改进K-SMOTE随机森林算法在地震信息发布安全风险评估中的应用研究

为有效地提高地震监测、预警、灾情评估等信息发布的安全性提出一种改进型K-SMOTE随机森林(RF)方法构建地震信息安全风险评估模型。该模型通过改进K-SMOTE算法中运用混合采样获得均衡度高的样本集,然后使用随机K折交叉验证方法进行样本划分与模型优化,最终实现目标安全风险等级评估。对实际地震信息发布案例进行评测,文章所提方法构建模型评估准确率为92%,模型精确率和查全率分别为0.81和0.92,模型泛化能力强,能有效用于地震信息发布安全风险评估。本研究为完善地震信息发布安全评估体系、改进地震信息发布环境、降低安全风险提供了参考。

基于Alt-Geohash编码的k-匿名位置隐私保护方案

在对享受基于位置服务(LBS)用户进行位置隐私保护时,传统k-匿名技术在执行匿名操作时没有全面考虑时间开销和位置背景信息。针对上述问题,提出了一种基于Alt-Geohash编码的k-匿名位置隐私保护方案(k-anonymous location privacy protection scheme based on Alt-Geohash coding,KLPPS-AGC)。首先,通过位置泛化和Alt-Geohash编码技术实现对历史数据的快速检索;其次,根据历史查询概率筛选出能与用户构建高位置熵的位置;再次,利用海伦公式改善匿名集的位置分散度;最后,构建安全匿名集实现对用户的位置隐私保护。实验证明,该方案拥有较低的时间开销和较高的隐私性。

基于改进K-means算法的室内可见光通信O-OFDM系统信道均衡技术

在室内可见光通信中符号间干扰和噪声会严重影响系统性能,K均值(K-means)均衡方法可以抑制光无线信道的影响,但其复杂度较高,且在聚类边界处易出现误判。提出了改进聚类中心点的K-means(Improved Center K-means,IC-Kmeans)算法,通过随机生成足够长的训练序列,然后将训练序列每一簇的均值作为K-means聚类中心,避免了传统K-means反复迭代寻找聚类中心。进一步,提出了基于神经网络的IC-Kmeans(Neural Network Based IC-Kmeans,NNIC-Kmeans)算法,使用反向传播神经网络将接收端二维数据映射至三维空间,以增加不同簇之间混合数据的距离,提高了分类准确性。蒙特卡罗误码率仿真表明,IC-Kmeans均衡和传统K-means算法的误码率性能相当,但可以显著降低复杂度,特别是在信噪比较小时。同时,在室内多径信道模型下,与IC-Kmeans和传统Kmeans均衡相比,NNIC-Kmeans均衡的光正交频分复用系统误码率性能最好。

k-center问题的算法研究综述

k-center问题是设施选址的基础问题,同样是NP难问题,在分配、紧急服务等领域也有着实际的应用。随着问题规模的扩大,原有的算法已不再适用,需要进一步优化或者改进。为了找到求解该问题的高效算法,对现有算法进行研究。对各类求解k-center问题的算法进行梳理,将求解算法划分为精确算法、启发式算法、元启发式算法、近似算法等,从算法原理、改进思路、性能和精度等方面进行对比综述。精确算法在求解小规模k-center问题时可在多项式时间内得到最优解,但是算法效率低,不适用于大规模问题;启发式算法可以在多项式时间内给出相对最优解,但是没有理论保证,无法衡量与最优解的关系;元启发式算法可对目前存在的智能优化算法进行改进,给出相对最优解,但是解的质量无法保证;利用近似算法得到的解具有近似比保证,有较大的理论研究价值,但是实用价值较弱。目前求解k-center问题的元启发式算法已取得一定的研究成果,但是在求解时间、求解规模、算法效率等方面仍待突破,这将是未来k-center问题的研究重点。

