基于数据挖掘与改进灰靶的电压暂降严重度分析与评估

针对电压暂降评估问题,提出一种基于互信息与改进灰靶理论的电压暂降严重度数据挖掘分析方法。提出暂降距离和交叉影响域指标,考虑电压暂降的多种特征属性建立严重度评估框架;构建互信息网络模型对电压暂降进行数据挖掘,利用连接权提取关联规则构成电压暂降知识库,对全网电压暂降严重度水平进行初步分析,避免了基于支持度和置信度的传统数据挖掘方法产生的冲突规则问题;提出靶心度的改进计算方法,结合数据挖掘所得的全网暂降严重度水平,建立电压暂降严重度条件搜索模型进行变电站暂降严重度评估,解决了匹配结果多重化的问题,提高了电压暂降评估的准确性。算例分析验证了所提方法的可行性。     

一种检测重叠和非重叠社区的方法

为发现有重叠和非重叠连接结构的社区,针对现有方法的不足提出一种新型社区检测方法。基于主节点 准则,为每个节点计算内部和外部关联度检测社区,设计社区检测综合算法,在人工网络上进行仿真并与已知算法 对比。结果表明,该方法具有较为优越的性能和可行性。     

最大化互信息约束的R-NLN高频工件图像分类模型

高频元件精密加工工件需要定制,难以获取足量的图像样本以训练传统的CNN模型来完成自动化分类。提出基于元学习训练策略的关联非局部网络高频工件分类模型。在经典CNN模型的基础上引入NLN模块,通过关联样本的全局和局部特征提取自适应的任务特征;通过最大化互信息约束优化模型,提高模型的鲁棒性。实验结果表明：与多种主流的小样本分类模型相比,所提模型对miniImageNet和高频工件数据集分类的准确率有显著提高。     

间接交互信息与因式分解机融合的推荐方法研究

针对现有推荐方法存在交互信息应用不充分和推荐性能不佳的问题,充分利用用户和项目之间的间接交互信息,采用可达矩阵来表达用户和项目之间的间接交互关系,通过可达矩阵与因式分解机有机融合,构建了一个新的推荐方法.在Amazon-Book、Last-FM和Yelp2018数据集上的实验表明,所提方法在推荐效果上既优于传统的基于因式分解机的推荐方法,又好于最新的基于神经网络因式分解机的推荐模型,在推荐的时间效率上比基于知识图谱注意力网络的推荐方法具有明显优势.同时,相对其他推荐方法,该方法还具有更好的可解释性.     

NEW FEATURE SELECTION METHOD IN MACHINE FAULT DIAGNOSIS

Aiming to deficiency of the filter and wrapper feature selection methods, a new method based on composite method of filter and wrapper method is proposed. First the method filters original features to form a feature subset which can meet classification correctness rate, then applies wrapper feature selection method select optimal feature subset. A successful technique for solving optimization problems is given by genetic algorithm (GA). GA is applied to the problem of optimal feature selection. The composite method saves computing time several times of the wrapper method with holding the classification accuracy in data simulation and experiment on bearing fault feature selection. So this method possesses excellent optimization property, can save more selection time, and has the characteristics of high accuracy and high efficiency.     

二元n维随机置换的互信息

本文给出了二元n维随机置换的钟控概率模型,讨论了它的基本性质,得到了二元n维随机置换输入输出互信息的简单计算公式,给出了它的下界.同时也得到了二元n维随机置换输入输出与随机置换互信息的简单计算公式.从而得到了在已知输出的条件之下,理论上平均求输入的计算复杂度,以及在已知输入输出的条件之下,理论上平均求随机置换的计算复杂度.     

基于局部方向能量的鲁棒图像融合算法

针对现有小波类图像融合算法在特征表达上的不足,将对偶树复数小波变换引入图像融合中。Robins等的研究表明,局部能量对各类图像特征的表达和定位具有稳健性。基于对偶树复数小波变换,定义了局部方向能量和局部能量,结合人类视觉系统对图像特征的响应特性,定义了局部带限对比度,表达特征的显著性。实时图像融合系统中,输入可能被随机噪声污染。根据图像特征和噪声局部方向能量分布不同的特点,定义了局部方向能量熵,用以自适应改善带限对比度,提高融合过程对噪声的鲁棒性。对融合算法仿真结果的主客观性能分析,充分验证了本文提出的鲁棒的图像融合算法的卓越性能。     

面向不完整多视图聚类的深度互信息最大化方法

多视图聚类是无监督学习领域研究热点之一,近年来涌现出许多优秀的多视图聚类工作,但其中大多数方法均假设各视图是完整的,然而真实场景下数据收集过程极容易发生缺失,造成部分视图不完整。同时,很多方法采取传统机器学习方法（即浅层模型）对数据进行特征学习,这导致模型难以挖掘高维数据内的复杂信息。针对以上问题,本文提出一种面向不完整多视图聚类的深度互信息最大化方法。首先利用深度自编码器挖掘各视图深层次的隐含特征,并通过最大化潜在表示间的互信息来学习各视图间的一致性知识。然后,对于不完整视图中的缺失数据,利用多视图的公共潜在表示进行补全。此外,本文采用一种自步学习策略对网络进行微调,从易到难地学习数据集中的样本,得到更加宜于聚类的特征表示。最后,在多个真实数据集上进行实验,验证了本文方法的有效性。     

基于自适应变分模态分解的滚动轴承故障特征提取方法研究

针对滚动轴承微弱故障特征易被噪声和强故障成分淹没导致漏诊或误诊问题,基于互信息与信息熵构建多目标适应度函数,形成面向故障诊断的自适应变分模态分解算法(Diagnosis Oriented Adaptive Variational Mode Decomposition, DOA-VMD),有效提取信息以传达故障特征且不产生异常模态干扰;并采用NSGA-II算法对多目标适应度函数搜寻最优Pareto解集;然后考虑峭度是反应冲突的有效指标,以最大峭度值为目标,筛选解集中最优结果实现DOA-VMD参数的确定和特征提取;基于齿轮箱轴承内圈损伤数据验证提出方法的可靠性。结果表明：DOA-VMD可剔除含噪分量并保留具有最显著冲击信号的特征,且该特征较传统VMD方法更能凸显故障特征频率。     

基于互信息和贝叶斯算法的天然气合成润滑油鉴别技术

目的 为完善润滑油的关税鉴定,提出了一种基于互信息和贝叶斯算法的天然气合成润滑油鉴别技术。方法 首先,提取了天然气合成润滑油和常规矿物油基润滑油的特征参数,并运用互信息方法对其进行特征指标选择,筛选出具有鉴别能力的特征指标。然后,对所选特征指标采用贝叶斯算法进行建模,最终实现了天然气合成润滑油和常规矿物润滑油的分类鉴别。结果 实验结果表明,该方法所建立的模型能够有效鉴别天然气合成润滑油和常规矿物润滑油。结论 该方法所建立的模型具有良好的稳定性和可靠性,为润滑油行业和关税鉴定提供了一种全面和准确的鉴别工具。