增量式FP_Growth算法及在信息抽取上的应用

对Web信息抽取中事物数据库和最小支持度发生变化时的频繁项目集更新问题进行研究,分析当大量增量数据到达时难以及时更新FP_tree的现象,通过对FP_Growth算法进行改进,提出一种基于频繁模式树的增量式FP_Growth挖掘算法,实现关联规则的提取。通过对二手IT产品交易网站的交易情况进行信息抽取并提取出关联规则,比较算法执行时间,分析置信度和支持度的变化,证明该算法能有效减少生成PT_Tree的时间,提高了挖掘效率。

基于多重迁移注意力的增量式图像去雾算法

为提高深度神经网络去雾算法对增补数据集的处理能力,并使网络差异化处理重要程度不同的图像特征以提高网络去雾能力,提出一种基于多重迁移注意力的增量式去雾算法。通过自编码器形式的教师注意力生成网络提取标签和雾霾的多重注意力,作为特征迁移媒介网络的标签约束网络训练,形成与教师注意力尽可能相近的迁移媒介注意力,并将其融入学生去雾网络的特征中,提高学生去雾网络的去雾能力;通过增量式训练方法提高学生去雾网络对增补数据集的处理能力。结果表明:所提算法对ITS、OTS以及真实雾图上皆具有较好的处理能力,在保证去雾图像像素结构完整、颜色不失真的同时具有较好的去雾效果,算法处理后的图像在主观视觉效果和客观评价指标上皆优于对比算法。

基于增量式PID算法的香精施加系统设计

为解决加热不燃烧烟草制品生产过程中香精施加量无法根据薄片质量变化进行实时调控的问题,设计了一种基于增量式PID算法的香精施加系统。该系统由称重单元、螺杆泵、喷嘴、流量传感器等组成,通过称重单元实时获取薄片质量数据,根据理论计算模型确定香精施加量,基于增量式PID算法驱动螺杆泵定量输出香精至喷嘴中,利用流量传感器对香精施加量实时反馈,实现香精精准施加。验证结果表明,当薄片质量发生变化时,香精施加量可快速调整,最大超调量为1%,最长调整时间为1.8 s,系统具有较好的跟踪性能;施加量检测值与理论值的偏移率为0.23%~0.52%,施加量组内波动为3.11%~4.17%,系统可实现香精的准确、均匀、稳定施加。

目标机动补偿的动能拦截器增量式制导方法

面向目标强机动、推力干扰、测量偏差的动能拦截器强抗扰末制导方法设计问题,提出一种目标机动补偿的大气层外动能拦截器增量式强抗扰末制导方法。通过回采推力传感信息、视线转率辅助微分信息,同时联合增量式制导方法与惯性时延的扰动估计方法,对目标机动等不确定性和内外部不确定性等带来的扰动进行实时补偿并融合至制导算法,从而实现复杂工况下拦截器对抗机动目标的制导系统扰动降级与鲁棒增强等目的。复杂工况下仿真结果表明:所提方法对强机动目标、测量偏差、推力干扰等多源扰动具有强抗扰能力,并且能够实现精确碰撞式拦截任务。

基于增量式PID算法的移动机器人定位系统设计

为了提高应用于智能制造领域的四轮全向移动机器人定位精度,本文基于增量式PID算法,采用STM32、激光测距模块和陀螺仪构建全向移动机器人定位系统,并搭建机器人移动定位测试实验环境。测试表明所设计的定位系统具有良好的定位精度和运行稳定性,能够满足智能制造领域移动机器人部分应用场合的定位要求。

基于多核心节点的增量式动态社区发现算法

针对动态社区发现算法通常基于社区结构平稳变化的假设,而难以应对演化过程中可能出现的大量社区消亡或涌现等突发事件的问题,提出了一种基于多核心节点的增量式动态社区发现算法MCNIDCD。首先,将核心节点分为扩散型和内聚型,制定4种增量更新策略。其次,通过局部更新调整节点社区归属,并采用增量模块度方法优化社区结构。最后,实现社区合并。在人工和真实网络上对该算法的性能进行了评估,实验结果表明,在对比目前相关动态社区检测算法时,在人工网络仿真环境中,MCNIDCD算法表现出与社区演化规律的高度契合性;在真实网络实验中,MCNIDCD算法在模块度性能指标上平均提升了28%,并且在稳定性方面具有良好的优势,其优势对于研究动态社区演化过程具有重要的意义。

