基于多尺度数据挖掘的数据尺度划分方法

本文将多尺度数据挖掘应用于数据尺度划分中,希望能够更好地对大数据中的数据尺度进行划分,提高数据划分的准确度和运算速度。首先明确其定义和应用方法,利用多尺度的定义将数据尺度化,根据尺度特征构建多尺度数据集,再将标签数据的基准尺度的最优选择方法建立数据熵的评价模型并将其作为数据尺度划分的依据,通过尺度层级迭代实现数据尺度划分。设计实验,将传统方法与本文方法进行对比,证明了设计算法的优越性和简洁性。

面向多尺度数据挖掘的数据尺度划分方法

多尺度挖掘在图形图像、地理信息、信号分析、数据挖掘等领域已有应用,多尺度数据挖掘在关联规则、聚类、分类挖掘领域也有相关研究与应用,但对如何对数据集进行普适性的多尺度划分以及如何构建多尺度数据集仍未展开研究,已有相关研究缺乏深度。文中从多尺度数据挖掘任务入手,定义了尺度概念,并给出了多尺度化数据集模型,以及基准尺度评分模型;依据概率密度估计的离散化方法提出了多尺度划分算法,扩展了可划分尺度的数据类型,划分结果更贴近数据的多尺度特性,且具有较低的时间复杂度;提出了多尺度化数据集方法、构建多尺度数据集算法和基准尺度选择算法,将多尺度熵与信息熵作为评价方法,在扩充多尺度化数据集方法的基础上,有效减弱了多尺度数据挖掘中因尺度推衍而产生的尺度效应,算法的时间复杂性也较为可控。利用H省真实人口数据集、UCI公用数据集和T10I4D100K数据集对所提算法和模型进行验证与实验分析,结果表明多尺度划分算法和多尺度化数据集方法是可行的,提出的多尺度化数据集方法和基准尺度评分模型是有效的,多尺度划分方法、构建多尺度数据集方法和基准尺度选择方法的应用平均提高了尺度推衍过程中1.6%的覆盖率、2.1%的F1-measure和3.7%的正确率,且具有较低的平均支持度误差。

多尺度数据条件下基于优化RF算法的工程机械可靠性仿真

工程机械是建筑工程的关键设备,其可靠性的高低直接影响到工程的生产效率,为了给项目工程提供可靠性较高的机械设备,提出多尺度数据条件下基于优化RF算法的工程机械可靠性分析方法。构建工程机械设备等效模型,确定工程机械设备的组成结构与材料,模拟工程机械设备工作流程,确定可靠性影响因素。采集工程机械设备多尺度数据,利用优化RF算法,通过决策树构建、特征提取等步骤,识别工程机械设备工作状态。计算工程机械可靠性指标的具体取值,实现工程机械的可靠性分析。通过仿真测试实验得出结论:与传统分析方法相比,优化设计方法的机械可靠性分析误差降低了0.033,通过可靠性分析方法的应用能够有效提升工程产品的生产合格率,由此证明优化设计方法在分析精度和应用性能方面具有明显优势。

小样本机器学习下数据多尺度挖掘算法设计

数据多尺度挖掘是指在数据挖掘过程中考虑不同尺度的数据信息,由于数据中存在大量特征,为了提高信息处理效率,且更精准地划分数据类型,提出一种小样本机器学习算法下数据多尺度挖掘方法。将使用者的部分动作抽象,建立网站页面会话用于学习不同的事件内容,获得小样本数据信息。通过复值函数构建Hibert空间,计算出样本元素再生核,提取小样本数据特征;利用特征向量构造特征矩阵调节数据间平衡性,得到数据相对熵。建立多尺度信息数据库,使用机器学习下逻辑回归离散化数据特征值,挖掘复杂项集指标的支持度,实现精准的数据多尺度挖掘。通过实验证明,所提方法数据分类效果好,挖掘准确率高,耗费时间少。

基于多尺度数据融合的锂电池健康状态评估

针对锂电池健康状态评估问题,提出一种以人工神经网络为核心多尺度数据融合框架下的锂电池健康状态评估方法.选取内阻、充电电压样本熵和等压降放电时间作为典型特征参数,建立3层分布式人工神经网络对特征参数进行多尺度融合计算,以计算拟合输出结果作为评估健康状态的参考值,并通过美国国家航空航天局(national aeronautics and space administration,NASA)试验数据集进行验证.结果表明:提出的评估方法能够基于锂电池充放电测量数据和解算特征参数,利用多尺度数据融合框架迅速迭代收敛,完成锂电池健康状态评估拟合;该评估方法的计算结果与测试平台实测值相比,平均误差小于3%,评估性能衰退趋势与实际劣化趋势一致.

