基于粗糙熵加权密度的电网调控系统异常检测

针对调控系统运行过程中出现的异常状态,提出基于粗糙熵加权密度的智能电网调控系统运行异常数据检测方法。采用粗糙集对电网调控系统运行数据进行分析和推理;利用隶属度的割关系方法,将复杂的不确定关系转化为布尔数据并排序;基于对象加权密度对智能电网调控系统运行中出现的异常数据进行检测,实现对调控系统各种功能异常状态数据准确识别。采用真实电网调控系统数据对所提方法进行验证,结果表明:该方法与传统异常状态识别方法相比,具有更高准确率和更低漏判率。

基于加权密度Canopy的K-means文本聚类

针对现有文本聚类性能不高的问题,提出了一种改进质心初始化的K-means文本聚类算法.该算法首先利用Canopy算法进行文本预聚类,并且对Canopy算法的阈值选取策略进行改进,定义加权密度进行Canopy中心的选取,得到更准确的聚类数以及初始聚类中心;然后将所得结果作为K-means算法的初始化参数进行后续迭代聚类,有效解决了传统算法因随机选取初始聚类中心而陷入局部最优解的问题,减少了算法的迭代次数,提高了聚类准确性.实验结果表明:与其他同类型算法相比,该算法在文本聚类分析中更具优势.

成品油销售企业密度差盈亏及加权密度分析

成品油销售企业对什么是密度差赢油以及油品加权密度是否合理的争论一直存在着,这有对什么是密度差赢油和什么是加权密度认识不清的原因,也有对加权密度的基本功能理解不透的原因。本篇就什么是密度差赢亏、什么是加权密度以及实施地罐交接后加权密度的应用进行剖析,希望对成品油销售企业日常工作有些许帮助。

离散小波系统的加权密度

引入了一类新的连续小波变换,该变换的缩放因子指数大于0,其弱收敛意义上的重构公式被给出。在此基础上,相应于此类连续小波变换的离散小波系统、过采样离散仿射小波系统及它们的仿射Beurling密度、加权仿射Beurling密度定义也被给出。验证了新给出的离散小波系统具有一致仿射Beurling密度,新给出的过采样离散仿射小波系统具有一致加权仿射Beurling密度,并且两者的值相等。

磁共振脂肪抑制质子密度加权序列诊断骨关节外伤性骨髓水肿的价值

目的:分析磁共振脂肪抑制质子密度加权(PDWI-FS)序列诊断骨关节外伤性骨髓水肿(BME)的价值。方法:选取150例骨关节外伤患者为研究对象,均行矢状位PDWI-FS序列扫描及MRI常规序列扫描,比较两种方法对BME的检出情况、信号强度、图像质量、病灶信噪比及对比噪声比。结果:两种检查方法均显示150例骨关节外伤患者中134例存在225处BME征象,以膝关节外伤患者中多见。PDWI-FS序列显示病灶信号强度主要为3级,占比97.78%(220/225),MRI常规序列显示主要为2级,占比43.11%(97/225),且两种检查方法显示不同强度存在统计学差异(Z=15.919,P<0.05)。PDWIFS序列显示病灶清晰程度、空间分辨力、图像变形及诊断信心评分[(4.09±0.45)分、(3.65±0.42)分、(3.25±0.37)分、(4.21±0.38)分]均高于常规序列[(3.88±0.39)分、(3.41±0.36)分、(3.14±0.35)分、(3.97±0.34)分],且差异均有统计学意义(t=4.319,t=5.314,t=2.645,t=5.765;P<0.05)。PDWI-FS序列显示病灶信噪比及周围组织对比噪声比[(2.07±0.23)、(5.52±0.64)]均大于常规序列[(2.01±0.22)、(5.17±0.59)],且差异有统计学意义(t=2.309,t=4.925;P<0.05)。结论:较MRI常规序列而言,磁共振PDWI-FS序列能有效提高图像质量和病变显示效果,可为骨关节外伤性BME的诊断提供更准确的诊疗信息。

