RLDEAO优化的空气质量数据聚类分析

对空气质量数据进行聚类,传统聚类方法因受初始点的影响,存在随机性高、聚类精度低以及多个中心点出现在同一簇中的问题,为此提出了一种反向学习差分进化天鹰优化器(RLDEAO)优化的K-means互补迭代空气质量数据聚类方法。天鹰优化器(aquila optimizer,AO)算法具有很强的探索能力,不易受初始点的影响且更易实现,但易陷入局部最优。基于自适应逐维小孔成像反向学习策略、停滞扰动结合莱维飞行策略以及生物进化策略等改进思想,对AO算法进行了改进,有效提高了搜索性能,避免了局部最优;在求取聚类中心点时,设计了一种加权最大最小距离积法(weighted maximum minimum distance product,WMMP),能反映各特征的重要性,对改进聚类结果作用良好;将RLDEAO与WMMP相结合优化K-means互补迭代,提高了搜索速率和搜索精度。通过在多个数据集上的聚类测试,发现RLDEAO-KMC算法的收敛精度和聚类效果较AO-KMC、FCM、KMC、KMC++算法更优。可知,RLDEAO-KMC算法可以更高效地对空气质量数据进行聚类分析,有针对性地做出预测和应对。

最短路—最大流交通分配法

为确定公路网各路段交通量,在最短路交通分配法的基础上,引入了求最短路上最大流的分析技术,提出了最短路上最大流交通分配计算方法。依据对公路网中不同路段初定的技术等级所具备的最大服务交通量和拥挤度的要求,确定出该路段的容许交通量,当路段所分配到的交通量累计达到这一量值时,及时地对路段技术等级进行调整,进而对该路段的路权与容许交通量进行适时的调整。算例表明:该计算方法有效地提高了交通分配过程中有关路权处理的整体质量,较现行的最短路交通分配法和交通容量限制分配法的分配结果更趋合理。

针对KMC局部最优问题的飞蛾捕焰优化方法

针对传统飞蛾捕焰(MFO)算法求解复杂函数时后期收敛速度慢与求解精度较低等问题,提出了一种基于快速收敛的飞蛾捕焰(RMFO)算法。采用最大最小距离积的方法来初始化飞蛾群,能够提高算法全局收敛速度并且优化解的质量,同时构造出MFO算法的适应度函数作为寻优函数。将RMFO算法和有K均值聚类算法(KMC)进行交叉迭代,构建基于RMFO优化的KMC算法,求解聚类中心时能够改善聚类性能,可以解决现有KMC算法选取初始聚类中心不确定陷入结果局部最优的问题。实验结果表明,通过用UCI国际通用测试数据库的Iris、Wine和Glass 3种数据集,对RMFO算法和优化KMC算法进行性能测试,提出的RMFO算法更加精准,收敛速度快,不易陷入局部最优解,同时,优化KMC算法的聚类性能更好。

灰色聚类决策归类原则探析

文章针对灰色聚类决策中经常采用的最大隶属原则、置信度准则、加权平均原则、最短距离原则等归类与排序原则在应用中的问题进行了分析,为解决常见归类原则所导致的评价对象不合理归类问题,特别是对于非等组距评语集的不适用性问题,提出了以评价对象综合评价值为依据的最小密度距离归类原则,并将其与加权平均排序原则相结合,实现评价对象的正确归类与排序。

基于抽样和最大最小距离法的并行K-means聚类算法

随着网络技术的发展和社会信息化进程的加快,数据规模迅速增长,传统的聚类算法很难满足海量数据的分析处理需求。针对目前K-means聚类算法处理海量数据时存在聚类效果不稳定、准确率不高等问题,本文基于MapReduce模型,采用抽样技术和最大最小距离法,在此基础上提出一种高效的并行K-means聚类算法。选用UCI数据集进行实验,结果表明该算法的收敛速度、聚类精度,以及在处理海量数据时的并行性能都得到了提高。

用木桶原理改进最大流算法

传统求网络最大流算法需要反复将网络图进行标号和增流,存在步骤繁复、计算量大的问题。本文提出了一种寻找最大流的改进标号法。此方法通过寻找网络中可能的最小割进行标号、分配流量,可以简化计算过程,提高运算效率。

