基于Web使用挖掘的实时聚类算法

本文讨论了基于Web使用挖掘的Web个性化技术,针对个性化系统的功能及特点,论述了相关数据采集、数据预处理技术和模式发现及其在个性化服务中的应用,提出了一个关于个性化系统的实时聚类算法.实验结果表明,该算法不仅有效,而且具有较高的准确度,能适应用户短期浏览的变化.

一种新的Web用户会话实时聚类算法

互联网技术的发展日新月异,Web数据是海量的,同时网络用户的浏览兴趣也是不断变换的。为了满足用户兴趣不断变换的需求,更好地实现个性化推荐,提出了一种新的Web用户会话实时聚类算法。算法分析验证了该算法可以提高聚类速度,能更好地满足用户的需求。

一种基于集合的Web用户会话实时聚类算法

随着互联网的普及和电子商务、个性化推荐技术等的发展,Web使用挖掘成为了数据挖掘的新的研究热点。针对Web用户会话聚类,提出了一种基于序列对集合的用户会话实时聚类方法。对聚类算法进行了分析与比较,给出了时空复杂度,实验比较了BOM算法与BOC算法的效率,并验证了BOC算法的有效性与时效性。

基于并行结构的DOA聚类算法及FPGA实现

脉冲到达角(DOA)是脉冲信号分选中可利用的重要参数。目前,利用DOA进行的脉冲分选都是基于传统的串行聚类算法,实时性能差。本文针对阈值分割的聚类方式,设计了一种基于并行流水结构的实时聚类算法,使单个DOA的聚类可在单周期内完成,并通过对聚类数目分裂过多的情况进行控制,保证了算法的稳定性和有效性。文章还介绍了算法在FPGA上的实现方法,以及应用在XilinxV2P芯片上的实时性能,并对其聚类性能进行了比较分析。

基于激光传感器的工业机器人动态抓取系统设计

针对大、重箱体在随传送带运输过程中的抓取作业问题,设计了一种基于激光传感器的工业机器人动态抓取系统。首先,使用单线激光传感器获取箱体点云数据,利用基于帧内和帧间密度聚类算法实现点云数据实时聚类与分割,通过箱体的最小外接矩形获取箱体的位姿;其次,利用二分法求解近似抓取位置;最后,控制机器人实现对箱体动态抓取。在视觉测试中,箱体尺寸识别误差为±14 mm,角度偏差为±5°。在抓取测试中,抓取位置平均误差为±16 mm,抓取效率为20 s/件。测试结果表明:该系统能够满足箱体实时定位与动态抓取的要求。

基于Web使用挖掘的个性化系统

Web个性化在信息量巨大的互联网中显得越来越重要。针对一般聚类算法不可以用于在线预测的缺点,提出了一个实现个性化的实时聚类算法,并对个性化系统模型进行了设计,使模型不但能实时提供个性化服务,还可以根据用户的短期浏览变化对个性化服务进行调整。最后通过实验系统验证了模型的准确性。

一种基于时空分析的事件抽取方法

新闻媒体及社交网站每天呈现大规模的时空文本数据,人们难以从中获取有价值的事件信息。针对前人方法依赖大量的标注数据,同时以孤立的方式考虑事件的时间要素和空间要素等的问题,提出一种基于时空分析的事件抽取方法,该方法首先引入数据立方体结构存储事件信息,用户可基于不同的时空粒度抽取出重要的事件;然后提出一种基于语义相似性的实时事件聚类算法,该聚类算法采用GloVe模型训练词的语义关联性,使聚在同一事件类的事件元素具有强的语义关联性。在大量未标注的网络文本中,该方法取得了77.4%的F1值,表明了该方法能够实现时空分析下的事件抽取任务。

基于RNGK-FCM算法的大梁焊接障碍物识别

针对大梁焊接时难以通过传统的识别方法实现实时而精确的障碍物识别的问题,提出一种优化模糊C均值实时聚类(RNGK-FCM)的大梁焊接障碍物识别方法.引入实时聚类策略,替换核化距离函数,全局快速优化.通过MATLAB平台进行仿真对比分析各类FCM算法聚类性能,RNGK-FCM相比于传统FCM算法,能实时获取聚类数;对噪声点具有较好的鲁棒性;降低了对初值的敏感性,聚类识别精度高.在某公司大梁自动焊生产线进行障碍物识别试验.结果表明,各类障碍物聚类数准确,实时性优良,障碍物规避动作精准,为实现大梁自动焊打下了坚实的基础.

基于时空分析的突发事件检测方法

现有突发事件检测方法多数未考虑事件的重要性,且以孤立的方式看待事件的突发时间域和空间域。为此,提出一种基于时空要素综合分析的突发事件检测方法。引入数据立方体结构存储事件词,通过基于语义相似性的实时事件聚类算法抽取出重要事件。根据TFIDF计算事件在时空维度上的出现权重,给出有限状态机-高斯分布模型识别时空突发事件。实验结果表明,该方法能够有效地识别出事件的突发时间段和突发区域,与现有突发事件检测方法相比,检测突发事件的准确率更高。

基于Spark Streaming的并行K-means改进算法研究

K-means聚类算法作为一种经典的聚类算法被广泛应用,但是传统聚类算法在对实时性聚类要求较高的场景已经不适用,特别是在基于聚类的一些实时推荐算法中。本文通过Spark Streaming框架对传统K-means聚类过程广播共享聚类中心并使用KD树对迭代过程进行二次优化。实验结果表明优化改进后的K-means聚类算法能够明显提升收敛效率和降低聚类时间,能够满足对实时性聚类的要求。