基于k-center聚类和最近邻中心的公平数据汇总

公平数据汇总是指从每种数据类别中选择有代表性的子集,且满足公平性要求。在大数据时代,每种类别的数据都是海量的,因此公平数据汇总研究具有非常重要的现实意义。为了使公平数据汇总的数据点更具有代表性,提出了基于k-center聚类和最近邻中心的公平数据汇总算法。算法主要包括2个基本步骤:(1)通过k-center聚类,将k个簇中心作为当前汇总结果;(2)选择满足公平约束的原簇中心的最近邻点作为新簇中心。由于更新簇中心时选择的是原簇中心的最近邻点,因此相对随机选择的数据点,最近邻点更具有代表性,是除原始簇中心外的次优代表点。同时,寻找最近邻点作为新的簇中心能最大限度减少公平代价。在2个模拟数据集和6个UCI真实数据集上的对比实验结果表明,所提出的算法在近似因子和公平代价方面都优于对比算法,说明所提出的算法获得的数据汇总更具有代表性。

国际K-12人工智能教育实证研究现状与启示——一项系统性文献综述

随着智能时代到来,人工智能教育逐渐从高等教育扩展至K-12阶段,并成为研究焦点。为了解国际K-12人工智能教育研究现状,运用系统性文献综述法,对WebofScience、ScienceDirect、Wiley和ERIC等数据库中发表于2020—2024年的实证研究文献进行梳理和总结。结果表明,该领域文献数量逐年上升,亚洲地区发文量领先;研究主要集中于中小学阶段,对学前阶段关注度较低;研究方法主要采用实验设计和混合方法,新兴研究方法应用有限;研究主题聚焦于“人工智能课程开发”“学生学习动态”“教师专业发展”三个方面,其中“人工智能课程开发”主题涵盖“整合形式”“内容模块”“教学方法”“教学工具”及“学习成果评估”五个二级指标。基于文献综述结果,建议未来研究加快探索学前阶段人工智能教育;推动情境化人工智能课程开发;整合正式课程与非正式学习;合理延长课程周期;鼓励使用设计导向学习方法和真实数据;构建标准化学习成果评估。

menD表达强度对枯草芽孢杆菌中维生素K2产量的影响

维生素K2(Vitamin K2,MK)是一种重要的天然化合物,在治疗多种疾病方面都有着重要的作用。为探究枯草芽孢杆菌甲萘醌途径中关键基因menD表达量的不同对于细菌生长、生物膜形态与MK合成的影响,以枯草芽孢杆菌168(Bacillus subtilis 168,BS168)为出发菌株,构建BS168-ΔmenD、BS168-P_(43)-menD、BS168-P_(xylA)-menD突变菌株,使用HPLC检测菌株中MK的含量,使用western-blot检测蛋白质的表达强度,以确定menD在枯草芽孢杆菌中对于MK合成的作用。研究发现,BS168-ΔmenD菌株生长缓慢,无法很好的产生生物膜,在培养基中需要添加甲萘醌标准品细胞才能生长;BS168-P_(43)-menD、BS168-P_(xylA)-menD突变菌株的生物膜和MK的含量与原始菌株都有较为显著的差异。静态发酵时,孔板中重组菌株BS168-P_(43)-menD、BS168-P_(xylA)-menD生物膜的形成量和褶皱程度相较于原始菌株得到较大的提升,BS168-P_(43)-menD、BS168-P_(xylA)-menD重组菌株的生物膜形成量分别为原始菌株的1.36倍与1.59倍,同时,BS168-P_(43)-menD、BS168-P_(xylA)-menD MK产量分别为原始菌株的1.64倍和1.87倍,BS168-P_(xylA)-menD的最大产量达39.27 mg/L。结果表明,作为枯草芽孢杆菌中MK合成途径的关键酶,menD的表达量是影响枯草芽孢杆菌中生物膜与MK形成的重要因素。

GYK运行记录智能分析系统研究

针对目前GYK运行记录分析主要采用人工分析和统计方式,存在误看、漏看等人为差错,以及日渐增加的轨道车需要投入大量人力等问题,探索性地开展了GYK运行记录智能分析系统的研究。该系统由浏览器用户终端和服务平台组成,采用B/S架构,基于J2EE技术框架开发,综合运用K-means聚类算法、Apriori算法等,对GYK运行记录中的关键项点进行智能分析,并自动给出分析结论,可提高GYK运行记录数据分析的工作效率,及时发现违章行为,促进标准化作业,进而加强对轨道车的安全运用管理。该系统已通过国铁集团技术评审,能够满足GYK运行记录智能分析工作的需要。