基于联合加权谱密度的结构振型频域识别方法

针对传统加权谱密度(weighted spectral density,WSD)法中加权函数指数因子选取不当导致模态振型识别精度降低的问题,建立基于联合WSD的结构振型频域识别方法,提升了WSD方法的识别精度及适用范围。根据盲源分离与振型叠加法的相似性,采用WSD方法对结构振动信号进行解耦与分离;利用预设的多个加权密度矩阵构建三维张量加权谱,并采用平行因子2模型自适应选取加权函数指数因子;在此基础之上,引入最小谱方差评判准则进行评价,从而实现模态振型分离矩阵的精确估计。三自由度系统理论模型的模态振型识别结果表明:所提方法能准确获取各阶模态振型所对应的最优加权函数指数因子,针对结构模态振型的识别精度均优于传统频域分解法和二阶盲辨识方法,即使在数据较短、频谱毛刺严重时仍具有较高的识别精度,为建筑结构模态振型识别提供了一种新的识别算法。

一种基于加权概率密度的上下文离群检测算法

采用加权概率密度,提出一种上下文离群数据检测算法。利用高斯混合模型和稀疏度矩阵,确定相关子空间;在相关子空间中,采用加权概率密度局部异常因子公式,计算数据对象的离群因子,可以有效反映和刻画数据对象与其周围数据对象的不一致程度;选取离群因子最大的N个数据对象为离群数据,并将离群因子、相关子空间属性取值、局部数据集作为其上下文信息,有效地改善了离群数据的可解释性;采用人工和UCI数据集,实验验证了算法的有效性。

增量式稀疏密度加权孪生支持向量回归机

密度加权孪生支持向量回归机(DWTSVR)是一种能够反映数据内在分布的回归算法,具有预测精度高和鲁棒性强等优点,然而其并不适用于训练样本以增量形式提供的场景。针对该问题,提出一种增量式稀疏密度加权孪生支持向量回归机(ISDWTSVR)。首先,辨别新增数据是否为异常样本,并赋予有效样本适当的权重,减小异常样本对模型泛化性能的影响;其次,结合矩阵降维与主成分分析思想筛选出原始核矩阵中的一组特征列向量基代替原特征,实现核矩阵列稀疏化,以获得稀疏解;接着,借助牛顿迭代法和增量学习策略对上一时刻的模型信息进行调整,实现模型的增量更新,同时结合矩阵求逆引理避免增量更新过程中直接求解逆矩阵,进一步加快训练速度;最后,在UCI基准数据集上进行仿真实验,并与现有代表性算法进行比较。实验结果表明,ISDWTSVR继承了DWTSVR的泛化性能,在大规模数据集Bike-Sharing上,新增一个样本模型更新平均CPU时间为5.13 s,较DWTSVR缩短了97.94%,有效地解决了模型必须从头开始重新训练的问题,适用于大规模数据集的在线学习。

密度加权平均中间算子及其在多属性决策中的应用

针对已有的信息集结算子没有考虑属性信息分布疏密程度的情况,研究了一维数据聚类的问题,并给出一种一维聚类的方法.在此基础上,开发了密度加权平均(DWA)中间算子,并将该算子与已有的5种信息集结算子进行合成,得到的合成算子兼顾了多种算子的特点.最后通过一个算例验证了DWA算子及合成算子的一些新颖的特征.

基于二维密度加权算子的群体评价信息集结方法

群体评价中已有的信息集结算子都没有考虑到信息分布的疏密情况,且其评价信息又通常为二维数据,为此,提出了一种基于二维密度加权算子的群体评价信息集结方法。定义了二维密度加权算术平均(TDWA)算子和二维密度加权几何平均(TDWGA)算子2种新的集结算子。将新算子应用于群体评价的信息集结中,并分别给出了群体评价(二维)数据的分组与群体密度权向量的具体确定方法。最后,给出了一个具体的集结算例。

一种基于密度加权的最小二乘支持向量机稀疏化算法

针对最小二乘支持向量机失去标准支持向量机稀疏特性的问题,提出了一种基于密度加权的稀疏化算法.首先计算样本的密度信息,对样本估计误差进行密度加权获得该样本对模型的可能贡献度;然后选取具有最大可能贡献度的样本作为支持向量,同时对支持向量样本邻域内的其他样本密度信息进行削减,从而避免相似样本被选中为支持向量;再选择剩余样本中具有最大可能贡献度的样本添加到支持向量集中,直到模型性能满足要求.仿真和实际应用表明,与Suykens提出的标准稀疏化算法相比,所提出的算法能有效剔除冗余支持向量,具有更好的稀疏性和鲁棒性.

