基于自适应特征选择k子凸包的滚动轴承故障诊断

滚动轴承故障诊断中往往将特征选择和分类器的设计分别进行研究,从而难以获得满意的分类精度。将特征选择和分类器寻优结合起来,提出了一种自适应特征选择k子凸包(Adaptive Feature Selection K-sub Convex Hull, AFSKCH)的分类模型,从而实现了故障特征自适应选择和分类的一体化。首先,利用凸包距离函数保持数据流形上的局部邻域结构,通过交替构造k子凸包得到特征权值矩阵;其次,采用线性规划接近度方法求解k子凸包距离,利用乘子交替方向法得到自适应特征空间;最后,根据测试点到k子凸包的最小重构距离进行分类。滚动轴承故障振动信号分析结果表明,该方法特征选择性能优于其他特征选择方法,且具有较高的分类精度。

自适应引力密度峰值聚类优化算法

针对密度峰值聚类(Density Peak Clustering,DPC)算法对截断距离的取值较为敏感,密度度量标准不统一且人为选取聚类中心存在主观性的问题,提出了一种自适应引力密度峰值聚类优化(Optimized Adaptive Gravitational Density Peak Clustering Algorithm,OAGDPC)算法。首先采用模糊加权K-近邻技术(Fuzzy Weighted KNearest Neighbors Density Peak Clustering,FKNN-DPC)重新定义了局部密度,统一了密度度量的标准;然后提出一种自适应选择聚类中心的策略,结合基于引力的密度峰值(Gravitational Density Peak Clustering,GDPC)算法中牛顿万有引力定律与DPC算法的参数映射,使用引力类比距离,并设置综合考虑局部密度和引力的决策参数,依据决策参数降序折线图的顶角变化自适应确定聚类中心;最后聚集非中心点并识别异常点。实验选取DPC、GDPC、FKNN-DPC和OAGDPC在人工和UCI数据集上进行测试,结果表明,OAGDPC算法在各数据集上都有良好的表现,特别在聚类结果准确性、自适应能力、鲁棒性方面相对于对比算法具有明显优势。

RSSI室内定位在线匹配算法的研究与性能比较

针对在基于WiFi信号强度RSSI进行室内定位的指纹库算法的在线匹配环节中存在的不足,该文利用基于阈值R_(0)动态筛选匹配的指纹点数,提出了一种增强加权k近邻算法(EWKNN).因为阈值R_(0)可以动态筛选指纹库中的样本点,所以能够提高增强加权k近邻算法的适用度和高精度.仿真结果表明:在R_(0)设置恰当的情况下,增强加权k近邻算法的计算量与加权k近邻算法(WKNN)相当,但定位精度更高.

基于邻域k-核的社区模型与查询算法

现实生活中的网络通常存在社区结构,社区查询是图数据挖掘的基本任务.现有研究工作提出了多种模型来识别网络中的社区,如基于k-核的模型和基于k-truss的模型.然而,这些模型通常只限制社区内节点或边的邻居数量,忽略了邻居之间的关系,即节点的邻域结构,从而导致社区内节点的局部稠密性较低.针对这一问题,将节点的邻域结构信息融入k-核稠密子图中,提出一种基于邻域连通k-核的社区模型,并定义了社区的稠密度.基于这一新模型,研究了最稠密单社区查询问题,即返回包含查询节点集且具有最高稠密度的社区.在现实生活图数据中,一组查询节点可能会分布在多个不相交的社区中.为此,进一步研究了基于稠密度阈值的多社区查询问题,即返回包含查询节点集的多个社区,且每个社区的稠密度不低于用户指定的阈值.针对最稠密单社区查询和基于稠密度阈值的多社区查询问题,首先定义了边稠密度的概念,并提出了基于边稠密度的基线算法.为了提高查询效率,设计了索引树和改进索引树结构,能够支持在多项式时间内输出结果.通过与基线算法在多组数据集上的对比,验证了基于邻域连通k-核的社区模型的有效性和所提出查询算法的效率.

