基于信息增益和基尼不纯度的K近邻算法

传统K近邻算法忽略每个属性对分类的不同重要程度,将每个属性同等看待,在计算样本间距离时赋予每个属性相同的权重,影响样本分类的正确性。利用单一指标来确定属性重要性过于片面,无法全面反应属性对分类的重要程度。针对这一问题,利用信息增益和基尼不纯度的综合指标作为判断属性重要程度的指标,该综合指标越大,属性对分类的重要程度越高。并依据综合指标构造属性权重,计算样本间的加权距离进行分类。为验证该方法的有效性,分别基于UCI数据库中Iris数据集和Wine数据集对基于信息增益和基尼不纯度综合指标的加权K近邻算法进行仿真实验,并与传统K近邻算法和基于信息增益加权K近邻算法进行对比,基于信息增益和基尼不纯度综合指标的加权K近邻算法错误率均低于传统K近邻算法和基于信息增益加权K近邻算法。结果表明该方法比传统K近邻法和基于单一指标加权K近邻算法能更有效地对样本进行分类。

基于高基尼不纯度的UAV&UGV协作监测系统路径规划

空地异构机器人系统由无人机和地面车组成,通过两者相互协作完成持续监测任务可以提高工作效率、解决无人机续航能力不足的问题.在该异构机器人系统中,地面车可以为无人机进行补能,保证监测任务的持续性.由于周期性的监测路径极易发生监测规律信息的泄露,提高无人机监测路径的随机性具有重要意义.针对此问题,引入基尼不纯度指标来评估监测路径的随机性,以目标点的归一化访问间隔时间及其基尼不纯度的加权之和最小为优化目标,建立无人机和地面车协作系统持续监测路径规划模型,提升监测路径的隐私性.采用蚁群算法对无人机监测路径和地面车补能路径进行优化求解,验证了模型的有效性与合理性.通过与其他算法比较,说明了蚁群算法具有更快的搜索速度和运行效率.

结合邻域耦合机制与双边滤波的双蚁群算法

针对蚁群算法在求解旅行商问题(TSP)中收敛速度慢且易陷入局部最优等问题,提出一种结合邻域耦合机制与双边滤波的双蚁群算法(NBACO)。首先,算法通过战斗力指数将蚁群动态分成士兵蚁与指挥蚁,士兵蚁主要负责提高算法的求解精度,指挥蚁主要负责提高算法的收敛速度,两类蚂蚁分工合作从而有效平衡算法的求解精度与收敛速度。其次,采用邻域耦合机制,当指挥蚁经过公共区间时,在公共区间及其邻域动态散布微量的信息素,以增大对蚂蚁的吸引力,增加蚂蚁选择公共区间及其邻域的概率,从而提高算法的收敛速度。进一步,当算法陷入局部最优时,引入基于基尼不纯度的双边滤波策略,动态削弱当前最优路径上的信息素浓度,进而缩小最优路径与其邻域路径的信息素浓度差,在下一次迭代时增大蚂蚁选择其他非最优路径的概率,从而帮助算法摆脱局部最优。最后,对大量TSP实例进行仿真,实验结果表明改进后的蚁群算法有效平衡了算法求解精度和收敛速度。

基于扭矩贯入指标和神经网络的围岩质量预判方法

全断面岩石掘进机(TBM)的地质适应性较差,当遭遇不良地质条件或者围岩质量较差时,容易引发卡机、塌方等地质灾害,影响施工进度,威胁人员安全。基于此,首先通过TBM数据预处理,将原始数据分割为完整的掘进段,其次以掘进段为单位计算扭矩贯入指标(TPI),基于时间序列法和神经网络在掘进开始前对围岩质量进行预测,基于TPI的基尼不纯度,在掘进上升段对围岩质量进行判断。结果表明:TPI能够较好地反映围岩地质条件,基于时间序列法和神经网络能够较为准确地对TPI进行预测,通过TPI的基尼不纯度能够较好地对围岩质量进行判断。