基于可重构知识图谱的增量式学习者画像构建研究

知识图谱对知识的可视化有较强的表述能力,用知识图谱分析学习者画像与个性化学习目标之间的关联,比其它方式更为直观和高效。文章从知识建构度、能力达成度、学习满意度三个维度刻画学习者画像,并用可重构知识图谱增量式重构学习者画像,使学习者画像能适应个性化学习目标的变化,为评估学习者是否达成学习目标提供量化分析数据,以期为个性化学习研究提供新思路。

基于不完备混合序信息系统的增量式属性约简

由于大数据环境下数据呈现出动态更新的特征,因此,增量式属性约简已成为粗糙集理论的重点研究方向。不完备混合型有序信息系统是一种常见的信息系统类型,然而,目前少有增量式属性约简方面的相关研究,针对这一问题,本文在不完备混合型有序信息系统下提出一种对象更新情形的增量式属性约简算法。首先,针对不完备混合型有序信息系统提出了邻域容差优势关系,基于该二元关系建立了一种新的邻域优势粗糙集模型。其次,在其基础上定义了邻域优势条件熵,并利用邻域优势条件熵作为启发式函数设计出一种不完备混合型有序信息系统的非增量式属性约简算法。然后,利用矩阵的形式重构了邻域容差优势关系和邻域优势条件熵,针对不完备混合型有序信息系统对象的动态变化,基于矩阵的计算策略分别研究了邻域优势条件熵随信息系统对象增加和对象减少时的增量式更新。最后,利用邻域优势条件熵的更新机制分别提出了不完备混合型有序信息系统对象增加和对象减少时属性约简的增量式更新算法。实验结果表明:(1)与非增量式算法相比,所提出的增量式算法约简属性数量平均降低了3.6%,分类精度平均提升了2.4%,属性约简的效率平均提升了约10倍;(2)与同类型增量式算法相比,所提出的增量式算法约简属性数量平均降低了9.0%,分类精度平均提升了2.1%,属性约简的平均效率提升了94%。因此,本文所提出增量式算法无论在属性约简结果和属性约简效率上都有着更高的性能。

基于邻域量化容差条件熵增量式更新的网络入侵检测方法

网络入侵检测系统是网络信息安全防护的重要防御工具,而复杂的、冗长的网络入侵行为特征严重影响了网络入侵检测的效果。针对网络入侵检测中信息量增长迅速、数据不完备的现实问题,提出一种基于邻域量化容差条件熵增量式更新的特征选择算法。首先,在邻域量化容差粒计算的基础上,结合条件熵在刻画特征不确定性、对特征之间的相关或依赖程度方面的显著特性,研究了邻域量化容差条件熵的增量式更新机制;然后,基于该更新机制提出动态数据库增量式更新的特征选择算法;最后,通过数据实验分析验证了所提出的算法能有效提高不完备信息系统特征选择的计算效率。新提出的算法在网络入侵检测实例应用中体现的计算复杂度及虚警率低的优势,表明其可为网络信息安全防护提供有效可行的具体方法。

支持增量式编程的多模态网络环境

当前,多模态网络编程模型与底层硬件紧耦合、强相关,导致网络程序呈现扁平化和单片化特征.因此,持续开发模态程序效率低下且极易出错,制约了网元设备的可用性和可靠性.为此,本文提出面向多模态网络的编程环境(PINet’s Programming Environment,PPE),支持增量式开发网络协议与功能.基于“巨型交换机”思想,PPE提出了一种平台无关的编程模型及语言,支持模块化编程和跨平台移植,通过模块单元的灵活组合提高网络程序的开发效率.同时,针对上述模型设计了前后端分离的编译系统框架.该系统自动化解析并组合分布式的模态程序,通过优化报文处理逻辑自动适配硬件资源约束.实验结果表明,在不影响硬件性能的基础上,PPE能够降低20%的程序开发量,同时引入编译时延和资源开销在合理范围内.