基于改进N-K模型的地铁盾构掘进安全风险耦合研究

为预防和控制地铁盾构掘进施工过程中的关键安全风险,并精准判断哪些风险耦合情境是导致事故发生的显著情境,提出改进N-K模型研究地铁盾构掘进安全风险耦合;综合运用文献研究、事故案例、专家访谈等方法,辨识地铁盾构掘进的关键安全风险因素;基于N-K模型提出新的地铁盾构掘进安全风险耦合评估模型,并选用安全事故案例验证该模型的适用性。结果表明:辨识得到地铁盾构掘进关键安全风险因素清单,包括4类一级风险因素,21个二级风险因素;地铁盾构掘进施工安全风险随着耦合因素种类的增加而变大,4因素风险耦合值最高,3因素风险耦合值次之,双因素风险耦合值最低,作业人员安全意识薄弱和机械故障参与作用的耦合情境更容易发生安全事故。

基于邻域K-shell分布的关键节点识别方法

复杂网络中关键节点的精准识别对于网络结构稳定和信息传播起着至关重要的作用。传统K-shell方法仅通过节点在网络中所处位置对节点的重要性进行评估,导致区分度不高。基于此,综合考虑了节点的全局信息和局部信息对节点重要性的影响,提出一种基于邻域K-shell分布的关键节点识别方法。该方法通过节点邻域Ks值定义节点的熵,从而反映邻居节点的K-shell分布特征。通过11个网络数据集上的仿真实验,验证了所提方法能够更准确地识别并区分复杂网络中的关键节点。

基于改进TextRank的科技文本关键词抽取方法

针对科技文本关键词抽取任务中抽取出现次数少但能较好表达文本主旨的词语效果差的问题,提出一种基于改进TextRank的关键词抽取方法。首先,利用词语的词频-逆文档频率(TF-IDF)统计特征和位置特征优化共现图中词语间的概率转移矩阵,通过迭代计算得到词语的初始得分;然后,利用K-Core(K-Core decomposition)算法挖掘KCore子图得到词语的层级特征,利用平均信息熵特征衡量词语的主题表征能力;最后,在词语初始得分的基础上融合层级特征和平均信息熵特征,从而确定关键词。实验结果表明,在公开数据集上,与TextRank方法和OTextRank(Optimized TextRank)方法相比,所提方法在抽取不同关键词数量的实验中,F1均值分别提高了6.5和3.3个百分点;在科技服务项目数据集上,与TextRank方法和OTextRank方法相比,所提方法在抽取不同关键词数量的实验中,F1均值分别提高了7.4和3.2个百分点。实验结果验证了所提方法抽取出现频率低但较好表达文本主旨关键词的有效性。

基于DEMATEL/N-K的机坪管制系统运行风险因素耦合分析

为了分析机坪管制系统风险因素的耦合性,将决策实验室分析(DEMATEL)模型与N-K模型相结合形成新的风险因素耦合分析模型。首先,利用N-K模型对2017—2019年机坪管制运行不安全事件进行耦合分析,计算不同耦合方式的耦合值;然后,利用DEMATEL模型计算安全风险因素的影响度和被影响度,确定要素的中心度排序,通过DEMATEL模型得到的综合影响矩阵计算可达矩阵,用来分析风险因素的可达性,最后,利用风险因素耦合值对各风险节点的中心度进行修正,获得关键的风险因素。基于实际运行数据,通过DEMATEL/N-K模型分析机坪管制系统的关键风险因素。结果表明,人为因素和机械因素之间的耦合程度明显更高,即更容易导致事故的发生,其中地面保障人员操作出错或未有效观察航空器造成航空器或地面保障设备故障是重点防控的对象。此外,在夜晚或雨天等视线条件下工作,更容易发生不安全事件,应当采取措施控制此类风险。

