亲和传播聚类型电磁地图全覆盖重构算法

针对缺乏目标区域内电磁传播环境信息等先验信息情况下的电磁地图构建问题,提出了一种基于亲和传播聚类的由点及面再由点面融合完成目标区域电磁地图重构的新型算法,该算法首先依据实际情况对目标区域进行合适的栅格划分,并通过分布式感知节点实现电磁数据的采样,从中选出一定数量的聚类样点进行亲和传播聚类,确定样点中心的地理位置;然后针对残缺不完备的采样数据,采用克里金插值法预测重构出以聚类中心为圆心、一定半径范围内的小面积电磁地图;之后将所得的每个小面积电磁地图数据和节点所得数据进行域映射处理,获得目标区域大面积的电磁数据,最后通过融合重构出目标区域总体的电磁地图.仿真实验结果证明,所提算法优于现有的多种插值算法,并且在采样点占总数据点的比例为1%时,所得结果均方根误差小于1.5.

一种结合半监督的改进自适应亲和传播聚类

现有的自适应亲和传播聚类存在聚类时间长、精度低的缺点,提出了一种结合半监督的改进自适应亲和传播聚类(SAAP)。它首先利用半监督学习更新相似度矩阵,而后在亲和传播聚类的基础上,通过基于二分法判断实现自适应搜索有效聚类数空间,最后由加权评价函数确定最佳聚类。经实验证明,SAAP算法可以更快速地扫描有效聚类空间,并能够得到较小的错分率和较高的有效性评价。

基于亲和传播的动态社会网络影响力扩散模型

影响力最大化模型研究是近来社会网络的一个热点问题,然而传统的独立级联模型以静态网络中为基础,且激活概率一般设定为固定值。提出一种加入衰减因数的动态社会网络影响力扩散模型—DDIC模型,其采用亲和传播来计算节点之间的激活概率,依据时间片对社会网络进行动态切分,使激活概率在不同时间片中实现了有效关联。实验结果表明DDIC模型中种子节点有更多机会激活它的邻居节点,且采用亲和传播计算出的影响力值能更准确地体现DDIC模型的传播过程。

基于亲和传播算法的车辆自组织网络分簇组网方法

随着5G通信和自动驾驶汽车的发展,车辆自组织网络VANET(Vehicular Ad Hoc Network)作为一种新型的移动自组织网络,因其在改善道路安全、为驾驶员和乘客提供便利方面的潜力,而引起学术界和工业界的广泛关注。它可以通过提供交通流量、事故通知、危险警告、可能存在的定位偏差、天气等信息来增强道路安全,从而提高交通效率。由于车辆的高速移动会经常引起网络拓扑中断,因此一个设计良好的路由协议至关重要。提出了一种适用于车辆自组织网络环境的基于分簇的路由协议,设计并实现了一种基于亲和传播算法的分簇组网模型V-APC(VANET-Affinity PropagationClustering)。通过重新定义亲和传播算法的相似函数,设计了簇头的选择过程、簇的形成过程还有簇的维护过程。结果表明:采用上述方法形成的簇,在簇内的通信性能和簇稳定性方面具有显著优势,使得该协议在路由延迟和数据包转发成功率方面表现优异。

《基础日语》课程思政教学研究——以增强国际传播亲和力和实效性为中心

《基础日语》课程作为日语专业核心课程,具有教学时间长、教学内容广泛、与学生共同学习机会多、影响力大等特点,此外,该课程内容文化内涵丰富,为教师拓展课堂教学,实现与课程思政的教学融合提供了便利条件。本文以《基础日语》课程为例,对《新编日语》(重排本)教材中的思政元素进行深入挖掘,详细阐述微课制作,教学设计、实施的全过程,为日语课程思政微课教学提供具体的案例支持,以期解决长期以来高校专业课程和思政课程在价值引领和育人导向上各自为政的“两张皮”现象,帮助日语专业学生有效提升跨文化交际能力,树立文化自信,增强民族自豪感。