多时间尺度数据故障诊断方法在风力发电中的应用

故障诊断是保障系统安全稳定运行的重要途径。在风力发电系统中,深度网络得到广泛应用,其自动特征提取能力得到了更好的发挥。然而,多时间尺度数据的不完备特性使得传统的诊断模型无法直接应用这类数据,因此本研究提出了基于数据融合的改进卷积神经网络/长期短记忆(CNN-LSTM)故障诊断模型。该方法通过统一向量化处理使多时间尺度数据变得一致和完备。同时,通过构造端对端的诊断模型,实现特征提取和故障诊断的同时优化。改进CNN-LSTM模型依靠CNN挖掘数据的隐含特征,然后LSTM基于CNN提取的特征进一步捕捉时间序列的时间依赖性。相比于手工提取特征的方法,该模型能够学习到更有效的数据特征。在风力发电故障诊断任务中,该模型的准确率、精度、召回率、综合分类率均达到了较高水平,准确率为99.41%,精度为99.87%,召回率为97.75%,综合分类率为98.80%。与对比模型相比,该模型取得了更好的效果。

地理空间数据的适宜尺度分析

在地理空间数据应用中，数据尺度的选取多采用经验模型方法。研究发现，数据的适宜尺度与研究区范围、研究对象的特征、数据使用者对结果精度的要求等因素有关。以山东省不同空间精度的土地利用数据为例，作者分析了不同精度下各种类型地块的面积与土地详调面积的偏差、不同精度数据下地块的空间集聚度等现象，发现对于山东省土地利用研究中，1：10万精度的数据是比较适宜的。

国内某区域风电场风资源中尺度评估与实际测风数据映射函数

目前世界上有较多的风资源中尺度数据平台,各平台数据与实测数据均有一定误差。本文基于国内某区域风电场实测的风资源数据与中尺度风资源进行对比分析,得到中尺度数据与实测数据的映射函数关系,通过两组数据的三阶函数拟合,得到某区域中尺度风速与实际风速函数映射关系,后期随着数据量增大,可根据拟合函数修正中尺度数据。该区域可使用中尺度数据通过拟合函数推算出当地较为精准的风速。

多尺度数据挖掘概述

多尺度数据挖掘应用领域广泛,是一个跨学科课题,其在数据挖掘基础之上,利用多尺度理论,多层次、多方位对数据进行分析,学习更全面的信息。多尺度数据挖掘在不同学科、不同领域有着不同的应用,针对一般数据集而言,主要集中在多尺度关联规则、多尺度聚类和多尺度分类。为了便于理解,从概念、步骤和分类三方面对多尺度数据挖掘研究进行了简要的阐述以及分析。

基于二次多项式回归模型的黑河流域TRMM数据降尺度研究

在不同空间尺度下分别建立TRMM 3B43降水数据与数字高程模型(DEM)和归一化植被指数(NDVI)的二次多项式回归模型,将2001—2013年黑河流域TRMM降水数据的空间分辨率从0.25°提高到1km,并利用流域内9个气象站点实测数据对降尺度结果进行了检验。结果表明:降尺度方法不仅提高了TRMM数据的空间分辨率,数据的精确程度也有所提高;与传统线性回归模型降尺度方法相比,基于二次多项式回归模型获得的降尺度结果更接近于实测值,其结果更为准确;模型建立的尺度对最终降尺度结果精确性具有较大影响,0.50°是基于DEM和NDVI对黑河流域TRMM降水数据进行降尺度的相对最优尺度。

基于多尺度数据融合Markov链模型的岩性随机模拟

Markov链模型在储层随机建模中发挥着越来越重要的作用,但难以融合岩心、测井、地震等多尺度数据限制了它在实际中的应用。依据前人研究的结果,提出了将多尺度数据融入到Markov链模型中的相关方法和公式,即将大尺度数据作为条件数据以贝叶斯公式表达,同时利用公式将小尺度数据转换为井点硬数据。应用此方法对SL盆地Y地区过井剖面进行的岩性模拟表明,相对于无数据融合的方法,此方法能更加直观、准确地揭示薄岩性层的分布。

面向大数据图像处理的尺度空间挖掘算法及应用

针对大数据挖掘及融合分析的基础理论问题,提出具体可操作的大数据尺度空间挖掘及融合分析方法.根据无限小的质点型热源在物理空间中的热量扩散规律,推导出大数据非线性尺度空间扩散方程.以各向异性的方向可调小波为热源函数,构建了各向异性的大数据非线性尺度空间;以各向同性高斯核函数为热源构建了各向同性大数据非线性尺度空间,以该空间为核心设计了各向异性特征挖掘算法.实验结果显示以各向异性小波热源空间为核心的挖掘算法可以进行分级差异化检测、特征强化、特征整合并最终锁定稳定特征,以各向同性高斯大数据空间为核心的检测算法可以对数据进行大量泛化特征检测.以光强色调饱和度、主成分分析、加权函数为热源构建了单热源和组合式热源大数据非线性空间,进而设计了融合算法并进行了多种类型的挖掘和融合实验;实验结果显示在清晰度、相关系数、信息熵、标准差、特征点数、稳定特征点数等指标方面,组合式大数据非线性尺度空间优于单热源融合空间及传统方法.综合上述可以得出:大数据非线性尺度空间具有强扩展性、开放性和适应性.