基于数据流的K-S变化检测的动态多目标规划算法

为了更加准确地判断环境是否发生变化并快速追踪动态多目标规划问题(dynamicmulti-objectiveoptimization problem,DMOP)当前时刻的Pareto前沿,提出了一种基于数据流的Kolmogorov-Smirnov(K-S)变化检测的动态多目标规划(DSK-SDMOP)算法。该算法以NSGA-Ⅱ为基础,通过数据流建立2个时刻的检验窗口,再利用K-S检验基于数据流的Pareto最优前沿是否发生变化,检测2个窗口的数据是否服从同一分布来判断环境是否发生变化,并就环境变化的剧烈程度实行相应的应答机制,以提高对环境的适应程度。利用基于数据流的K-S检测方法,对环境变化不会过于敏感,而且不用提前假设对应目标值的分布,易于操作。通过5个动态多目标规划标准测试函数对该算法进行测试,并和现有的2种算法进行对比分析,结果表明该算法处理动态多目标规划问题具有良好的性能。

基于VMD-WK-OPLS的短期风速动态预测

针对短期风速存在随机性、不稳定性难以建立准确预测模型,提出变分模态分解(VMD)和小波核潜在结构正交投影(WK-OPLS)的VMD-WK-OPLS预测模型,实现动态短期风速估计。首先利用VMD将风速序列分解为不同限带内的子模态,以降低短期风速非平稳性对预测结果的影响,然后对子模态分别建立WK-OPLS预测模型,并利用时滞差分(DTD)的策略对各模型动态更新,最后将各子模态预测结果组合得到最终短期风速预测值。通过宁夏风场风速序列进行验证,结果表明,本文所提出的VMD-WK-OPLS模型与EEMD-IDE-LSSVM、VMD-IDE-LSSVM、EEMD-WK-OPLS、VMD-WK-OPLS等三种模型相对比,在短期风速预测精度上得到显著提高。

TRPC1与BK-α的表达对大鼠糖尿病肾病的影响

目的 探究瞬时受体电位C1(transient receptor potential channel 1,TRPC1)蛋白和大电导钙离子激活钾通道α亚单位(large conductance Ca^(2+)-activated K^(+)channel α subunit,BK-α)蛋白对大鼠糖尿病肾病(diabetic kidney disease,DKD)的影响。方法 将SD大鼠随机分为对照组(n=15)和模型组(n=15)。利用高脂饲料和链脲佐菌素(streptozocin,STZ)构建DKD模型。采用血糖分析仪检测大鼠血糖变化;采用全自动生化分析仪检测大鼠肾功能水平;HE染色检测肾组织的病理变化以确定造模成功。实时荧光定量PCR(RT-qPCR)和蛋白免疫印迹分别检测肾组织TRPC1和BK-α的mRNA和蛋白表达水平;免疫组化检测TRPC1和BK-α的分布和表达情况。结果 模型组大鼠空腹血糖(fasting plasma glucose,FPG)、尿白蛋白排泄率(urinary albumin excretion rates,UAER)、血尿素氮(blood urea nitrogen,BUN)和肌酐(creatinine,Cr)均显著高于对照组(P <0.01);模型组大鼠肾小管内壁细胞出现膨胀现象,部分细胞脱离;可见肾小管发生病变或死亡;此外,在许多肾小管及肾间质区域发现有中性白细胞及其残骸;以上HE染色结果提示,DKD模型复制成功。TRPC1和BK-α在肾小球部位最为丰富,且模型组大鼠肾组织中TRPC1和BK-α的mRNA和蛋白水平都显著高于对照组(P <0.05)。结论 大鼠糖尿病肾病影响TRPC1和BK-α在肾组织中的分布和表达。