基于随机跳跃蝠鲼算法优化的电影信息数据聚类

针对传统K均值聚类(K-Means Clustering,KMC)算法在对电影信息数据聚类的过程中,初始聚类中心选取随机性较大、聚类结果不稳定且算法容易陷入局部最优、影响迭代精度等不足,提出一种基于随机跳跃式翻滚觅食蝠鲼优化的K均值联合迭代聚类算法(MRRJRFO-KMC),实现对电影信息数据的聚类.首先,提出一种均值最大最小距离积法来初始化聚类中心,改善聚类中心选取的随机性,避免随机初始化对聚类结果造成的不稳定性.其次,在迭代的过程中加入蝠鲼觅食优化算法,并对蝠鲼觅食优化算法中螺旋觅食和翻滚觅食进行改进,提出一种随机跳跃式翻滚觅食蝠鲼优化的策略,解决了蝠鲼觅食优化算法易陷入局部最优的问题.将随机跳跃式翻滚觅食蝠鲼优化算法加入KMC算法,对KMC算法迭代过程中的聚类中心进行优化,提高了聚类精度.在Iris,Aggregation,Ecoli和Seeds国际标准数据集上对MRRJRFO-KMC算法、MRFO-KMC算法、KMC算法、K-Means++算法、模糊C均值(Fuzzy C-Means,FCM)聚类算法进行比较测试,实验结果表明,MRRJRFO-KMC算法和其他算法相比,准确性和收敛速度都有所提升.在电影信息数据处理过程中,该算法能够根据所给的信息进行有效的聚类,应用价值明显.

一种有效的Gk-prototypes聚类算法

针对传统的聚类算法对初始聚类中心敏感、只能对单一属性聚类且聚类效果有时欠佳等不足,提出了一种能处理数值属性和分类属性的Gk-prototypes聚类算法。在经典的k-prototypes聚类算法的基础上,利用去模糊相似矩阵来构造粗粒子集,结合粒计算和最大最小距离法确定初始聚类中心,并改进了目标函数。实验结果和理论分析表明,Gk-prototypes聚类算法与其他基于k-prototypes的改进算法相比,聚类更准确,有效性更好,鲁棒性更强。

中巴资源卫星02B星土地覆盖分类

为了能够将中巴资源卫星02B星更好地用于民用事业,需要对其数据进行精确研究以达到适合民用的目的。针对中巴资源卫星02B星CCD图像数据用监督分类中的最大似然法和最小距离法进行土地覆盖分类比较。通过分类精度评价的结果进行说明监督分类有效的用于该星分类,其分类图可以用于城市、土地、林业等动态变化监测。

基于改进最大相关最小冗余的选择性集成分类器

在构建选择性集成分类器时,寻找分类准确率高且差异性大的最优分类器子集至关重要。为平衡集成子集中基分类器的准确性和多样性,提出了一种基于改进最大相关最小冗余的选择性集成分类器(ImRMRSEC)。首先,将基分类器对验证集的预测结果视为一个个“特征”,把特征选择的思想扩展到集成分类器的约简问题中,基于最大相关最小冗余准则寻找基分类器子集。其次,引入Gram-Schmidt正交化求取“特征”的等价向量,替代原向量输入最大相关最小冗余算法中,并基于距离相关系数(DCC)衡量相关性。同时,利用序列浮动前向选择方法搜索最优子集。实验结果充分展示了所构建分类器卓越的设计性能。

基于Spark平台的K-means算法的设计与优化

聚类中心需要手动设置是K-means算法最大的问题,而通常情况是并不能确定现实中数据的分类情况。为了解决这一问题,提出了一种新的OCC K-means算法。不同于传统算法以随机选择的方式产生聚类中心,该算法进行必要的预处理,利用UPGMA和最大最小距离算法对数据点进行筛选,得到可以反映数据分布特征的点,并作为初始的聚类中心,以提高聚类的精度。从两次的实验结果可以对比出,在不同的数据集上,改进算法在衡量聚类效果的准确率、召回率、F-测量值上的表现要优于传统K-means算法。这是因为OCC算法选择的中心点来自于不同的且数据密集的区域,并在筛选的过程中排除了噪声数据、边缘数据对实验的干扰;同时为了契合大数据发展潮流,使用Scala语言在Spark平台进行了并行化实现,提高了算法处理海量数据的能力,并通过实验指标验证了算法具有良好的并行化能力。

逆幂律模型下Frechet分布序进应力加速寿命试验的统计分析

加速寿命试验是评估产品寿命的常用方法,被广泛用于工业产品寿命试验中以改善产品的性能,通过提高寿命试验的应力水平,以便更快地在正常条件下获得所需的产品信息。Frechet分布是极值分布理论中的重要分布之一,在更新理论及分支过程、经济学、水文气象学中均有重要的应用。针对逆幂律模型下寿命服从Frechet分布的产品,在应力为时间的一般线性关系下的序进应力加速寿命试验下进行统计分析。分别利用极大似然估计、MPS估计以及最小距离估计给出分布参数的点估计,并通过大量Monte-Carlo模拟试验对比3种估计方法的优劣,给出实际应用中对于不同的分布参数应选择的估计方法的建议。

基于GF-1号卫星影像的监督分类方法比较

高分1号(GF-1)卫星遥感影像已经成为土地利用和覆盖的重要数据源。文中通过对所选样区分别采用最大似然、最小距离、支持向量机等监督分类方法进行分类,并比较它们所得出的分类结果,从而来探讨监督分类方法在原理、技术、步骤及精度等问题方面的差别。