可能性匹配知识迁移原型聚类算法

针对迁移原型聚类的优化问题,本文以模糊知识匹配迁移原型聚类为基础,介绍了聚类场景中从源域到目标域的迁移学习机制,明确了源域聚类中心辅助目标域得到更好的聚类效果。但目前此类迁移机制依然面临如下的挑战:1)如何克服已有迁移原型聚类方法中不同类别间的知识强制性匹配带来的负作用。2)当源域与目标域相似度较低时,如何避免模糊强制性匹配的不合理性以及过于依赖源域知识的缺陷被放大。为此,研究了一种新的迁移原型聚类机制,即可能性匹配知识迁移原型机制,并基于此实现了2个具体的迁移聚类算法。借鉴可能性匹配的思想,该算法可以自动选择和偏重有用的源域知识,克服了源域和目标域之间的强制性匹配限制,具有较好的可调节性。研究结果表明:在不同迁移场景下模拟数据集和真实NG20groups数据集上的实验研究表明,提出的算法较已有的相关算法展现了更好的性能。

基于可能性理论的聚类分析

可能性理论是处理不确定、不精确数据或信息的一种方法,它是建立在模糊集理论上,在聚类中引入可能性理论,符合人们的思维方式。该文根据可能性理论,从聚类集合的对象之间的相似度上考虑提出了可能性匹配,它通过可能相似程度和必要相似程度概念来表达,可能相似程度尽可能地消除人聚类的主观误差,而必要相似程度尽可能保存信息,符合人们的思维方式,在聚类分析广泛应用的现实中具有较好的应用前景。

Development of Turbocharger for Improving Diesel Engine Matching Performance

The two development ways of turbocharger technology to solve the problem of matching performance with diesel were presented. The ways of waste valve gate turbocharger and variable geometry turbocharger can solve the problem of engine’s low speed torque and achieve lower smoke level. Especially for variable geometry turbocharger, it covers all conditions of engine. It can not only improve the low engine’s speed torque and keep the power performance at high engine speed, but also cover wide engine speed performance that keeps lower fuel consumption and exhaust gas temperature in full load and part load matching. The results of theory analysis and experiment research showed that it’s the ideal solution to solve the matching problem of diesel engines.