基于相对局部密度的三维节点调度算法

针对目前大多数节点调度算法在冗余节点退避休眠过程中能耗大的问题,提出了一种基于相对局部密度的三维节点调度方法。算法定义了节点相对局部密度的概念,首先根据冗余法则判断节点是否冗余,然后根据节点的剩余能量和相对局部密度让冗余节点以概率竞争的方式休眠,从而避免了节点退避休眠的能耗。仿真实验表明基于相对局部密度的三维节点调度方法能在满足指定的覆盖率的前提下,降低节点的能耗,延长网络的生存时间。

基于局部相对密度的离群点检测算法

数据集中离群点占比很小,但大多现有的方法在检测期间需要对所有数据都进行离群度计算。针对此问题提出一种基于互近邻聚类的正常数据去除算法(EMNC),通过数据预处理最大程度消除正常点。只考虑k最近邻不适用分布异常的离群点,充分利用对象与其邻居的分布,同时考虑k最近邻、反近邻和共享近邻来进行密度估计。最后重新定义基于局部相对密度的离群度(ROF)对剩余可疑点进行离群判断。该算法在减少离群度计算量的同时提升了检测效率,在合成与真实数据集上和其他方法的对比实验结果表明了算法的有效性。

基于局部相对概率密度kNN的多模态过程故障检测?

针对多模态过程数据方差差异明显的空间分布特点,提出一种基于局部相对概率密度k近邻(LRPD-kNN)的多模态过程故障检测方法。首先对训练数据进行标准化,计算训练数据的局部相对概率密度估计值,消除多模态数据的方差差异。然后,对预处理后的数据建立kNN模型,计算统计量和控制限。对于测试数据,计算与训练数据局部相对概率密度的欧式距离平方和,通过比较统计量与控制限进行多模态故障检测。将该方法应用到数值例子和半导体生产过程,仿真结果表明,提出的算法效果要优于PCA、kNN和局部离群因子(LOF)方法,说明算法在方差差异较大的多模态过程故障检测方面具有很高的准确性。

基于局部结构自表达的鲁棒演化聚类算法

聚类是一种无监督学习方法,它通过对样本特征分析度量数据间的相似性和差异性,利用簇内相似性高、簇间差异性大的特性对数据进行自动化分组,被广泛应用于计算机视觉、文本挖掘、生物信息等领域。聚类算法在鲁棒性、普适性、类数选择等方面存在提升空间,且算法的效果很大程度上受到数据集密度和流形的影响。提出了基于局部结构自表达的鲁棒演化聚类算法,该算法通过使用径向基函数并加入先验信息获取数据的局部密度差异特征,构建全新的相似性度量,在此过程融入了数据局部结构特征的提取机制和稳定类的识别机制,使聚类具有更好的鲁棒性和普适性。动态演化聚类在这两个方面有着天然的优势,可在动态的聚类过程中持续优化聚类结果,使得聚类效果得到了很大改进。新算法通过数据集结构信息自表达对局部和整体特征进行信息融合,同时在动态的演化过程中监控类的稳定性,从而得到更好的聚类结果。在人工数据集和真实数据集上的实验结果表明,新算法的聚类性能更优越。

融合相对密度和最近邻关系的密度峰值聚类

密度峰值算法在处理密度不均匀的数据时对中心点的选取不准确,并在样本分配时易产生连带错误,导致聚类效果不佳。针对上述问题,提出一种融合相对局部密度和最近邻关系的密度峰值聚类算法。在局部密度的定义中引入稀疏平和权重,提出相对局部密度的定义,根据相对局部密度寻找密度峰值,避免稀疏差异较大的数据集在选取密度峰值时出现的错误,确保中心点选择的正确性;针对分配策略,结合最邻近点准则和阈值限制,提出最近邻分配策略,根据阈值条件有效抑制分配连带错误;基于类内距离均值定义距离比例,提出修正分配策略,提升算法对边界点聚类的准确性。在5个合成数据集和5个UCI数据集上,将提出算法与DPC、DPC-MND、FKNN-DPC、DBSCAN、OPTICS、AP、K-means算法进行比较,实验结果表明,所提算法在调整互信息、调整兰德系数和Fowlkes-Mallows指数上均表现出良好的聚类效果,并通过Friedman检验表明该算法具有最优的性能。

基于局部相对密度映射的变密度多孔结构设计方法

针对变密度多孔结构设计依据的拓扑优化密度信息不能被充分有效利用的问题,提出一种基于拓扑优化局部相对密度映射的变密度多孔结构设计方法。该方法根据多孔结构力学特点建立等效连续体的拓扑优化模型,通过拓扑优化密度的局部映射策略和调整方法,将拓扑优化的密度信息映射到多孔结构单元并根据映射的相对密度生成变密度多孔结构。此外,为检验多孔结构与拓扑优化密度信息的匹配程度,提出一种基于体素化和矩阵相似度的分析评价方法。最后以不同尺度的二维蜂窝为案例,验证了所提变密度多孔结构设计方法的可行性和有效性。

基于LECA的多工况过程故障检测方法

针对工业过程监控中的多工况复杂分布数据,提出一种基于局部熵成分分析(LECA)的故障检测方法。为处理数据的多模态分布问题,LECA首先采用KNN-Parzen窗方法估计变量的局部概率密度,进一步构造局部相对概率密度函数降低对窗参数选择的敏感性。为有效挖掘非高斯分布数据中的特征信息,利用信息熵理论计算过程数据的局部信息熵,并采用独立元分析(ICA)方法建立局部熵成分统计模型,实时检测过程故障。在数值例子和连续搅拌反应釜(CSTR)上的仿真结果表明,该方法在故障检测过程中能够获得较好的监控性能。