k度匿名社交网络隐私保护方法

随着社交网络的迅速发展,社交网络积累了大量的数据,它们在一定程度上反映了社会规律。社交网络分析人员研究这些数据可得到有用的信息,但在该过程中,往往伴随着用户隐私泄露。针对如何在挖掘有效知识的问题中保证隐私安全,提出了k度匿名社交网络隐私保护方法(k degree anonymity social network privacy protection method,KDSNP)。首先,将社交网络转化为度序列,采用聚类的方法生成超点,再对超点进行划分得出至少包含k个节点的超点,以满足k度匿名的要求保证用户隐私,最后通过邻域中心概念和结构相似度相结合,对节点的边进行删除和增加,能有效减少信息损失和提高数据的效用性。在不同的数据集上的试验结果表明,与其他类似技术相比,该方法在匿名图和原始图间的平均相对性能较好。

基于两阶段启发式算法的省电力物资周转库选址-路径优化研究

省电力物资周转库是仓储网络架构的关键节点,文中研究带库存容量限制的周转库选址与考虑时间窗和装载量约束的车辆配送路径优化的组合决策问题,构建以配送总成本最小为目标的选址-路径问题模型,设计两阶段启发式算法进行求解。第一阶段设计聚类-重心-搜索算法,求解带库存容量限制的省周转库选址问题;第二阶段采用自适应大邻域搜索算法,解决考虑时间窗和装载量约束车辆配送路径优化问题。基于S省2022年历史物流数据和已有仓储资源规模,采用两阶段启发式算法确定省电力物资周转库选址和配送路径。结果表明该算法能够有效降低仓储网络的总配送成本。

基于复杂网络多阶邻域贡献度的节点重要性序结构辨识

为更精细化辨识节点重要性,本文研究节点多阶交互演化对节点重要性序结构形成的影响,提出基于复杂网络多阶邻域贡献度的节点重要性序结构辨识系统模型.首先,基于节点间不同阶层交互关系和节点多阶邻域规模异质性程度构建多阶邻域贡献度模型;通过节点多阶圈信息集结节点自身多阶邻域空间结构信息;其次,构建融合多阶邻域空间位置信息贡献和多阶圈信息贡献的节点重要性辨识系统模型,给出节点序结构辨识算法;最后,仿真分析表明在各真实网络中本文算法相比经典算法最高提升88%节点辨识率,以0.5资源投入进行网络攻击,分别最大提升67.47%,39.40%和20.17%攻击效用值.

基于K-shell位置和两阶邻居的复杂网络节点重要性评估方法

K-shell分解法能快速识别复杂网络中的关键节点,但是无法辨别同壳层内节点重要性的差异,并且低估了处于网络边缘位置的高度值节点的重要性。针对这两个问题,提出一种基于K-shell位置和两阶邻居的节点重要性评估方法。该方法根据K-shell分解过程中节点移除的顺序细化节点的全局位置信息,然后综合考虑节点的局部拓扑结构信息和全局位置信息,利用两步长内邻居节点的K-shell位置信息度量节点的重要性。在八个真实网络上用传染病模型进行仿真实验,结果表明,所提方法与其他五种相关方法相比能更准确有效地评估并区分节点的重要性。

基于并行权重自适应k-邻域算法的图像分类方法

针对现有KNN算法识别率低的问题,提出了一种并行权重自适应k-邻域算法。该方法首先结合多线程技术,并采用分类组合的多个KNN单元进行识别以提高执行效率;其次在分类组合KNN算法中采用深度学习模型对各个类别进行了系数权重自适应设定,进而降低传统KNN和分类组合KNN,由于单纯类别个数的多少进行决策或者通过人为设定类别比例进行决策而引起的分类误差。通过在Fashion MNIST手写数据集进行实验,结果表明:该算法将传统的KNN算法分类正确率提高到97%左右,对实际应用具有一定的价值。