广义实型密度加权平均中间算子及应用

针对普遍存在的向量、矩阵等多维的数据形式,将面向点值的密度加权平均中间(DWA)算子拓展为广义实型密度加权平均中间(GR-DWA)算子.给出了通用的数据元素聚类过程,该过程能够对点、向量、矩阵等3种类型的数据进行有效分组.研究了一种兼顾"规模"与"功能"信息的密度加权向量设置方法,并给出了3种参数确定思路,以支持主观、客观或主客观结合等多种决策方式.定义广义实型密度算术平均(GR-DWAAA)算子,并探讨了GR-DWA算子在多属性群决策中的多种运用途径.最后,给出了GR-DWAAA算子处理多属性群决策问题的一个应用算例,算例的结果验证了算子的有效性.

基于密度函数加权的模糊C均值聚类算法研究

模糊聚类算法具有较强的实用性,但传统模糊C均值算法(FCM)具有对样本集进行等划分趋势的缺陷,没有考虑不同样本的实际分布对聚类效果的影响,当数据集中各样本密集程度相差较大时,聚类结果不是很理想。因此,提出一种基于密度函数加权的模糊C均值聚类算法(DFCM算法),该算法利用数据对象的密度函数作为每个数据点权值。实验结果表明,与传统的模糊C均值算法相比,DFCM算法具有较好的聚类效果。

密度加权近似支持向量机

标准的近似支持向量机(PSVM)用求解正则化最小二乘问题代替了求解二次规划问题,它可以得到一个解析解,从而减少训练时间。但是标准的PSVM没有考虑数据集中正、负样本的分布情况,对所有的样本都赋予了相同的惩罚因子。而在实际问题中,数据集中样本的分布是不平衡的。针对此问题,在PSVM的基础上提出了一种基于密度加权的近似支持向量机(DPSVM),其先计算样本的密度指标,不同的样例有不同的密度信息,因此对不同的样例给予不同的惩罚因子,并将原始优化问题中的惩罚因子由数值变为一个对角矩阵。在UCI数据集上用这种方法进行了实验,并与SVM和PSVM方法进行了比较,结果表明,DPSVM在正负类样本分布不平衡的数据集上有较好的分类性能。

肺癌磁共振扩散加权成像与肿瘤细胞密度的相关性研究

目的利用表观扩散系数(ADC)来评价肺癌的组织学特征。方法28例肺癌患者,其中男性18例,女性10例,年龄25～79岁,平均年龄52岁。行扩散加权成像(DWI)检查并测量病灶的ADC,方差分析比较不同组织学类型肺癌ADC间的差别。对11例外科切除的肺癌病灶ADC与细胞密度进行相关性分析。结果鳞癌、腺癌、小细胞癌平均ADC分别为(1.67±0.20)×10-3mm2/s、(2.08±0.28)×10-3mm2/s、(1.76±0.21)×10-3mm2/s,腺癌的ADC明显高于鳞癌及小细胞癌(P<0.05)。肺癌ADC与细胞密度呈显著负相关(r=-0.71,P=0.015)。结论腺癌的ADC明显高于其他类型肺癌;ADC似乎可以鉴别肺癌的组织学类型。

