基于摘要技术的混合模型流数据聚类算法

传统的数据库管理系统和数据查询算法不能很好地支持对流数据的查询已经被广泛认识,因而需要研究新的流数据模式查询算法.提出了一种基于摘要技术的在线快速混合模型流数据聚类算法,该算法为分阶段混合模型聚类过程.算法首先时最初到达的流数据用多维网格结构进行划分,对划分形成的每一个单元进行数据摘要,提取足够的统计信息.对该摘要运行基于模型的贪心聚类算法,聚类形成的混合模型的摘要信息存储在永久摘要数据库中,从而形成初始聚类混合模型;在聚类模型的维持过程中,当不断有流数据到达时,对到达的数据块用多维网格结构进行划分,对划分形成的每一个单元提取足够的摘要信息.对该摘要运行基于模型的贪心聚类算法形成聚类混合模型.在判断是否可以把新到达的模型合并到现有的混合模型中去时,提出了三种合并标准.实验表明,该算法减少了分类误差,其速度也比传统的基于模型的贪心聚类算法大大加快.     

输出信号量化的双率采样系统参数辨识方法

针对双率采样和信号量化(signal quantization)[BFQB]的控制系统,采用随机重复性试验测量信息,提出基于辅助模型的双率采样量化控制系统辨识方法.分析了在随机重复试验和放松估计误差方差条件下,双率采样量化系统的模型特征并给出了分两步辨识的策略,推导了进行参数辨识所满足的持续激励条件,并给出了基于辅助模型的双率采样量化控制系统量化辨识递推算法;接着分析了所给出量化辨识递推算法的收敛性,得到了双率采样量化系统参数估计误差上界的计算式,最后数字仿真验证了该算法及结论的有效性.     

隐马尔可夫模型在学习系统信息挖掘中的应用

根据建构主义学习理论,认知思维是一个反复、渐进的过程。为了解和跟踪学生对知识点掌握的程度,以数据库课程SQL在线测试系统为例,使用隐马尔可夫模型建立学习模型。通过对学习反馈信息进行解码,挖掘和发现隐藏的状态转移信息。实验结果表明,模型揭示的状态转移信息更好地帮助教师了解学生对知识点的掌握程度。     

GPS定位误差分析和建模

提出一种GPS定位误差序列建模的新方法。该方法首先利用多点平均方法提取误差序列的趋势项;然后利用样本周期图拟合周期项;最后对去掉趋势项和周期项的平稳随机序列进行分析,从而得到了GPS定位误差序列的组合预测模型。组合模型融合了各种基本建模方法的特色与优势,弥补了单个基本模型的缺陷与不足,有效提高了定位误差序列的预测准确度。利用实测数据,验证了方法的可行性与有效性。     

基于RBFNN的料场称重预测控制系统

为提高称重配料过程的控制精度,探讨了基于径向基神经网络(RBFNN)辨识的模型预测控制(MPC)系统的应用,着重介绍了径向基神经网络的特点,模型预测控制特性,提出了以径向基神经网络作为预测器和控制器的模型预测控制系统。实践证明,该系统可以改进被控对象的性能,适用于较为复杂的不确定性强的非线性控制对象。目前已成功在福建某钢铁厂烧结料场控制系统改造项目中投入使用,并取得了良好的控制效果,该系统在钢铁冶炼烧结称重环节不同料种圆盘中有广阔的应用前景。     

修改模型参数创建Multisim8元件

Multisim8修正了Multisim7中存在的部分模型错误并提供了更加丰富的库元件,但仍不能完全满足电路设计对多样化元件的需求,在不少情况下使用者还需要自行创造某些特殊元件。Multisim8以标准的XSPICE／SPICE3f5为内核,库元件用SPICE格式进行描述;在不熟悉SPICE编程原理的情     

基于高斯-马尔可夫模型的海洋环境辨识方法

在解决海洋中的信号处理问题时,海洋环境的复杂性和多变性严重影响了信号处理系统的性能.为了在信号处理之前辨识出海洋环境参数,并将其融入信号处理框架中,则有希望提高信号处理器的性能.将海洋环境建模为高斯-马尔可夫模型,利用声速梯度数据和由Kraken模型得到的声压场数据,结合扩展卡尔曼滤波器算法,实现了对海洋环境的辨识.利用模基处理方法,简正波传播模型,可以辨识模函数和水平波数,并能估计出基阵所在位置的声压场.仿真数据和模型数据吻合较好,说明算法能够较好地估计海洋环境参数,为滤波、检测、定位、跟踪等应用提供了基础.     

灰色偏相关评价法在认知型学生模型中的应用

针对认知能力评价这类因素较多,且难以进行定量描述的问题,建立认知能力因素评价体系,利用灰色偏相关评价法建立认知型学生模型。首先分析各认知能力因素的相互影响关系,计算偏相关系数得到各认知能力因素的权重值。然后确定评价灰类,建立白化权函数,得到各认知能力因素关于各评价灰类的灰色评价权值,从而建立认知型学生综合评价模型。最后通过实例对方法模型进行验证。实例表明,该方法模型能够对学生知识水平作出评价并引导学生进行学习,其结果具有一定的可靠性。     

基于Hadoop应用的营销活动案研究

随着电信行业的迅速发展,数据源呈现多样化、多渠道的趋势,存储的数据达到PB级别,传统意义上的数据仓库已经无法应对大数据激增的挑战。Hadoop的应运而生带来新的希望,以低廉的成本,通过分布式集群架构使传统的数据仓库不能解决的非结构化数据问题得到很好的处理,深度挖掘现有支撑系统沉淀下来的信息,进行适当抽取,助力业务系统的进一步发展,提升用户的体验和感知,促进整个电信产业链的共赢。     

基于单词相似度的文本聚类

研究了现有的基于向量空间模型的文本聚类算法,发现这些算法都存在数据维度过高和忽略了单词之间语义关系的缺点.针对这些问题,提出一种基于单词相似度的文本聚类算法,该算法首先利用单词相似度对单词进行分类获得单词间的语义关系,然后利用产生的单词类作为向量空间的项表示文本降低了向量空间的维度,最后采用基于划分聚类方法对文本聚类.实验结果表明,相对于传统基于向量空间模型的聚类算法,该算法具有较好的聚类效果.