带模糊属性的空间Co-Location模式挖掘研究

空间Co-Location模式挖掘是空间数据挖掘的一个重要研究方向,正受到越来越多的关注。在实际应用中,空间特征不仅包含空间信息,还经常伴随着属性信息,这些属性信息对决策和知识发现有重要意义。然而现有的Co-Location挖掘方法只强调特征的空间信息,忽略了其属性信息。基于对属性信息的模糊化处理,定义了模糊特征和模糊Co-Location模式等概念。类似于传统空间Co-Location模式挖掘中的相关概念,定义了模糊Co-Location模式的表实例和参与度等概念。在证明模糊Co-Location模式的向下闭合性质的基础上,设计了一个基本挖掘算法。为提高算法的可伸缩性,提出了两个剪枝方法。在合成的和真实的数据集上进行了大量实验,验证了基本算法及其改进算法的效果和效率。

实例位置模糊的空间co-location模式挖掘研究

实例位置模糊在许多领域里都有着非常重要的应用,比如生物医学图像数据库和地理信息系统(geographic information system,GIS)。研究了实例位置模糊的空间co-location模式挖掘问题。定义了实例位置模糊的空间co-location模式挖掘的相关概念,包括实例位置模糊、位置参与率等;给出了基本算法来挖掘实例位置模糊的co-location模式;提出了两种改进算法,即基于网格的距离计算和减枝候选模式,以提高挖掘性能,加快co-location规则的产生。通过大量的实验,说明了基本算法及其改进算法的效果和效率。

模糊对象的空间Co-location模式挖掘研究

空间co-location模式表示的是空间对象的实例在一个相同的区域内频繁地空间并置.过去人们已经对确定及不确定数据的co-location模式挖掘问题进行了一些研究,但是针对模糊对象上进行的研究还没有.模糊对象在许多领域里都有着非常重要的应用,比如生物医学图像数据库和GIS.该文研究模糊对象的空间co-location模式挖掘问题.首先,定义模糊对象上空间co-location模式挖掘的相关概念,包括模糊参与率、模糊参与度等.其次,提出FB算法挖掘模糊对象的co-location模式.接着,提出了3种改进算法,包括剪枝对象、减少实例间连接、改进剪枝步,以提高挖掘性能、加快co-location规则的产生.最后通过大量的实验说明FB算法及其改进算法的效果和效率.

不均匀模糊空间对象的分层次co-location模式挖掘方法

针对现有的co-location模式挖掘算法无法有效处理不均匀分布空间对象的问题,提出一种不均匀模糊空间对象的分层次co-location模式挖掘方法。首先提出一种不均匀数据集的生成方法;然后对不均匀分布的数据集进行层次划分,使每个区域具有均匀的空间分布;再基于改进的PO_RI_PC算法对划分后的模糊对象进行空间数据挖掘。该方法基于距离变化系数构建每个子区域的邻域关系图,进而完成区域融合,实现co-location模式挖掘。实验结果表明,与传统方法相比,所提方法的执行效率更高,随实例个数和不均匀度的变化获得的co-location集个数更多,同比情况下平均提高约25%,获得了更精确的挖掘结果。

空间co-location模式挖掘中的模糊技术初探

空间并置(co-location)模式是指其特征的实例在地理空间中频繁并置出现的一组空间特征的集合。传统co-location模式挖掘通常由用户给定一个邻近阈值来确定实例的邻近关系,使用单一的邻近阈值来判定两个空间实例的邻近性可能会造成邻近关系的缺失,也没有考虑距离大小的不同对邻近关系的影响。同时,传统方法主要利用频繁性阈值来衡量模式的频繁性,存在着算法效率对频繁性阈值较为敏感的问题。由于频繁并置的特征间具有较高的邻近度,因此利用聚类算法可以将其聚集在一起,加之邻近以及特征间的并置都是模糊的概念,因此将模糊集理论与聚类算法相结合,研究了空间co-location模式挖掘中的模糊挖掘技术,在定义模糊邻近关系的基础上,定义了度量特征之间邻近度的函数,基于特征邻近度利用模糊聚类算法挖掘co-location模式,最后通过广泛的实验验证了提出方法的实用性、高效性及鲁棒性。

