,与同类算法相比,该算法运算速度更快,适用于评价大型复杂网络中节点的重要度。     

面向网状信息的Radial+Focus可视化*

针对当前网状信息可视化技术忽略了网状信息节点的可视信息的问题,提出一种面向网状信息的Radial+Focus可视化技术。首先介绍网状信息节点的信息详细度与先验重要度,并研究通过节点的交互历史计算节点的先验重要度的方法;然后研究了基于节点先验重要度的Radial+Focus布局算法;最后,给出了Radial+Focus可视化技术的应用实例和实验评估。实验评估表明,该技术能自然、高效地可视化网状信息,为用户对网状信息关系及网状信息节点的可视信息的分析提供有力的支持。     

区间值决策信息系统的启发式属性约简

区间值决策信息系统是单值信息系统的一种推广,借助于属性区间值的相似程度在区间值决策系统上引入α极大相容类的概念,定义了一种新的条件信息熵,提出了相对属性内(外)重要度的度量方法,进一步,给出基于α条件信息熵的启发式相对约简算法,通过实验验证了该算法的有效性。     

音视频信息融合的说话人跟踪算法研究

针对单独的音频和视频信息跟踪的缺陷,提出了一种音视频信息融合的粒子滤波跟踪算法。采用闭环跟踪框架,分为底层跟踪、融合、重要性粒子滤波、跟踪输出和反馈五个环节。底层跟踪环节利用说话人脸部肤色信息进行均值漂移跟踪的同时,利用说话人声音信号到达麦克风阵列的时间延迟进行跟踪定位;融合环节对这两者得到的跟踪信息进行整合,得出基于音视频信息融合的重要性函数和融合似然模型;滤波环节利用重要性粒子滤波算法对融合的数据进行滤波处理;跟踪环节根据滤波结果对说话人进行跟踪;反馈环节将跟踪结果动态反馈给人脸肤色跟踪和声源定位跟踪模块。流程化的闭环处理过程保证了算法的实时性。最后,采用AMI会议语料库对该算法进行测试,结果表明该算法平均误跟率仅为9.32%,比使用单一音频或视频信息的跟踪算法稳定性好、准确性高。     

基于粗糙集属性重要性的数据约简

为了提高数据处理的效率,本文以等价关系、划分、上下近似、正域等粗糙集理论基本概念为基础,提出基于属性重要性的属性约简方法。该方法从条件属性集整体出发,分别计算去除每个条件属性后对决策属性重要性的变化,利用属性重要性区分不同属性对于决策属性的依赖程度,优选重要程度较高的属性。该方法以工业现场交流调速系统数据为对象进行有效性验证,结果表明,该方法具有良好的性能,能够大量减少冗余的属性和数据,提高数据处理的效率。     

基于多属性决策的电力通信网的节点重要度计算方法

随着电网规模不断扩大,作为电网的支撑网络,电力通信网络的结构变得更加复杂且脆弱。预先识别和保护电力通信网中的重要节点是降低网络脆弱性的有效方法。为了全面地分析电力通信网中的节点,从网络中节点的局部信息、全局信息以及节点承载的业务重要度量化节点的重要性,提出一种基于多属性决策的电力通信网节点重要性计算方法。该算法首先根据各节点指标计算指标熵值以及指标之间的肯德尔系数,确定指标权重,结合多属性决策方法得到节点指标贴近度,进而得到各节点的实际重要度。最后根据不同节点重要度计算方法,分别攻击小型电力通信网、传统复杂网络、市级电力通信网中的节点,分析对网络指标的影响,证实该方法的合理性。     

基于序贯重点采样粒子滤波的分布估计算法

 连续域分布估计算法一般假设数据服从高斯分布,而且大多采用了单峰的概率模型,但是对于一些复杂的优化问题,单峰的高斯分布模型不能有效地描述解在空间的分布.本文提出一种基于序贯重点采样粒子滤波的分布估计算法,采用带权粒子描述优选集样本服从的概率分布并从中采样得到下一代种群,不需要假设样本服从高斯分布,并且算法采用的概率模型是多峰的.仿真实验结果验证了本文方法的正确性和有效性.     

Effectiveness of predicting tunneling-induced ground settlements using machine learning methods with small datasets

Prediction of tunneling-induced ground settlements is an essential task, particularly for tunneling in urban settings. Ground settlements should be limited within a tolerable threshold to avoid damages to aboveground structures. Machine learning(ML) methods are becoming popular in many fields, including tunneling and underground excavations, as a powerful learning and predicting technique. However, the available datasets collected from a tunneling project are usually small from the perspective o...