空间数据多尺度表达中空间关系的统一表达模型

首先分析了建立空间数据多尺度表达中基本空间关系统一表达模型的必要性及建模的基本思想,并用有序6元组作为空间数据多尺度表达中基本空间关系统一表达模型;其次证明拓扑关系表达模型RCC5模型、基于方向Voronoi图(DVDs)的方向群模型和Hausdorff距离的多尺度包容性,并将它们进行形式化表达应用于有序6元组中;最后证明有序6元组的多尺度包容性,并结合具体的实例验证模型的合理性。

一种多尺度数据融合模型的工程实践与相关理论问题

为解决不可重复测量物理量的真值估计问题,提出了一种"多尺度数据融合模型",该模型采用多传感器对同一物理量同时进行测量,对各个传感器的测量结果进行小波变换,并在不同小波尺度域对各个传感器的测量值进行多尺度加权平均,通过逆小波变换得到待测物理量的真值估计。笔者对该模型进行了分析和总结,包括对相关领域研究的评述,在此基础上,给出了数据融合定理及一些重要的推导及结论。

土地利用数据多尺度表达规则提取与应用

土地利用数据综合是从大型土地利用数据库中派生多尺度数据的基本操作,提高土地利用数据综合的客观性和可靠性的有效途径是解析数据自身特征、从数据特征导出影响综合操作的规则、遵循规则实施土地利用数据综合操作。本文主要探讨随地理区域不同而变化的区域依赖性数据综合规则的提取和应用。首先阐明了数据综合规则的实现目标和规则层次性;然后详细描述了利用空间关联关系分析和景观指数分析来确定用地类型的重要性级别、各用地类型地块的最小面积域值和空间分布状态等规则的提取方法和应用,并以湖北省九峰县1:10000土地利用数据综合生成1:50 000数据为例检验上述规则的有效性。

多源多尺度地图数据的组织与管理

多源多尺度地图数据的组织与管理是多源地图数据处理、数据融合以及地图制图综合的基础。首先对多源地图数据处理的主要方法和技术进行了总结;进而讨论了多源多尺度地图数据的组织与管理的两个关键技术,即多源多尺度地图数据引擎的设计和多图幅地图数据的内存管理技术。

一种矢量数据的双层次多尺度表达模型与检索技术

空间数据的多尺度表达是当代GIS研究的热点问题之一。该文针对矢量数据快速可视化的需求,结合制图综合领域的相关理论,提出了一种矢量数据双层次多尺度表达模型,用来将矢量数据抽象为空间要素和要素内的点坐标两个层次进行表达。其中空间要素层次的表达以空间要素为最小研究单元,通过建立多尺度索引来描述空间要素因尺度改变而引起的数量或性质变化;要素点坐标层次的表达则是以要素内坐标点为最小研究单元,通过尺度层次标记的方式来表达空间要素内的点坐标随尺度变化的渐变过程。该模型在开源数据库管理系统Postgre SQL支持下,扩展了相应的索引与函数,实现了矢量数据的双层次多尺度表达模型,同时设计了相应的检索算法,并以某城市1:10 000土地利用数据为例,对上述模型与检索算法进行了验证。实验结果表明,在基本不影响可视化效果的前提下,该矢量数据多尺度模型能极大地提高海量矢量数据的可视化与传输的效率。

一种可调阈值的数据最优尺度选择算法

粒度计算正向多粒度层次选择及数据最优尺度选择等方向发展。对具有不同尺度等级的数据组合进行相关研究。针对具有不同数据尺度的系统,构建了一种可调阈值的数据最优尺度选择算法,以便选择数据中的最优尺度,从而获得最优尺度组合。最后,结合决策树分类算法,并采用5个UCI公开数据集实验验证了所提出算法的可行性和有效性。

基于多尺度随机模型的多尺度数据综合算法

通过对小波变换综合形式进行分析与概括 ,建立起基于尺度变量的随机动态模型 ;针对在不同尺度上拥有不同特征的传感器 ,研究基于上述随机模型的目标状态的多传感器数据最优预测、滤波和平滑估计问题 ,其估计值是对不同尺度上 (含有不同观测噪声 )不同观测量值的综合。

多尺度纹理图像数据抗干扰信息映射方法研究

针对当前的抗干扰信息融合方法受到噪点干扰的影响较大,存在映射精度低、误差大的问题,提出基于白平衡偏差补偿和小波尺度分解的多尺度纹理图像数据抗干扰信息映射方法.首先进行多尺度纹理图像数据的特征采集,对采集的原始图像数据采用小波降噪方法进行提纯预处理,然后进行图像的白平衡偏差补偿,实现图像数据的修正和多尺度纹理信息的融合,采用小波尺度分解方法进行图像数据抗干扰信息的特征提取和分层映射,提高图像数据信息的融合深度.最后进行仿真测试,结果表明,采用该方法进行多尺度纹理图像数据抗干扰信息映射,能提高图像数据的提取精度,图像数据的信噪比和归一化相关系数较大,表明抗干扰信息映射融合的较好,鲁棒性较强.