基于平均差异度的改进k-prototypes聚类算法

针对k-prototypes聚类算法随机选取初始聚类中心导致聚类结果不稳定,以及现有的大多数混合属性数据聚类算法聚类质量不高等问题,提出了基于平均差异度的改进k-prototypes聚类算法.通过利用平均差异度选取初始聚类中心,避免了初始聚类中心点选取的随机性,同时利用信息熵确定数值数据的属性权重,并对分类属性度量公式进行改进,给出了一种混合属性数据度量公式.结果表明,改进后的算法具有较高的准确率,能够有效处理混合属性数据.

基于改进K-prototypes与GBDT的城市干道车辆出行群体辨识模型

为了掌握城市干道交通运行规律,向交通管理部门制定相关交通需求管理政策提供理论依据,提出了一种基于组合模型的城市干道车辆出行群体辨识模型。基于青岛市胶州湾隧道过车数据,从出行强度、出行时间与出行习惯3个维度构建了出行特征指标体系以全面刻画车辆个体的出行行为。基于相关性分析剔除了冗余指标以避免对辨识研究的影响。针对混合属性出行特征指标数据,使用改进K-prototypes算法以有效地实现车辆出行群体划分,将其与GBDT算法相结合,建立了一种基于改进K-prototypes与GBDT的辨识模型,随机选取10000个样本开展辨识研究。结果表明:研究道路存在5类车辆出行群体:高频通勤群体、低频通勤群体、营运群体、频次稳定群体与普通群体,对于这5类车辆出行群体,平均识别准确率为97.75%,最高识别准确率可达99.47%。

基于改进k-prototypes算法的Web日志分析系统的设计与实现

设计了一个基于改进k-prototypes算法的Web日志分析系统,结合学校网站采集的数据针对相关技术算法进行了应用及分析。

基于K-prototypes的混合属性数据聚类算法改进

属性数据分为数值型数据和分类型数据,一般情况下对于数值型数据运算前要进行标准化处理,但是对于数值型数据差异大的数据,由于大数掩盖小数的影响,按照K-prototypes聚类算法,数值型数据标准化后而且不对相应的分类数据有任何预处理或者在计算时没有进行任何改变,很可能提高分类数据在聚类中的影响,并且分类型数据并未进一步地细分,不能满足不同要求的混合属性聚类。该文在将数值型数据标准化的基础上,将分类数据细分为二元数据和类型数据,并用相异度系数距离计算分类数据之间的距离,并且赋予二元和类型数据相应的权重,来改进K-prototypes聚类算法,使该算法满足不同要求的混合属性数据聚类,最后通过C#语言,在ArcEngine2010版本上实现。

模糊k-prototypes聚类算法的一种改进算法

模糊k-prototypes算法是当前聚类分析中最有效算法之一.简述了模糊k-prototypes算法的发展进程和主要性质;并在此基础上,指出它在处理数值型和分类型混合数据时的不足,进而提出一种改进算法;最后,将算法应用到英语借词之中,给出计算结果.结果表明,改进算法具有较好的稳定性和较高的精确度.

改进的K-prototypes算法在农民工养老参保中的应用研究

农民工养老问题一直备受社会关注。许多学者对该问题展开了调研,并采用Logistic回归模型来分析调研结果。但是,Logistic回归模型要避免变量间的多元共线性。农民工养老保险参保调研数据各变量之间往往存在关联性,而且数据维度高。针对Logistic回归模型的局限性和调研数据维度高的问题,本文改进了K-prototypes聚类算法,并用于分析农民工未购买养老保险的原因。基于该方法得到的分析结果可以为相关部门制定针对性政策提供参考。

改进的k-prototypes算法及应用

文中提出了一种改进的k-prototypes算法,该算法可以解决具有数值和分类混合类型数据的聚类问题,将它应用于对某高校网站的Web服务器日志进行数据分析,发现有意义的信息,建立规则库,并验证了算法的有效性。