光伏并网增量式电网电源容量优化规划方法

为提升规划性能,设计光伏并网增量式电网电源容量优化规划方法。构建了光伏并网增量式电网电源容量规划模型,考虑源-荷不确定性后生成电源容量优化规划流程,从而完成了电源容量优化规划。实验结果表明,使用设计的电源容量优化规划方法后各项性能指标均较高,规划性能良好。

基于滑模扰动观测器的PMSM增量式模型预测控制

针对永磁同步电机模型预测控制在强扰动下的控制性能降低,及非增量式预测模型存在静态误差等问题,提出一种基于滑模扰动观测器的永磁同步电机转速-电流单环增量式模型预测控制方法。首先,基于永磁同步电机在同步旋转坐标下的数学模型和模型预测控制的原理,设计了转速-电流单环增量式模型预测控制器以消除静态误差。然后,设计电流限幅器,以保证电机工作于电流约束内。最后,设计滑模扰动观测器对负载扰动进行观测,用于前馈补偿控制,并证明观测器的稳定性。仿真结果显示,所设计的观测器能快速、准确地观测到负载转矩的变化,所提出的单环控制器具有良好的动态性能。与传统PI控制及非增量式模型预测控制进行仿真对比,所提方法具有超调小、抗干扰能力强等优点。

基于相机朝向变化的增量式位姿图分段算法

位姿图优化是估计相机轨迹过程中减少累积误差的重要方法,但随着相机的不断运动,位姿图的规模会不断增大导致优化速度下降,使得轨迹估计难以应用于AR/VR(Augmented Reality/Virtual Reality)等实时性要求较高的领域。针对此问题,文中提出了一种基于相机朝向变化的增量式位姿图分段算法。所提算法能够将位姿图在相机发生朝向变化较大的时刻进行分段,从而只对这些朝向变化较大的相机进行位姿图优化,以有效减小位姿图优化的规模,提高优化速度。针对其余未进行位姿图优化的每个相机,分别将其所在轨迹段的起始相机和终止相机作为参考相机,将根据不同参考相机估计出的不同位姿进行加权平均,从而求解出相机的最终位姿,既避免了非线性优化的大量计算,又降低了噪声的影响,达到了较高的精度。在EuRoC,TUM和KITTI数据集上进行了实验,结果表明,所提算法在减小位姿图优化规模的基础上保证了相机轨迹的精度。

基于增量式PI算法的V-M双闭环调速系统

提出了一种基于增量式比例积分(PI)算法的晶闸管-电动机(V-M)双闭环调速系统的设计与实现方法,该调速系统的主电路采用晶闸管智能控制模块进行设计,双闭环数字PI调节器采用增量式PI算法进行设计。详细分析了该调速系统主电路和双闭环数字PI调节器的设计原理,以及直流电动机电枢电流和转速采样电路、控制信号接口电路、键盘输入与LCD显示电路的设计方法。通过对比分析在不同的比例系数和积分系数时直流电动机满载运行的转速波形,验证了该调速系统的跟随特性完全满足PI参数整定规律,其设计与实现方法可推广到工业应用领域。

增量式光学编码器IAS信号误差建模及补偿

增量式光学编码器在制造与安装的过程中不可避免的会出现刻线误差和细分误差,这些误差会降低角度测量的精度并导致瞬时角速度(IAS)信号波动,研究刻线与细分误差的补偿途径有重要意义,但现有方法存在误差补偿效率低,不易现场应用等局限。针对上述问题,本文首先对增量式光学编码器的刻线误差与细分误差进行分析并建立误差模型,揭示了刻线误差、细分误差与IAS信号波动之间的联系。在此基础上提出了一种使用IAS信号对增量式光学编码器刻线与细分误差进行补偿的方法,该方法具有效率高、无需对编码器进行改装等优点。通过仿真分析对本文所建立的误差模型的正确性与误差估计方法的可行性进行了验证,并在RV传动实验台上对伺服电机末端的增量式光学编码器进行刻线与细分误差补偿,最后使用光学旋转平台对增量式光学编码器误差进行测量,通过对比分析验证了本文所提方法的有效性。