恒静载降K法测定焊缝疲劳裂纹扩展门槛值研究

焊接残余拉应力会显著降低焊接接头疲劳性能,因此,焊接结构疲劳寿命评估参数的测定应对焊接残余应力予以充分考虑.为测得考虑焊接残余应力影响条件下的疲劳裂纹扩展门槛值,本文提出通过设定恒定平均外载以等效残余应力作用,进而逐级降低裂尖应力强度因子范围(ΔK)测得焊缝疲劳裂纹扩展门槛值的方法,即恒静载降K法.通过与ASTM E647-15等标准推荐测试方法所得结果对比,探究了恒静载降K法测量值适用性;通过扫描电镜(SEM)、电子背散射衍射(EBSD)等手段观察,对比分析了不同测量方法近门槛值载荷下的裂尖材料疲劳断口和变形行为.结果表明:采用恒静载降K法测量焊缝疲劳裂纹扩展门槛值最低,采用恒最大应力强度因子(K_(max))降载法的测量值次之,采用恒应力比(R)降载法的测量值最高.对比不同裂纹尖端K_(max)设定对门槛值测量的影响,发现随着K_(max)增大,门槛值测量值先快速下降,随后趋于平稳;采用恒静载降K法测定过程中K_(max)呈逐渐上升趋势,相应的门槛值测量值最低.疲劳断口显示,随着外加平均载荷增大,在近门槛值阶段断口形貌由疲劳辉纹转变为微区解理断裂;基于EBSD表征计算的裂尖材料几何必需位错密度表明,随着近门槛值外载的平均载荷增大,裂纹尖端位错密度增加.

光伏波动平抑下改进K-means的电池储能动态分组控制策略

针对电池储能系统(battery energy storage system,BESS)进行光伏波动平抑时寿命损耗高及荷电状态(state of charge,SOC)一致性差的问题,提出了光伏波动平抑下改进K-means的BESS动态分组控制策略。首先,采用最小最大调度方法获取光伏并网指令。其次,设计了改进侏儒猫鼬优化算法(improved dwarf mongoose optimizer,IDMO),并利用它对传统K-means聚类算法进行改进,加快了聚类速度。接着,制定了电池单元动态分组原则,并根据电池单元SOC利用改进K-means将其分为3个电池组。然后,设计了基于充放电函数的电池单元SOC一致性功率分配方法,并据此提出BESS双层功率分配策略,上层确定电池组充放电顺序及指令,下层计算电池单元充放电指令。对所提策略进行仿真验证,结果表明,所设计的IDMO具有更高的寻优精度及更快的寻优速度。所提BESS平抑光伏波动策略在有效平抑波动的同时,降低了BESS运行寿命损耗并提高了电池单元SOC的均衡性。

基于特征分箱和K-Means算法的用户行为分析方法

针对网购用户所产生的购物行为进行分析,首先通过数据处理构建客户关系管理模型(RFM模型),在此模型的基础上采用特征分箱法和K-Means聚类两种方法对用户进行细分,并对2种模型结果进行比较分析,讨论二者的差异性和具体的应用范围和意义.其中,基于特征分箱法的RFM模型将变量转化到相似的尺度上并将变量离散化,使得用户分类标签更加清晰,也可依据各类标签分类出不同类型的用户.K-Means算法通过轮廓系数评估聚类算法质量以至于选取最优K值.本文实验分析结果可为运营商提供更加可靠直观的数据,使得运营商可以根据不同用户的不同行为进行市场细分,进而进行精准营销和服务设置.

加入跳跃连接的深度嵌入K-means聚类

现有的深度聚类算法大多采用对称的自编码器来提取高维数据的低维特征,但随着自编码器训练次数的不断增加,数据的低维特征空间在一定程度上发生了扭曲,这样得到的数据低维特征空间无法反映原始数据空间中潜在的聚类结构信息.为了解决上述问题,本文提出了一种新的深度嵌入K-means算法(SDEKC).首先,在低维特征提取阶段,在对称的卷积自编码器中相对应的编码器与解码器之间以一定的权重加入两个跳跃连接,以减弱解码器对编码器的编码要求同时突出卷积自编码器的编码能力,这样可以更好地保留原始数据空间中蕴含的聚类结构信息;其次,在聚类阶段,通过一个标准正交变换矩阵将低维数据空间转换为一个新的揭示聚类结构信息的空间;最后,本文以端到端的方式采用贪婪算法迭代优化数据的低维表示及其聚类,在6个真实数据集上验证了本文提出新算法的有效性.

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。