基于遗传算法的EMD电力信号去噪

由于电网负荷波动较大,系统随机运行性强,系统中非线性设备都会引起严重的电力信号噪声.传统的EMD去噪方法是结合能量极小值寻找噪声信号和有用信号的分界点,主要适应于信噪比较高的信号中,在信噪比较低时会出现误判.因此提出了一种适合电力信号的基于遗传算法的EMD去噪方法.新方法基于电力信号与噪声信号的不同频带分布,对含噪的电力信号进行EMD分解得到多组IMF分量,并在数学排列组合的启发下重构电力信号,然后将遗传算法运用到寻找最优IMF分量组合中.仿真结果表明,采用遗传算法的EMD电力去噪方法无论在信噪比还是均方误差方面均具有一定的改善和提高,保证了电力供电的可靠性,提高了电力信号的检测精度.     

支持向量机大规模快速算法

在不影响泛化能力的情况下,针对现有的主要分块算法、大规模缩减策略和分解算法等内存占用较大、训练精度下降和收敛速度过慢等缺点,改进了现有的SMO算法,融合分块算法和分解算法,提出了最小序列分块算法(CSMO).仿真结果表明,该算法与libsvm等现有的典型的支持向量机算法相比,能够减小内存占用,并能以很高的精度接近全局最优解.     

基于参考点的改进k近邻分类算法

基本k近邻(kNN)分类算法具有二次方的时间复杂度,且分类效率和精度较低。针对该问题,提出一种改进的参考点kNN分类算法。依据点到样本距离的方差选择参考点,并赋予参考点自适应权重。实验结果表明,与基本k NN算法及kd-tree近邻算法相比,该算法具有较高的分类精度及较低的时间复杂度。     

核空间结合样本中心角度的大规模支持向量机

为了提高支持向量机在大规模数据集处理时的精度,提出了基于核空间和样本中心角度的支持向量机算法.在核特征空间下,求得原训练集的两类中心点和两个中心点的超法平面,并获取原训练集样本到超法平面距离和到两中心点中点的比值,用比值最小的n个样本点替代训练集.给出的数学模型显示,该算法不需要计算核空间,比现有的同类缩减策略保留了更多的支持向量数目.结合实例对算法进行了仿真实验,实验结果表明,与同类算法相比,该算法在基本没有降低训练速度的情况下获得了更准确的训练精度.     

基于密度峰值聚类的超区间粒化方法及其分类模型

大数据挖掘时代,数据丰富与知识贫乏之间的矛盾日趋突出.粒计算是解决大规模、复杂问题的新范式,其核心任务是粒化.粗糙集是经典粒计算模型之一,在数据挖掘领域已广泛应用.遗憾的是基于不可区分关系的粒化条件很严格,造成粗糙集在粒化定量数据时会失效.因此,本文首先从一维属性的区间划分出发,定义多维属性组合生成的超区间粒,并基于超区间粒提出新颖的粗糙集模型有效地将定量数据和定性数据统一到一个框架;其次,从决策属性的视角考虑条件属性之间的相关性提出基于密度峰值聚类的超区间粒化算法,算法输出的超区间粒不仅是论域的划分,且每个划分块都是同质信息粒;最后,受近邻分类算法的启发,融合多数投票分类机制和近邻分类准则基于超区间粒提出自适应近邻分类模型(IGANN),并在UCI数据集上与8个经典分类模型进行实验对比,4个指标下的对比结果均表明IGANN模型具有更强的稳定性和更高的鲁棒性.     

核空间结合样本中心角度的支持向量机增量算法

为了提高增量算法的训练精度,在核特征空间下,求得原训练集的两类中心点和两个中心点的超法平面,获取原训练集样本到超法平面距离和到两中心点中点的比值,将比值最小的n个样本点结合原训练集中的支持向量和增量集中违背KKT条件的样本产生新的训练集.最后给出的数学模型显示,该算法不需要计算核特征空间,比现有的众多支持向量机增量算法保留了更多的支持向量数目,保证了训练精度.