改进K-SMOTE随机森林算法在地震信息发布安全风险评估中的应用研究

为有效地提高地震监测、预警、灾情评估等信息发布的安全性提出一种改进型K-SMOTE随机森林(RF)方法构建地震信息安全风险评估模型。该模型通过改进K-SMOTE算法中运用混合采样获得均衡度高的样本集,然后使用随机K折交叉验证方法进行样本划分与模型优化,最终实现目标安全风险等级评估。对实际地震信息发布案例进行评测,文章所提方法构建模型评估准确率为92%,模型精确率和查全率分别为0.81和0.92,模型泛化能力强,能有效用于地震信息发布安全风险评估。本研究为完善地震信息发布安全评估体系、改进地震信息发布环境、降低安全风险提供了参考。

基于改进式k-prototypes聚类的坏数据辨识与修正

工业领域很多技术的实现都以准确的负荷数据为基础,而工厂现有的负荷数据测量体系常因为通信、存储等故障,导致负荷数据中出现大量坏数据。因此,提出基于改进式k-prototypes聚类的坏数据辨识与修正方法,通过在聚类中引入非负荷数据特征,削弱负荷坏数据对聚类结果的影响,使坏数据辨识和修复结果更准确。改进式k-prototypes算法通过随机初始化,并行计算择优,克服了标准k-prototypes容易随初始聚类中心陷入局部最优解的缺陷;并通过聚类数量的自适应处理,解决了主观决定聚类数量的问题。基于聚类结果,根据正态分布原则确定负荷数据可行域,识别坏数据,并利用类中心置换法进行修正。实验表明,该方法较只考虑负荷数据的模糊均值聚类法效果更好,坏数据识别的召回率与修正的准确率显著提高。

在智慧教育背景下改进教学

智慧教育背景下,先进教育理念和信息技术被广泛应用到小学科学课程教学中,推进了课程改革进程,赋予了小学科学课堂开放、共享、交互的特征,对于强化学生信息素养和科学素养、培养学生创新精神有显著成效。本文探讨了智慧教育在小学科学课程改革中的应用价值,包括使小学科学课堂趣味化、使小学科学课堂无限化、使小学科学课堂重难点简单化,然后重点论述在智慧教育背景下如何改进小学科学教学。

基于改进粒子群算法的光伏逆变器控制参数辨识

精准的光伏并网逆变器模型是研究大规模光伏接入下电力系统故障特性的重要工具。目的为了解决现有光伏逆变器仿真模型与实际工作中的光伏逆变器特性相差较大的问题,方法提出采用参数辨识的方法构建逆变器的辨识模型。以重庆云阳某1 MW光伏电站为实际参照模型,首先根据实际工作情况将逆变器的工作区间划分为3个阶段,利用数学扰动法分别对3个阶段中的待辨识参数划分灵敏度高低等级,并由此提出不同阶段不同灵敏度参数分步辨识策略;其次,分阶段采集实际光伏电站工作数据,对该数据进行分析处理,获得各待辨识参数的初始取值范围,设计同步辨识参数实验作为参照;最后提出改进的混沌遗传粒子群优化算法(chaos genetic algorithm of particle swarm optimization,CGAPSO)作为辨识算法,分步分工作阶段辨识相关参数,通过对比参数的同步辨识结果,验证所提方法的优越性,并将辨识结果代入仿真模型。结果结果表明,低灵敏度参数的同步辨识结果误差远超过可接受范围,而CGAPSO分步辨识出的相关参数误差皆在1.1%以下,精度远高于同步辨识结果。结论基于改进粒子群算法构建的辨识模型输出数据与实际逆变器工作数据契合度高,可准确反映逆变器实际工作特性。

