基于邻接矩阵的FP-tree构造算法

提出了一种基于邻接矩阵的FP-tree构造方法。首先通过扫描数据库建立2-项集支持数的邻接矩阵,通过邻接矩阵对项进行过滤和新方式排序,然后再利用邻接矩阵构造FP-tree,使得FP-tree的分支、节点数和深度大幅度地减少,从而使存储空间减少、遍历时间缩短。最后使用标准数据集进行验证测试并和其他算法的比较,实验结果表明,该算法在保证结果的同时有效地提高频繁项集挖掘的效率。     

无信号人行横道交通流特性的研究

考虑到行人穿越人行横道特点和心理因素,构建人行横道处机动车和行人相互干扰行为的元胞自动机模型。模型中重新制定行人和机动车的冲突干扰规则,引入临界安全间隙和临界决策间隙概念计算行人的通过概率,根据行人过街等待时间阈值定义了行人的冒险概率。模拟结果显示,临界决策间隙、行人忍耐时间阈值和行人的临界跟随间隙对机动车与行人流量均有不同程度的影响,其中行人的临界跟随间隙对交通流影响最大。     

初始分布非均匀的行人流疏散仿真研究

为了有效模拟研究初始分布非均匀的行人流疏散问题,通过定义行人方向模糊可视域,改进了场域元胞自动机模型。模型中,行人的目标位置选择受到方向模糊可视域内行人之间的排斥力和吸引力、出口处行人分布、距可选位置相对距离三种因素共同作用。研究表明,改进模型能够有效地实现初始分布非均匀的行人流在疏散过程中的动态平衡;改进模型不依赖于各因素的影响系数,从而避免了影响系数量化过程的主观性和疏散系统的限制性;在疏散过程中,如果行人保持一个较大的视野半径,疏散系统能够实时提供出口处行人分布状态,就可以有效地提高行人流疏散效率。该研究有助于相关行人流疏散策略和方案的制定。     

基于k-最近邻图的小样本KNN分类算法

提出一种基于k-最近邻图的小样本KNN分类算法。通过划分k-最近邻图,形成多个相似度较高的簇,根据簇内已有标记的数据对象来标识同簇中未标记的数据对象,同时剔除原样本集中的噪声数据,从而扩展样本集,利用该新样本集对类标号未知数据对象进行类别标识。采用标准数据集进行测试,结果表明该算法在小样本情况下能够提高KNN的分类精度,减小最近邻阈值k对分类效果的影响。     

考虑转向速度的汽车操纵稳定性分析

汽车转向时前轮的转向速度对汽车的操纵稳定性具有确实的影响.通过动力学分析建立汽车的操纵稳定性的3自由度模型,提出考虑转向速度时的轮胎侧向力模型,推导出前轮转角输入与相应输出之间的传递函数矩阵,使用传递函数矩阵估计方法对与轮胎侧偏角加速度、侧偏角速度和侧偏角等相关的轮胎侧偏特性参数进行辨识和计算.试验数据验证了实车的整车模型和轮胎侧向力模型有很高的准确性.分析转向速度对汽车的操纵稳定性的影响,结果表明前轮的转向速度在一定范围内对汽车侧向加速度、横摆角速度和车身侧倾角有明显的影响,而且程度各不相同,正常转向时,转向速度的变化对汽车的动力学特性有较大的影响.     

基于元胞自动机的小样本集分类算法

样本集中的数据数量过少会影响最后的分类精度。为此,提出基于元胞自动机模型的小样本集分类算法,利用元胞自动机的状态转换规则和分类规则,通过元胞空间的演化实现对数据集的分类。对标准数据集的测试结果表明,在小样本集和样本集中数据分布不均匀的情况下,该算法具有较高的分类精度。     

基于K-均值聚类的小样本集KNN分类算法

KNN及其改进算法进行分类时,如样本集中、样本过少或各类样本的密度差异较大,都将会影响最后的分类精度。提出一种基于聚类技术的小样本集KNN分类算法。通过聚类和剪理,形成各类的样本密度接近的新的样本集,并利用该新样本集对类标号未知数据对象进行类别标识。通过使用标准数据集的测试,发现该算法能够提高KNN的分类精度,取得了较满意的结果。     

考虑安全移动距离的交通流元胞自动机模型

在NaSch模型的基础上,分析车辆移动距离与车辆速度的关系,考虑驾驶的安全性,定义减速过程和位置更新规则,提出一种新的元胞自动机模型。该模型通过车辆前一步时的速度和当前速度计算车辆的移动距离。对该模型进行模拟仿真,得到车速、流量和密度数据及其相互关系,最大流量接近实测数据,显示了亚稳态、滞后效应、相分离以及同步流等更复杂的实际交通现象。仿真结果表明,车辆在行驶过程中能够相对均匀地分布在道路上,保持自由流状态,道路资源的利用率高,交通流量大,具有一定的合理性和实效性。     

活性翠蓝小浴比染色工艺研究

本论文研究了活性翠蓝在1∶6小浴比条件下的染色工艺,比较了常规染色后水洗工艺和应用React EVO系列助剂低温、短流程水洗工艺。通过染色K/S值、皂洗色牢度、摩擦色牢度等测定评定,研究得到了活性翠蓝小浴比最优染色工艺,并分析比较了React EVO水洗工艺的节能减排效果。     

有约束的半监督聚类方法

在数据挖掘领域的很多实际应用中,获取大量的无标签样本非常容易,而获取有标签的样本通常需要付出较大的代价,并且有时不可能得到所有的数据的标签,半监督聚类就是使用一小部分的标签数据对无标签数据的聚类过程进行指导。提出了一种新的半监督聚类算法,它利用标签数据提供的信息来初步确定数据的相似性和不相似性标准,并在聚类过程中对其进行自动调整,利用它们对聚类过程进行约束和指导。通过在标准数据集高斯数据集上的测试,该算法相对于无指导聚类来说有更高的精度和更快的速度。