基于物联网的电力计量主站采集链路监测研究

为了有效监测采集链路,清晰呈现监测结果,设计了基于物联网的电力计量主站采集链路监测方法。利用无线传感器采集电力计量主站各环节采集链路的相关信息,并对信息进行预处理,通过主成分分析法提取链路相关信息特征,利用K最近邻分类算法分类识别降维后的特征信息,完成采集链路状态监测。实验结果表明:该方法可精准监测采集链路状态,数据更新速率较快,输出监测结果清晰度高。

基于Tomek链的边界少数类样本合成过采样方法

在类别不平衡数据集中,由于靠近类边界的样本更容易被错分,因此准确识别边界样本对分类具有重要意义。现有方法通常采用K近邻来标识边界样本,准确率有待提高。针对上述问题,提出一种基于Tomek链的边界少数类样本合成过采样方法。首先,计算得到类间距离互为最近的样本形成Tomek链;然后,根据Tomek链标识出位于类间边界处的少数类样本;接下来,利用合成少数类过采样技术(SMOTE)中的线性插值机制在边界样本及其少数类近邻间进行过采样,并最终实现数据集的平衡。实验对比了八种采样方法,结果表明所提方法在大部分数据集上均获得了更高的G-mean和F_(1)值。

融合过抽样和欠抽样的不平衡数据重抽样方法

在机器学习领域的研究当中,分类器的性能会受到许多方面的影响,其中训练数据的不平衡对分类器的影响尤为严重。训练数据的不平衡也就是指在提供的训练数据集中,一类的样本总数远多于另一类的样本总数。常用的不平衡数据的处理方法有很多,只探讨利用重抽样方法对不平衡数据进行预处理来提高分类效果的方法。数据抽样算法有很多,但可以归为两大类:过抽样和欠抽样。针对二分类问题提出了四种融合过抽样和欠抽样算法的重抽样方法:BSM+Tomek、BSM+ENN、CBOS+Tomek和CBOS+ENN,并且与另外十种经典的重抽样算法做了大量的对比实验,实验证明提出的四种预处理算法在多种评价指标下提高了不平衡数据的分类效果。

基于链接信息的网页分类算法

为了提高网页文本分类的准确性.克服传统的文本分类算法易受网页中虚假、错误信息的影响.提出一种基于链接信息的网页分类算法.通过对K近邻方法的改进.利用当前网页与其父网页的链接信息对网页实沲分类,用空间向量表示待分类网页的父链接信息。在训练集合中找到K篇与该网页链接信息向量最相似的网页,计算该网页所属的类别,通过实验与传统文本分类算法进行了对比,验证了该方法的有效性.

基于聚类方法的CAPP零件知识库构建

传统的零件分类一般根据零件编码从特征矩阵中得到分类结果,未能很好地表达各个零件之间的相似关系,对工艺设计也不能提供启发性的推理策略.此外,零件分类矩阵本身的相似性标准也难以确定,给零件的工艺制作带来了很多困难.为此,提出了一种利用聚类技术构造树型结构表达零件相似性的方法,并根据零件之间的相似性建立层次结构以进行动态分类,进而构建一种有自学习能力的零件知识库.考虑到机器智能的局限性,分类结果可能不尽合理,分类树又能够在自动压缩优化的基础上进行手工优化,并将优化结果记录于分类树中.该知识库能及时反映零件信息的动态更新,并对零件进行多层次、细粒度的动态分类,使零件分类粒度不受数据规模的限制,从而可以通过建立索引结构,实现自适应的工艺设计自动化.

链路质量感知无线传感器网络K近邻查询处理算法

针对现有传感器网络K近邻(KNN)查询处理算法没有考虑通信链路的质量,导致大量数据包需要重新传输从而产生高额能耗的问题,该文通过感知链路质量,提出了一种基于链路感知数据收集协议的K近邻查询处理算法(LAC-KNN)。算法通过链路感知的地理路由协议发送查询消息到离查询点最近的节点,并使用链路感知数据收集(LAC)协议沿着一条或多条路线收集查询结果。LAC可对从查询点到多个子区域的最近节点包含K近邻节点的查询区域进行动态分区,并在每个子区域中选择合适的簇头。仿真结果表明,LAC-KNN算法能耗高效,数据重传次数比现有方法大大减少。

微观交通仿真系统的近邻查询算法

为解决现有微观交通仿真系统中,由于采用基于链表的方法处理近邻查询导致的查询效率和可扩展性不高的问题,提出了一种基于B+树的近邻查询算法。该算法借鉴了数据库中近邻查询算法的思想并结合了链表结构的优点,在叶子节点维护了其存储的数据单元(即车辆)关系的索引结构,以达到快速查询车辆所在车道的前后车的目的。同时,在假设车辆随机分布的前提下,构建了一个数学模型,根据道路的属性和道路中车辆的数量,计算查询目标车辆的邻近车辆所需的最短平均查询长度,并通过此最短查询长度推导算法参数的最优值。理论分析和对比仿真实验显示,衡量该算法的主要指标:即仿真每个车辆的平均时间消耗,在三类常见的交通参数设置(正常的、较拥堵的和拥堵的)下较链表和B+树分别降低了64.2%和12.8%。仿真结果表明该算法具有良好的可扩展性,更适用于大规模微观交通仿真系统。

基于KNN的MIMO-OFDM系统链路自适应研究

针对传统模型难以建立信道状态与复杂MIMO-OFDM系统性能间的映射关系,结合监督学习在处理非线性问题中的优势,提出基于K-最近邻算法的自适应编码模型。以V-BLAST为基础模型,以处理信噪比SVDSNR作为信道特征,通过KNN对信道特征分类,从而建立信道特征与MCS切换间的映射关系。实验结果表明,在K=35,样本划分为7∶3时,MCS切换分类准确率最高;同时在相同实验条件下,本文提出的KNN自适应调制编码能快速适应信道环境,且BER和系统吞吐量都要明显优于传统查找表算法,说明此方法可行。