基于改进多目标粒子群算法的码头结构传感器优化布置

为解决码头结构健康监测领域的传感器优化布置问题,提出了一种基于改进多目标粒子群(IMOPSO)的传感器优化布置算法。针对传统方法寻优效率低、优化目标单一,难以同时满足模态识别、损伤识别等复杂的健康监测需求的问题,构建了以损伤敏感性和冗余性、损伤识别不适定性以及模态线性独立性的多目标优化函数;改进多目标粒子群算法获取Pareto解集,利用TOPSIS熵权法确定最优传感器布置方案。在某高桩码头试验表明:与有效独立法和有效独立-模态动能法相比,IMOPSO得到的布设方案测点分布更均匀,在灵敏度矩阵条件数、MAC最大非对角元、损伤冗余性指标分别优化了45%、90%、5%以上;多种工况下的损伤位置和程度识别准确率在不同噪声下平均提高5%和7%以上。

基于改进神经网络的医院通信安全态势感知方法

针对医院通信安全态势感知不及时,易导致医院信息系统重要信息受到损害的问题,提出基于改进神经网络的医院通信安全态势感知方法。使用基于小波消噪的通信信号去除噪声并保留关键信息,输入基于改进RBF神经网络的医院通信安全态势感知模型。利用花朵授粉算法完成改进RBF神经网络训练。通过径向基函数对输入数据进行非线性变换,将得到的权值进行加权求和,得到当前通信网络信号的安全态势预测结果。实验结果显示,应用该文方法的医院通信网络异常信息可在1 s内完成感知。

让评课更有利于教师改进教学

评课是我国教研工作的重要形式。无论是校本教研、区域教研,还是各级各类课例研讨活动,评课都是促进教师间思维碰撞的重要活动。每位教师都可能或多或少地对他人的课进行评价。那么,如何评课更有利于教师改进教学呢?

改进的模糊K-Prototypes聚类算法在研究生培养质量评估中的应用

研究生教育在从追求招生数量到重视培养质量的背景下,如何有效而准确地评估研究生培养质量,成为当前各高校面临的重要课题。文章提出一种改进的模糊K-Prototypes聚类算法,可准确分析研究生培养质量情况。该算法首先提取相应的研究生培养质量影响因素属性,构建研究生培养质量评估指标,从而形成分析数据集;其次,为了解决研究生培养数据密度不均的问题,提出改进算法;最后利用改进的聚类算法对分析数据集进行聚类分析。以一所具体高校为例,验证提出算法的有效性和改进后聚类效果,为科学有效的研究生培养质量评估提供辅助决策方法支持。

竞争环境下促进农产品质量改进的投资策略研究

本文基于两条竞争的“公司+农户”农产品供应链,考虑质量改进具有边际收益递减和边际成本递增规律,分析投资主体、供应链竞争强度、市场价格质量敏感度、控本能力等多个因素对决策的影响,识别促进质量改进并实现供应链参与者双赢的博弈均衡特征和占优均衡。研究发现:(1)在没有竞争的情况下,供应链应该通过投资改进质量;在有竞争时,供应链是否投资取决于两条供应链的控本能力差异。如果差异较大,能力弱的供应链应选择不投资。(2)当两条供应链采用不同的提质策略时,竞争强度、价格质量敏感度和提质者控本能力的增加都会扩大双方的利润差距。(3)投资主体和质量改进决策主体保持一致的决策机制能够保证投资的激励相容,促使供应链成员主动投资从而改进质量。(4)竞争能够降低供应链非合作代价,提升供应链效率。

基于改进S-ResNet34模型的小麦条锈病等级识别研究

[目的]快速准确识别小麦条锈病病害等级,对其精准防控具有重要意义。[方法]利用数码相机获取小麦叶片条锈病RGB图像,构建小麦叶片条锈病不同病害等级数据集,通过对ResNet34模型添加通道注意力模块(SE)和Inception模块加以改进,增强模型对小麦条锈病特征的关注程度和提取能力,并采用精准率、召回率、平衡F分数和准确率等评价指标,对比分析S-ResNet34与VGG16、MobileNetV2、Swin-Transformer、ResNet34等多种主流模型的识别精度。[结果]S-ResNet34模型的训练准确率为93.85%,相比于VGG16(84.53%)、MobileNetV2(79.35%)、Swin-Transformer(85.67%)和ResNet34(87.50%)等深度网络模型,准确率分别提高了9.32%、14.50%、8.18%和6.35%。模型损失值更小,改进的ResNet34模型识别小麦条锈病特征能力更强,训练收敛更快。[结论]采用深度学习模型能够准确识别小麦条锈病发病程度,通过对ResNet34模型添加注意力模块能有效提高小麦条锈病病害识别精度。