基于简化HMM和时间分段的非侵入式负荷分解算法

针对现有非侵入式负荷分解算法需要以过去时刻的分解结果为依据,从而造成误差累积的问题,提出一种基于简化的隐马尔可夫模型和时间分段的非侵入式负荷分解算法,以实现居民家庭的负荷分解。对负荷的低频功率信号进行分层抽样和聚类分析,构建负荷功率模板并利用独热码对超状态进行编码表示。基于简化的隐马尔可夫模型和普遍生活规律对家庭用电时间段进行划分,在每个时间段内单独训练参数。结合总线数据和各时间段参数实现对各时刻负荷功率的独立求解。基于2种国外公开数据集的测试结果验证了所提算法的准确性和实时性。

考虑节点功率储备与GIN中心性的主动配电网动态集群电压控制

为应对大规模分布式光伏(photovoltaic,PV)接入引起的主动配电网电压越限问题,降低控制策略的时序复杂性,提出一种考虑节点功率储备与节点影响力(global importance of each node,GIN)的主动配电网动态集群电压控制方法。首先,通过考虑系统各节点的功率储备度,定义聚类算法的电压灵敏度-功率储备度(voltage sensitivity-power reserve,VS-PR)综合电气距离量度。进而,以GIN算法改进亲和力传播(affinity propagation,AP)聚类算法,实现网络集群划分与主导节点选取。然后,建立主动配电网集群电压控制模型,并通过动态粒子群算法(dynamic particle swarm optimization,D-PSO)进行模型求解。最后,通过建立基于MATLAB 2021b平台的IEEE 33节点仿真算例对比分析,验证了所提动态集群划分与电压控制方法的正确性和有效性。

中国面向东盟国家的精准传播路径

随着国际局势复杂发展,东盟国家成为未来一段时间中国外交发展的重点地区。近年来我国虽然通过区域媒体合作、文化产品输出等方式在这一区域传播影响力不断扩大,但在精准传播,适应当地传播环境建设方面,仍面临着对东盟各国传播针对性较弱、核心价值观念传播分散、对民众影响力有限等问题,严重影响了对这一地区传播的有效性。因此,为增强对这一地区传播的亲和力和时效性,创新针对性本土传播策略、培养针对性复合型传播人才、发挥重点话语主体主观能动性成为未来对这一地区传播的重要优化方向。

亲和力传播聚类在市域公路网节点重要度计算中的应用

为了从根本上消除传统的公路网节点重要度聚类方法因各指标求和而削弱节点差异性的弊端,引入亲和力传播(AP)聚类算法对节点指标的主成分进行聚类,并转化为真实指标下的聚类结果,根据交通量预测及节点聚类结果按需布设公路线路。以某市公路网规划作为研究实例,对规划方案进行评价分析。结果表明,本文提出的公路网规划方案改善了研究区域当前路网的运行质量,并在规划年份能够与运输需求的增长相匹配。

基于VMD和AP聚类的结构损伤识别方法

为了能够用少量无标签监测数据识别结构损伤状态,提出一种创新的损伤识别方法。首先将试验中各个长标距光纤布拉格(FBG)传感器测得的动态响应数据进行变分模态分解(VMD),提取分量信号(IMF)的时域特征和频域特征,通过Relief-F算法选择出各个传感器信号的敏感特征,组合成敏感特征集输入亲和传播(AP)聚类算法中进行损伤识别。本文采用两组不同的试验来验证方法的效果和鲁棒性,在两组试验中分别获得了100%和98.7%的损伤识别率,结果表明方法具有实际应用价值。

基于多层次聚类的纹理图像分割算法

提出了一种基于多层次聚类的算法,此算法相对传统算法降低了空间和时间复杂度,并减少了对参数的敏感度,适合处理大规模数据集.该算法包括粗分、代表点聚类和细分三个阶段.首先,利用亲和传播聚类(AP)算法对所有数据进行粗分,为了节省空间和时间,仅考虑每个点和离自己最近的t个近邻之间的相似度,所以构造的相似度矩阵远远小于原始AP算法所构造的相似度矩阵;其次,为了进一步提高效率和性能,在第二阶段采用密度峰值算法(FDP)对上一阶段所得结果进行再划分;最后,结合两个阶段划分的结果得到所有数据的划分.实验表明:所提算法可以快速准确地进行图像分割,和经典聚类算法FCM(模糊C均值)、Kmeans以及SOM(自组织映射)的对比实验也证明了所提算法的有效性.