一种模糊对象的极大co-location模式挖掘算法

空间co-location模式表示的是空间对象的实例在一个相同的区域内频繁地进行空间并置。人们已经对确定和不确定数据co-location模式挖掘做了很多工作,也有很多成果,但对极大co-location模式挖掘研究较少,特别是针对模糊对象的极大co-location模式挖掘研究还未见报道。提出Mevent-tree算法来挖掘模糊对象的极大co-location模式,首先为每个对象构建空间对象树,从而得到候选模式,然后为候选模式集构建HUT树,最后在HUT树中从阶数最大的候选模式开始到阶数2为止,深度优先搜索极大co-location模式并在得到极大模式后对HUT树剪枝。接着提出两个改进算法,包括预处理阶段模糊对象的剪枝算法和在构造HUT树之前co-location候选模式的剪枝算法。最后通过大量实验验证了Mevent-tree算法和改进算法的效果和效率。

模糊特征的top-k平均效用co-location模式挖掘

空间并置(co-location)模式是指在空间邻域内空间特征的实例频繁地出现在一起所形成的非空特征子集。人们已经对确定数据和不确定数据的top-k空间co-location模式挖掘进行了相关研究,但是针对模糊特征的top-k平均效用co-location模式挖掘的研究还没有。提出模糊特征的top-k平均效用co-location模式挖掘。首先,定义了模糊特征的top-k平均效用co-location模式的相关概念,分析了模式的扩展模糊平均效用具有的“向下闭合”性质。其次,设计了一种基于扩展模糊平均效用值挖掘top-k平均效用co-location模式的算法,解决模糊平均效用不满足“向下闭合”性质的问题。在此基础上,又提出了一种基于局部扩展模糊平均效用的剪枝方法,有效地减小了top-k平均效用co-location模式挖掘的搜索空间,进一步提高了挖掘算法的效率。最后,在真实和合成数据集上验证了所提出算法的实用性、高效性和鲁棒性。

模糊空间的colocation模式挖掘研究

近年来空间colocation模式挖掘由传统数据扩展到了不确定数据、模糊数据领域,但在模糊数据层面上,只有少量关于对象模糊的研究,而对于模糊空间这一论域的研究还是空白。基于经典的colocation模式挖掘的理论,针对性地提出了面向模糊空间的colocation模式挖掘及相关定义,增加了模糊数据领域内研究的深度和广度,并根据模糊数学理论结合空间colocation挖掘的特点,在模糊距离隶属度函数未知的情况下建立了具有较好适用性的FS基本算法。该算法一改以往在经典数据集上需要验证"团实例"的复杂做法,大大提高了算法性能。在已知模糊距离隶属度函数时,给出一个同时适用于经典数据以及模糊数据的增加数据完整性的通用方法;引进模糊方位,给出完全有别于以往的FS补充算法,增加了数据的完整性,并能实现模糊数据空间向经典数据空间的转换。

从不确定数据集中挖掘频繁Co-location模式

把挖掘频繁co-location模式的经典算法Join-based算法扩展到了UJoin-based算法,解决了从不确定数据集中挖掘频繁co-location模式的问题。针对UJoin-based算法中ED(expected distances)计算开销大的问题,介绍了两种剪枝技术:边界矩形剪枝技术和三角不等式剪枝技术,其中,在三角不等式剪枝部分,分别讨论了取1个锚点、5个锚点和9个锚点的不同情况。通过大量实验证明了剪枝策略有效避免了大量的ED计算,提高了算法的效率。

空间高效用Co-location模式挖掘技术初探

空间Co-location模式是一个空间特征集,集合中各个特征的实例在邻近区域内频繁并发出现.在经典的频繁模式挖掘研究中,最近的突破之一是将效用概念作为新的兴趣度量,它允许事务中同一个项可以有多个实例出现且不同的项可以具有不同价值.本文将效用概念引入到空间Co-location模式挖掘中,定义了模式效用、模式效用率等概念,提出一种基础算法挖掘空间高效用Co-location模式.接着定义了扩展模式效用,并根据它的反单调性提出一种剪枝策略:完全剪枝算法,加快了空间高效用Co-location模式的产生.最后通过大量实验来说明完全剪枝算法的效果和效率.