基于改进YOLOv5的红花目标检测算法研究

为实现农业非结构环境下采摘机器人对红花的准确识别,提出了一种基于改进YOLOv5的红花目标检测算法。将CBAM注意力机制嵌入到YOLOv5网络,提高了小尺寸目标物在高层次特征中的表现力;建立一种Alpha-IoU目标位置损失函数对原损失函数GIOU存在的梯度消失问题进行改进,提高了被遮挡红花的预测率,并通过在目标检测网络中增加分割检测模块,提高宽和高小于最低像素的小目标物检测精度,利用图像扩增数据集对改进后的YOLOv5算法进行训练,再分别与改进前后YOLOv5网络和Faster R-CNN网络在不同红花品种、不同自然光照情况、不同天气条件和不同遮挡情况下进行对比。试验结果表明:改进后的YOLOv5算法P值、R值分别为90.45%和0.90,对非结构环境下盛开期的未采摘红花mAP值达到94.48%,在不同影响因素下都可以准确识别出红花且置信度较高,可为红花采摘机器人自动化作业中的红花识别提供技术支持。

广州城市轨道交通车站客流接驳交通方式划分改进模型

[目的]为准确测算广州城市轨道交通车站接驳设施所需规模,需对车站各接驳交通方式下客流的分担率进行研究并预测。[方法]基于对广州城市轨道交通南村万博站、同和站等在不同天气状况下的进站客流接驳数据的实地调查,在传统MNL(多项Logit)模型的基础上,考虑天气、进出站接驳特征差异的影响,构建基于MNL模型的城市轨道交通车站客流接驳交通方式划分改进模型,并利用问卷调查的数据进行模型标定。[结果及结论]模型标定结果表明,仅接驳距离特征变量通过显著性检验,性别、出行目的等与轨道交通接驳方式选择间不存在明显的相关性;所研究的调查数据未捕捉到出行者年龄和接驳交通方式选择的相关性;对同和站晚高峰进站客流的晴天和雨天接驳交通方式划分改进模型进行检验,准确率分别达到86.0%和77.2%,说明考虑天气因素的城市轨道交通车站客流接驳交通方式划分改进模型是优于传统模型的。将城市轨道交通车站客流接驳交通方式划分改进模型应用于用地属性相似的目标站点,证实了该模型在实际客流预测中的有效性与合理性。

基于改进YOLOv5的复杂场景电动车头盔检测方法

佩戴电动车头盔是安全骑行的重要保障,对电动车驾乘人员佩戴头盔进行有效检测在保障驾乘人员安全方面具有重要意义。电动车头盔检测中存在目标之间相互遮挡、复杂背景干扰、头盔目标小等问题,现有方法尚不能满足复杂场景下电动车头盔检测的要求,因此,提出一种改进YOLOv5的复杂场景电动车头盔识别方法。首先,提出一种新的主干网络结构ML-CSPDarknet53,增强网络的特征提取能力,引入轻量级上采样算子CARAFE,利用特征图语义信息扩大感受野;其次,搭建坐标卷积CoordConv模块,增强网络对空间信息的感知能力,并将WIoU v3作为边界框损失函数,降低低质量样本对模型性能的不利影响;最后,构建了内容丰富的头盔检测数据集对改进算法进行验证。实验结果表明,改进后算法相较于原算法在精确度、召回率、mAP@0.5、mAP@0.5:0.95上分别提升了2.9%、3.0%、3.4%和2.2%,并且性能优于其他主流检测算法,满足复杂道路交通场景下电动车驾乘人员头盔检测的任务要求。