K-means型多视图聚类中的初始化问题研究

在K-means型多视图聚类算法中,最终的聚类结果会受到初始类中心的影响。因此研究了不同的初始中心选择方法对K-means型多视图聚类算法的影响,并提出一种基于采样的主动式初始中心选择方法(sampledclustering by fast search and find of density peaks,SDPC)。该方法通过对数据集进行均匀采样,利用密度峰值快速搜索聚类算法(clustering by fast search and find of density peaks,DPC),以及K-means再迭代策略,进一步改善多视图聚类中的初始中心选择效率和类个数问题。实验验证了不同初始化方法对K-means型多视图聚类算法的影响。多视图基准数据集上的实验结果表明:全局(核)K-means初始化方法存在时间复杂度过高的问题,AFKMC~2(assumption-free K-Markov chain Monte Carlo)初始化适用于大规模数据,DPC可以主动选择类个数和初始类中心,SDPC较DPC而言,不仅能主动式获得类个数,还在聚类精度和效率上取得了较好的折衷。     

浅析压力加工工具的材质及表面处理对金属粘结的影响

我国是一个工业大国,在企业制造中,压力加工是非常重要的一个环节,会影响产品质量.为了确保产品使用效果,要加强分析压力加工工具的材质及表面处理对金属粘结的影响,在此基础上,更好地选择压力加工工具.先介绍工具与变形金属间摩擦与粘结的相关内容,再论述加工工具材质选择及表面处理,不断提升应用水平.     

建筑装饰工程施工管理中存在的问题及解决办法探讨

随着生活水平的提升,居民对建筑装饰的要求越来越高,为了满足建筑装饰的发展,需要提升建筑装饰技术管理的水平,从而对建筑装饰的质量。符合行业的发展。本文对于建筑装饰施工的技术特点进行讨论,并且就加强装饰施工技术管理的方式进行了研究。     

行业应用惊醒“移动梦网”——张经理的幸福生活

张经理自认为早已过了追赶时尚的年龄，尽管“手机、电脑、PDA一个部不少”，可那都是工作需要呀，每一个物件部功能“单纯”。手机通话，电脑处理办公业务，PDA查电话号码。张经理从不用电脑玩游戏，也没用过“移动秘书”之类的服务。看着儿子整天对着不说话的手机短信一惊一咋的，张经理觉得那和“韩流”一样离自己太远了。     

基于通用分布的风电功率出力动态场景生成方法

随着大规模风电接入电网,风电功率的不确定性使得电力系统的运行与调度面临着新的挑战。针对风电功率的不确定性,本文提出了基于通用分布的风电功率动态场景生成方法,将风电的不准确性转化为确定性模型。本文首先利用通用分布良好的拟合特性去近似表征风电功率的实际分布,然后对风电的波动性进行建模,通过逆变换抽样的方法生成大量既符合风电的随机性又符合波动性的场景。为了验证所提方法的有效性,本文从场景生成的速度和精确程度方面进行了比较。以实际风电数据为基础的仿真算例验证了所提的基于通用分布的风电功率出力动态场景生成方法的可行性。     

探讨电子皮带秤的带形修正装置

在皮带秤国际建议R50的修改稿中增加了"带形修正装置",本文将在对"带形修正装置"进行分析的同时,提出"带形修正装置"可借鉴之处供讨论。     

强夯法在湿陷性黄土地基中的应用

强夯法是在重锤夯实法基础上发展起来的,具有工期短、费用低、效果显著等优点。由于地质复杂,在施工前必须通过现场试验,确定其适用性和处理效果。通过黄河尼那左岸副坝工程实例,分析了强夯法相关试验的结果,确定相关技术参数,实践证明强夯法是处理湿陷性黄土地基较经济合理的方法。     

样本加权的多视图聚类算法

大数据时代,人类收集、存储、传输、管理数据的能力日益提高,各行各业已经积累了大量的数据资源,这些数据常呈现出多源性和异构性.如何对这些多源数据进行有效的聚类(也称为多视图聚类)已成为当今机器学习研究关注的焦点之一.现有的多视图聚类算法主要从“全局”角度关注不同视图和特征对簇结构的贡献,没有考虑不同样本间存在的“局部”信息间的差异.因此,提出一种新的多视图样本加权聚类算法(sample-weighted multi-view clustering, SWMVC),该算法对每个样本的不同视图进行加权,采用交替方向乘子法自适应学习样本权值,不仅可以学习不同样本点间不同视图权重的“局部”差异,还可以从学习到的“局部”差异反映出不同视图对簇结构贡献的“全局”差异,具有较好的灵活性.多个数据集上的实验表明：SWMVC方法在异质视图数据上具有较好的聚类效果.     

基于改进深度信念网络模型的中长期径流预测

为提高流域中长期径流预测效果,提出径流综合指数构建、因子筛选和改进深度信念网络模型相结合的预测方法。首先研究不同水文站点(细粒度)月平均径流的一致性,构造流域径流综合指数(粗粒度),在较宏观层面研究流域水情丰枯变化;接着采用基于信息熵的因子筛选方法,获得影响流域水情丰枯变化的关键因子集,形成深度学习的输入;然后利用改进的深度信念网络(IDBN)模型进行预测。以雅砻江流域为例,将所建模型与多元线性回归、自回归移动平均、反向传播(BP)神经网络、支持向量机和传统深度信念网络等预测模型进行对比分析。结果表明:所提方法具有较好的实用性,且IDBN模型具有更好的预测速度和精度。研究结果可为流域中长期径流变化趋势预测提供参考。