模式切换结合模糊PWM的气动容腔压力控制方法

容腔压力是管路系统的主要控制对象,用高速开关阀代替普遍使用的比例阀进行压力调控,可大幅降低系统成本。针对单腔双阀压力跟踪系统,提出了一种模式切换结合模糊PWM的气动容腔压力控制方法。该方法的目的是减小超调,降低调节时间,提高压力跟踪性能。首先由模糊控制器根据偏差给出占空比指令,然后通过引入PWM将开关量转换为连续量调节,进而通过快速切换开关阀的工作模式实现容腔内压力的精细化调节。仿真结果表明:阶跃响应的超调量小于0.6%,峰值时间0.15 s,调节时间0.16 s,同时能够很好的跟踪上0.5 Hz的谐波信号,与当前控制策略相比,超调量和调节时间均有明显的降低。

模糊性政策执行模式的动态转换逻辑——以异地就医即时结算政策为例

目的:在高度复杂性和不确定性条件下,模糊性日益成为公共政策的显要属性。缘于模糊性,政策执行过程往往伴随执行模式的动态转换,而学界对该转换过程和机制缺乏足够探讨。方法:本研究基于修正的模糊—冲突模型和多源流模型,构建了一个解释模糊性政策执行模式动态转换的分析框架,并以异地就医即时结算政策为例对模式转换逻辑进行了阐释。结果:同一项模糊性政策在执行中会经历从试验性执行到象征性执行,再到政治性执行,最终进入常态化行政性执行的动态转换过程。促使执行模式转换的原因与对应阶段的主导动力源流密不可分。结论与建议:细化的执行手段、清晰的权责关系、自上而下的高位推动、充足的执行资源及数字化技术都有助于降低政策的模糊性和冲突性,提升政策执行效果。

基于模糊综合评价法的EPC模式下装配式建筑成本风险评价

成本控制对装配式建筑的建造起着至关重要,对装配式建筑的成本风险进行评价能够对成本控制发挥重要作用。文中通过熵权法-AHP组合赋权法对各项风险评价指标进行权重的确定,并采用模糊综合评价法建立了EPC模式下装配式建筑成本风险评价模型。将所构建的成本风险评价指标体系及其评价模型应用到实例QCYJHY项目成本风险进行评价,证实了模型的可行性,得出QCYJHY项目成本风险属于较高等级。

图片模糊集的一种相似度量及其在模式识别中的应用

图片模糊集能刻画具有模糊性、不确定性和不一致性的信息,相似度量是刻画两个对象的相似程度。文中研究图片模糊集的相似度量。考虑图片模糊集3个隶属度的信息差,基于指数函数构造出一种新的相似度量。文中提出的相似度量不仅满足相似度量的公理化定义,并且在实际应用中得到合理的计算结果。将相似度量应用到模式识别中,与现存的一些相似度量进行对比分析,结果表明所提出的相似度量不仅可以弥补一些现存相似度量的缺陷,还可以得到合理的计算结果。

Picture最小二乘模糊推理算法在模式识别中的应用

目的:由于picture模糊推理全蕴涵算法和picture模糊推理五蕴涵算法所满足的还原性是有条件的还原性,我们寻找一种满足无条件还原性的picture模糊推理算法。方法:将picture模糊集转化为三维模糊集,结合最小二乘模型的思想,构建最小二乘模型的picture模糊推理算法。结果:给出基于最小二乘模型的picture模糊推理算法及其解的表示形式。结论:我们将基于最小二乘模型的picture模糊推理算法应用到模式识别,实验结果表明,本文提出的算法是合理和有效的。

基于成分数据分析与模糊模式识别的古代玻璃种类鉴别

以一批古代玻璃制品成分数据为例,研究成分数据处理方法与模糊模式识别在古代玻璃分类鉴别中的应用。采用非对称、对称与等距3种对数比变换方法,对古代玻璃成分数据进行转换,针对数据中零值不能进行对数比转换的情况,引入可以保持单形空间运算的乘法替换法。分别对比3种对数比变换方法对模糊模式识别结果的影响,同时引入随机森林与支持向量机算法,对模糊模式识别方法做进一步的分析。近似零值替换后古代玻璃成分数据的统计特征基本不变,乘法替换法具有良好的替换效果。模糊模式识别结果的准确率与变换方法特性表明,基于对称对数比变换的模糊模式识别方法最优。在古代玻璃的分类鉴别研究中引入成分数据分析理论,为古代玻璃成分数据的处理提供一个科学的方法。模糊模式识别方法的引入,为考古工作者、地质研究人员等,提供一种新的简单快速且准确的分类方法。

