基于复杂网络聚类的提升机主轴系统故障诊断

针对摩擦提升机主轴系统故障耦合、特征微弱且故障样本不易获得的问题,提出一种基于复杂网络聚类的故障诊断方法。该方法从故障数据表现出社团结构的本质出发,以各数据样本为节点,样本间相似度为有权边,构建加权无向复杂网络模型。将欧氏空间的距离概念推广到样本的相似性度量上提出广义Ward距离,并以此为划分准则,采用凝聚型合并过程实现网络模型中社团的聚类,即故障样本的模式识别。对主轴系统过载、滚动轴承元件故障及减速器齿轮磨损的分析结果表明,该方法能准确对已知故障类型数据进行聚类,且在过程中不预设类别数,为收集异常数据以便未知故障的发现与诊断提供了数据支持。与多元支持向量机与快速Newman算法的对比结果表明,该方法具有更高的识别精度与效率。

基于复杂网络聚类算法的酒驾违法行为查处选址研究

酒驾违法行为一直处于高发频发的状态,如何合理选择酒驾盘查卡点以提高酒驾查处的准确性和效率成为关键性的问题。目前,大多数研究重点在酒驾与刑罚和酒驾对驾驶行为的影响等方面,针对酒驾盘查卡点的选址规划研究存在较大空白。结合公安机关交通管理部门设卡查处酒驾的特点和原则,从酒驾违法行为的基本特性出发,给出设卡查处酒驾违法行为选址的功能定位。针对重点路段中车流量大的路段,采用复杂网络聚类的方法,在考虑路段流量大小的情况下,对城市交通网络中的路段车流聚集度进行计算,辨识出网络中的关键车流聚集路段,作为酒驾查处选址的参考依据。

复杂网络聚类及其在神经网络中的应用

随着科学技术的不断进步,信息化社会的到来使得网络数据总量呈现出井喷的状态,在此情况下,如何从大量无序的数据中寻找到符合要求的信息就成为当前研究的主要课题之一。本文以目前使用较为广泛的聚类分析法作为网络数据分析的重要手段,在介绍多种形式的复杂网络聚类分析类型的同时,并以CNM聚类优化下的RBF神经网络算法为例,对复杂网络聚类在神经网络中的应用进行简单介绍,从而加深人们对于复杂网络聚类的理解。

基于网络聚类选择的神经网络集成方法及应用

面向农作物精准施肥量确定问题,提出一种基于复杂网络聚类选择的神经网络集成方法。在该方法中,首先采用回放取样方法来生成多个神经网络个体,其次利用网络聚类算法FEC从这些神经网络个体集中选出部分个体,再次对选出的神经网络个体分别用线性加权方法和非线性方法进行集成,最后对两个集成结果进行融合得到预测结果。于2008年在吉林省榆树玉米试验田七号地对该方法进行了应用。实验结果表明:该方法不仅优于传统的施肥模型、神经网络线性加权集成和神经网络非线性集成方法,而且还具有较强的泛化能力。

基于复杂网络熵聚类方法的《活幼心书》治疗儿科疾病用药配伍规律探讨

目的:运用复杂网络熵聚类方法探讨《活幼心书》治疗儿科疾病的用药配伍规律。方法:医籍《活幼心书》是元代名医曾世荣在1294年所撰的一部儿科临床专著,对该医籍治疗儿科疾病方剂进行校对整理,共计230首,对其方剂基于中医传承辅助系统软件的关联规则分析算法及复杂网络熵聚类等方法进行挖掘分析。结果:通过统计分析可知,229首内服方所涉及中药221味,使用频数>10次的有43味,频数最高药物依次为甘草片、生姜、人参、半夏、陈皮、川芎、枳壳、大黄、茯苓、当归等;在设支持度个数为15及置信度为0.8的条件下,频数在15次以上的药物组合共31个,关联规则为14个;在设相关度为8、惩罚度为2的条件下,演化出3~4味药的核心组合Ⅰ和Ⅱ分别为19个,在以上核心组合提取的基础上,进一步聚类得到23个新处方。结论:《活幼心书》组方用药配伍规律体系,以及曾氏临证治疗儿科疾病常用经典方二陈汤加减,为辨治儿科疾病用药提供了科学的理论指导。

基于k最近邻网络的数据聚类算法

聚类研究在数据挖掘研究领域中占有十分重要的地位.虽然目前已有很多数据聚类算法,但精度仍不够理想.文中提出一个基于结构化相似度的网络聚类算法(SSNCA),试图从网络聚类角度进一步提高数据聚类精度.具体解决方案是,将待聚类的向量数据集转化为k最近邻网络,并用SSNCA对该网络进行聚类.将SSNCA与c-Means、仿射传播进行比较,实验表明文中算法得到的目标函数稍差,但聚类精度要明显高于这两个算法.

基于在线用户行为的产品非对称竞争市场结构研究

消费者对产品的卷入度研究成为热点问题,然而从产品竞争市场结构中获得竞争情报一直被忽略。为了更全面了解产品的竞争市场结构,本文以在线用户行为数据为对象从卷入理论视角构建产品考虑集,利用复杂网络聚类可视化产品的非对称竞争市场。结果发现,由消费者对产品的关注卷入度构成的考虑集对映射产品非对称竞争市场是最具有代表性的;复杂网络聚类方法映射的产品非对称竞争市场结构图简洁清晰,不仅识别了焦点产品的竞争对手,还表征了与焦点产品的竞争对手之间的非对称竞争程度、不同的子市场受欢迎程度、子市场内部产品竞争程度高而外部之间产品竞争程度低等;证明了本研究模型比传统模型更具有可解释性。本文为电商企业理解焦点产品的非对称竞争市场提供了更好的理论依据及方法。