基于K均值聚类的天津市环卫车行驶工况研究

为真实反映天津市环卫车行驶状况,以天津市各行政区环卫车实际运行所采集路况数据为样本,提取出3036个运动片段构建天津市环卫车的典型工况。通过对特征参数矩阵进行标准化处理与主成分分析后,以K-means聚类方法将运动片段划分为3类。使用邻域搜索法合成类内工况,以最小误差原则选取最具代表性的类内工况构成时长1745 s的天津市环卫车典型工况。将合成工况特征参数与总样本进行对比,平均误差率为4.6%,验证了合成工况的有效性。结果表明,相较于C-WTVC国家标准工况等典型工况,天津市环卫车典型工况更能反映环卫车的实际运行情况。

基于k-d树的多波束点云边缘与孔洞提取算法

多波束测深数据广泛服务于水下地形测量。一些基于测深数据的应用需要提取测深数据的边缘轮廓和探测数据中的空洞。针对已有边缘识别算法执行效率低、边界点提取不完整等问题,通过分析点云模型的局部几何属性,提出一种新的基于k-d树的由粗到精的边缘提取算法。首先抽稀测深数据,基于k-d树建立散乱点云的拓扑关系;然后计算散乱点云法向量,采用距离及角度阈值法进一步提取孔洞与边缘轮廓点并去除错误识别的点;最后基于凹包算法,精确获取边缘轮廓点。在西太平洋海域的实验表明:相较于Alpha-shape和Boundary estimation算法,本算法能够更为精确地识别出散乱点云中的边界点,实用性强。

基于天气雷达的风切变识别研究

风切变是影响航空飞行和着陆安全的重要因素,为提升风切变的识别效果,首先利用“K-邻域频数”法对天气雷达数据进行质量控制,并针对不同的距离库讨论窗口尺寸对数据结果的影响。结果表明,采用多种窗口的质量控制能有效剔除噪声数据,并充分填补缺测点和缺测区域。其次对最小二乘法的识别区域进行改进,在雷达覆盖范围内各区域均有良好表现。使用直接差值滤波法和改进最小二乘法对阜阳地区的一次龙卷过程实例进行风切变的识别研究,对比两种方法的识别结果发现,在距雷达中心10 km内的区域,最小二乘法有较低的误识别率;在距雷达较远区域,该方法亦能精准识别风切变现象发生。

点云特征提取精简方法研究

为解决传统点云精简算法精简的点云特征易丢失、空洞较多等问题,提出基于邻域法向夹角和二分K-means聚类特征提取的点云精简算法。该算法利用点云邻域法向夹角提取出模型的整体特征点,将点云曲率作为二分Kmeans聚类算法的聚类特征,初步提取出模型的局部特征点;然后计算初步局部特征点的平均曲率,将大于平均曲率的点提取为最终的局部特征点,对模型进行特征保留,对非特征点则利用改进的体素精简法进行下采样;最后将提取出的整体特征点、局部特征点与非特征点合并,从而完成点云的简化。该算法与传统的精简法、其他文献中的方法相比,可获得更高的精度。

基于改进人工蜂群算法的云资源调度策略

针对云计算在任务调度中存在分配效率低、集群负载不均衡的问题,构建了多目标评价模型,并提出一种改进的人工蜂群算法的云资源调度策略。通过引入混沌因子来增强种群的多样性,结合动态因子与自适应k邻域动态调整邻域搜索半径,最后利用最优解有益信息和动态权重调整搜索步长以提高收敛速度。实验结果表明,改进的人工蜂群算法具有更优的收敛精度和速度,在任务耗时和负载均衡度上较对比算法NABC分别提高5.98%和18.10%。

基于混合算法的多机器人协作任务均衡规划研究

针对机器人完成任务不均衡问题展开分析,提出了基于混合算法的规划算法,包括适应度值分类的K-means聚类实现任务分配、黏菌算法提高整体搜索效率、头脑风暴算法机器人内进行局部更新操作和机器人间进行全局更新操作完成重规划操作、交叉操作和大规模邻域搜索操作用以更新个体.实验结果表明:基于混合算法的任务均衡规划方法能够均衡规划多机器人任务,优化任务规划结果,提升任务的完成效率.