人工智能-压缩感知加速的磁共振质子密度加权成像序列在膝关节骨关节炎软骨损伤评价中的应用研究

目的评价人工智能-压缩感知(artificial intelligence-compressed sensing,ACS)加速的质子密度加权成像(proton density weighted imaging,PDWI)序列在膝关节骨关节炎关节软骨损伤半定量评价中应用价值。材料与方法本研究为前瞻性研究,采用3.0 T MRI对74名受检者扫描三组膝关节PDWI序列,分别采用并行采集(parallel imaging,PI)、压缩感知(compressed sensing,CS)、ACS进行加速。两位医师对图像质量进行4分制主观评分。将关节软骨分为14个区域,上述两位医师对软骨损伤进行8等级评价。此外,上述两位医师对其中15例受检者的3个区域软骨进行间隔超过一个月的两次评价。采用Friedman检验分析PI、CS、ACS图像主观质量评分差异。采用组内相关系数检验PI与CS、PI与ACS在14个区域软骨损伤评价中的一致性。计算CS与ACS在全关节软骨损伤评价中的敏感度与特异度。采用Cohen's Kappa系数分析15例受检者PI、CS、ACS前后两次软骨损伤评价的一致性。结果PI、CS、ACS加速的PDWI采集时间分别为428 s、375 s、155 s。三组序列各断面间图像质量医师主观评分差异无统计学意义(P值分别为0.607、0.174、0.529)。CS与PI、ACS与PI在14个区域关节软骨损伤评分中一致性良好(ICC范围分别为0.969~0.995、0.951~0.987)。除去三组序列中软骨损伤均诊断为阴性的区域后,CS与PI、ACS与PI在14个区域关节软骨损伤评价中一致性仍为良好(ICC范围分别为0.868~0.939、0.842~0.948)。CS、ACS在全关节软骨评价中特异度分别为99.6%、98.2%,1~6级评分敏感度范围分别为42.3%~100.0%、17.3%~87.9%。PI、CS、ACS在15例受检者3个区域前后两次软骨损伤评价中一致性强(κ≥0.803)。结论ACS能在保证图像质量的同时大幅度加速多平面MRI PDWI序列,并在膝关节骨关节炎多区域关节软骨损伤半定量评价中达到与并行采集加速序列相似的诊断效能。

带密度加权的自适应遗传算法

为了改善传统自适应遗传算法收敛速度慢、易陷入局部最优解的情况,提出了带密度加权的自适应遗传算法.该算法基于种群的分布密度,动态调整遗传算法的交叉概率和变异概率,并且在算法中使用了保留最佳个体法.实验结果表明:该算法在破坏种群局部稳定性、跳出局部极值的同时,又能以较快的速度收敛于全局最优,提高了算法的实用性和鲁棒性.

基于加权核密度估计的自适应运动前景检测方法

为解决监控视频背景初始化过程中前景干扰的问题,提出了一种基于加权核密度估计(KDE)的自适应运动前景检测方法.该方法对时间域变化稳定的像素值进行加权,并利用核密度估计构建背景模型,避免了背景初始化过程中前景的干扰.基于该背景模型,提出了一种新的阈值设定策略.该策略根据前景空间分布的连续性自适应获得前景阈值,填充前景中的"孔",并更新阈值.实验结果表明:即使场景中存在运动前景,该方法能够在多种场景下获得90%以上的查准率和查全率,其性能优于传统的背景差法.

广义梯形模糊数密度加权算子及其应用

针对多属性决策问题,本文面向广义梯形模糊数的决策信息,提出了广义梯形模糊数密度加权算子(TF-DWA算子)的信息集结方法。首先介绍了广义梯形模糊数密度加权算子及其合成算子,并分析了其性质特点。然后,基于信息分布的疏密程度讨论了广义梯形模糊数的分组问题,通过质心排序指标值进行聚类。在此基础上,基于熵值法求解密度加权向量。最后,通过一个应用算例对本文提出的算子进行简要说明。

采用基于密度加权和偏好信息的K均值聚类的胸阻抗信号自动检测算法

为了自动识别胸阻抗(Trans Thoracic Impedance,TTI)信号中的按压和通气波形,完成相关重要参数的计算,从而实现对心肺复苏质量的监测评估,该文提出一种基于密度加权与偏好信息的胸阻抗信号自动检测算法。该方法针对实验采集的猪的电诱导心脏骤停模型TTI信号,通过预处理和多分辨率窗口搜索法完成潜在按压和通气波形的标记;接着,提取每个标记波形的宽度、幅值以及相邻波形特征差作为特征,并按标记波形宽度对信号进行分段;之后,再对信号进行小波分解,提取其小波系数每段的能量与原始波形幅值之比作为特征;最后采用基于密度加权与偏好信息的K均值聚类分析法对标记的波形进行分类识别。实验结果表明,该算法对TTI信号中按压波形和波形分析识别的正确率和敏感度均较高,鲁棒性好,且运行时间(0.43 s±0.07 s)满足实时性要求。