基于Voronoi图和距离衰减效应的模糊实例空间并置模式挖掘算法

空间并置模式挖掘用于发现一组空间特征,它们的实例在空间中频繁地相互邻近。传统的空间并置模式挖掘过程中,将空间实例抽象成点对象,每个实例对应一个确定位置。然而,规模较大的空间实例有多个重要位置点(如医院、公园入口),其空间位置因对其入口的认知不同而存在差异,具有模糊性。对于这些模糊实例,本文考虑其重要位置点对该实例规模的贡献,重新定义实例间的邻近度。此外,传统的并置模式挖掘方法忽略了特征实例的空间分布密度以及邻近实例间的邻近程度,采用静态的距离阈值来识别邻近实例。本文考虑特征的分布密度,用Voronoi图自适应提取不同特征的邻近实例,结合邻近实例的距离衰减函数,更加科学地描述实例间的邻近度。提出一种同时考虑模糊实例规模和距离衰减效应的空间并置模式挖掘方法,为实现快速挖掘,设计了极大团和哈希表搜索参与实例的挖掘框架。在真实数据集和合成数据集上进行实验,验证本文的算法可以发现传统空间并置模式挖掘方法所忽略的有意义模式。

基于层次分析和模糊综合评价法的轨道交通运营模式评价

为了应对层次分析法在量化主观评价指标时面临的困境,同时弥补模糊综合评价法在指标权重分配上的不足,提出一种基于层次分析法和模糊综合评价法的轨道交通运营模式评价方法。以重庆城市轨道交通为例,汇总调查分值并使用YAAHP软件进行数据处理,以此判断每个指标的权重高低;采用模糊综合评价方法建立模糊综合评级矩阵,合成模糊综合评价结果向量,得出重庆轨道交通运营模式的综合评价结果为一般。利用所提方法的评价结果与文献给出的评价结果保持在同级别的水平上,可为轨道交通运营模式的评价提供科学方法。

基于模糊模式感知模块的场景文本图像超分辨率算法

现有的场景文本识别器容易受到模糊文本图像的困扰,导致在实际应用中性能较差.因此近年来研究人员提出了多种场景文本图像超分辨率模型作为场景文本识别的预处理器,以提高输入图像的质量.然而,用于场景文本图像超分辨率任务的真实世界训练样本很难收集;此外,现有的场景文本图像超分辨率模型只学习将低分辨率(LR)文本图像转换为高分辨率(HR)文本图像,而忽略了从HR到LR图像的模糊模式.本文提出了模糊模式感知模块,该模块从现有的真实世界HR-LR文本图像对中学习模糊模式,并将其转移到其他HR图像中,以生成具有不同退化程度的LR图像.本文所提出的模糊模式感知模块可以为场景文本图像超分辨率模型生成大量的HR-LR图像对,以弥补训练数据的不足,从而显著提高性能.实验结果表明,当配备提出的模糊模式感知模块时,场景文本图像超分辨率方法的性能可以进一步提高,例如,SOTA方法TG在使用CRNN文本识别器进行评估时,识别准确率提高了5.8%.

模糊模式识别在水煤浆锅炉结渣特性判别上的应用

该文基于模糊数学原理,采用模式识别方法,尝试性地提出将综合指数R与4个常规结渣指标(软化温度T2、硅比G、硅铝比SiO2/Al2O3和碱酸比B/A)一起构成评判因素集,对某燃料水煤浆灰和取自该锅炉不同部位的另3个样品(炉渣、转向室灰和除尘灰)进行了结渣倾向性判别,以验证该模型的可靠程度。通过沾污特性分析和粘聚特性试验及与同一模型的模糊综合评判对照,结果表明该新模型较以前的四因素法具有更高的准确性,从而保证了判别结果的可靠性。同时也证明了实验室煤灰明显有别于现场锅炉煤灰。