面向多模态网络环境的网络模态增量式部署机制研究

多模态网络支持各种用网需求以网络模态的形式在统一物理与逻辑基础设施上共存、演进与变革发展,可最大限度释放新型应用驱动的网络技术体制创新活力。模态的演进与变革发展要求实现模态的增量式部署,从而满足多用户部署过程中的便捷性、隐私保护等需求。然而,当前网络功能的部署仍采用全部替换的部署方式,导致新模态部署复杂度高,不同用户间处理逻辑相互暴露。针对以上问题,提出了面向多模态网络环境的网络模态增量式部署机制。首先,设计了网络模态增量式部署机制;然后,基于该机制将模态的增量式部署抽象为图合并问题,并设计了基于邻接表的合并解析图算法。仿真结果表明,所提机制可实现网络模态的快速正确合并,从而支撑模态增量式部署,极大降低新型网络体制的应用部署与服务提供门槛。

国产FPGA增量式光栅尺信号采集系统的设计

针对光学调焦平台的增量式光栅尺信号采集系统,提出了基于国产FPGA芯片AG10K的设计,实现增量式光栅尺的倍频鉴向、脉冲计数、串口数据传输等功能,通过串口通信实现上位机的通信交互,完成对光学调焦平台的精确位置采集显示。设计了滤波算法对假零位信号进行滤波处理,并对分频计数逻辑进行正反双脉冲处理,有效降低噪声对零位和计数模块的干扰,保证了采集算法的准确性。实验表明:该系统能够实现高精度、高灵敏度的位移量检测和调节功能。该系统具有响应速度快、精度高、稳定可靠等优点,采用国产化芯片使该采集系统具有广泛适用性。

数据流形边界及其分布条件的增量式降维算法

为了解决增量流形学习中的噪声干扰,以及对不同分布状态下的新数据进行流形降维问题,本文提出一种数据流形边界及其分布条件的增量式降维算法(incremental dimensionality reduction algorithm based on data manifold boundaries and distribution state,IDR-DMBDS)。该算法首先分析噪声概率分布同时对数据降噪,确定降噪数据的流形形态为主流形,并在主流形上表征出噪声的分布形式,以此获得近似的原数据流形边界,然后基于流形边界判别新数据的分布状态,最后将分布于原流形形态之上以及之外的新数据分别映射至低维空间。实验表明,该算法能够有效实现基于流形的增量式高维含噪数据的低维特征挖掘。

基于对象更新的邻域多粒度粗糙集模型增量式算法

邻域多粒度粗糙集模型是粗糙集理论的重要研究分支。然而在大数据环境下,数据时刻处于动态更新之中,针对数值型信息系统对象动态变化的情形,本文提出一种邻域多粒度粗糙集模型的增量式更新算法。文中首先利用矩阵的方法表示了邻域多粒度粗糙集中邻域类与目标近似集之间的两种近似关系,分别称之为子集近似关系矩阵和交集近似关系矩阵,并通过这两种近似关系矩阵重构了邻域多粒度粗糙集模型;然后针对数值型信息系统对象增加和对象减少的情形,研究了这两种近似关系矩阵随对象变化时的增量式更新,理论分析证明了这种更新方法的高效性;最后基于近似关系矩阵的增量式更新设计出了邻域多粒度粗糙集模型的增量式更新算法。实验结果验证了所提出增量式算法的有效性和优越性。

基于增量式类激活知识的蒸馏学习方法

由于样本特征缺乏类别判定性且设备资源不足以支持样本类别结构学习,现有的知识蒸馏方法往往忽略了样本的类别知识蒸馏。针对此问题,本文提出一种增量式类激活知识蒸馏方法(Incremental Class Activation Knowledge Distillation,ICAKD)。首先,利用类激活梯度图提取具备类别判定性的样本特征,并提出类激活图约束损失。然后,构建存储类别判定性特征的增量式记忆库,保存多个训练批次样本并迭代更新。最后,计算记忆库内每一类样本的类质中心,并构造类别结构关系,根据类激活图约束和类别结构关系实现类别知识蒸馏。在Cifar10、Cifar100、Tiny-Image Net、Image Net等数据集上进行对比实验,结果表明本文所提出的方法对比类别结构蒸馏方法(Category Structure Knowledge Distillation,CSKD)在准确率上有0.4%~1.21%的提升,说明了类别判定性特征和增量式方法对类别知识蒸馏起到促进作用。