特征提取的点云自适应精简

作为一种反映物体形貌的三维信息,点云数据的原始数据量十分庞大,直接对过多的数据进行操作会影响后续重建等工作。本文提出了一种新的点云特征提取自适应精简算法。首先对原始点云进行空间划分,构建点的k邻域,设置特征参数,进行特征分析,识别不同区域的信息和数据。然后针对平面数据预先进行边界的检测和提取,对剩余部分进行精简。最后,针对非平面区域,先提取特征,再根据曲率的不同进行不同程度的精简。办公室数据扫描实验结果表明,处理大小为百万以内点的点云模型可以在几秒之内完成,精简比能够达到90%以上,与原始数据间的误差较小:平面部分在精简前后平均偏差均在0.02mm以内,波动很小,为0.005 7mm;非平面区域精简前后的平均偏差均在0.08mm左右,差值仅为0.000 3mm,精简精度得以保证。因此,利用提出的算法处理后的数据能更好地展示物体的形貌。

基于核密度估计的散乱点云边界特征提取

为获得逆向工程中复杂散乱点云的边界特征,提出了一种基于k邻域点集核密度估计的边界特征识别与提取算法,通过R*树索引结构和动态扩展空心球算法实现样点k邻域点集的快速查询,将查询区域半径作为带宽对点集进行核密度估计,由核密度估计获得反映点集分布的模式点,依据模式点到样点的距离与带宽的比值判别边界点特征。实验结果表明,该算法能够快速、准确提取逆向工程中均匀及非均匀分布的散乱点云的边界特征。

通过相似度支持度优化基于K近邻的协同过滤算法

个性化推荐系统能基于用户个人兴趣为用户提供定制信息.此类系统通常使用协同过滤技术实现,其中一种广泛使用的经典模型是基于用户评分相似度的k近邻模型.使用k近邻模型需要预先计算出用户或者项目的k个最近邻居,k值过大时会导致计算量过大而影响推荐产生的实时性,而k值过小则会导致推荐精度下降.为解决此问题,该文中提出了一种新的最近邻度量——相似度支持度.基于相似度支持度,该文提出了数种能够在保持推荐精度和密度的前提下维持合理规模的k近邻的策略.在真实大规模数据集上的实验结果表明,相比传统算法,该文提出的策略能够在保证推荐精度的前提下大幅降低计算复杂度.

一种向量等价置换隐私保护数据干扰方法

近年来,隐私保护数据发布得到了研究者的广泛关注,聚类与隐藏原理上的差异使得面向聚类的隐藏成为难点.针对现有保距和保分布隐藏难以有效兼顾数据聚类可用性和隐私安全的不足,提出基于保邻域隐藏的扰动算法VecREP(vector equivalent replacing based perturbing method),通过分析数据点邻域组成结构,引入能够保持数据邻域组成稳定的安全邻域定义.进一步基于向量偏移与合成思想,提出有效保持邻域数据分布特征的等价置换弧.对任意数据点,采用随机选取位于其安全邻域内等价置换弧上点替换的策略实现隐藏.将算法与已有的RBT,TDR,Camp-crest和NeNDS算法进行实验比较,结果表明:VecREP算法具有与保距隐藏算法RBT相近的聚类可用性,优于其余算法,能够较好地维持数据聚类的可用性.同时,具有好于其余算法的数据隐私保护安全性.

采用聚类算法优化的K近邻协同过滤算法

协同过滤推荐是电子商务系统最重要的技术之一,而协同过滤技术中一种被广泛使用的算法就是基于用户评分相似度的K近邻算法.该算法简单有效,易于实现.但K近邻算法在决定待预测样本的预测评分时,并未考虑这K个最近邻与其隶属类别的关联程度.作为评分矩阵中的不同样本,由于它们对分类贡献各不相同,因此在评分预测时需要区别对待.本文采用中心聚类算法,先求出各样本与其所属类别的类别关联度,再利用类别关联度来区别对待待预测样本的K个最近邻.通过实验证明,优化后的K近邻算法能较好的提高推荐精度.