基于复杂网络社团聚类的复合故障特征分离诊断方法

针对复合故障多种故障特征相互叠加彼此干扰,给全面准确诊断带来困难,提出了基于复杂网络社团聚类的复合故障特征分离诊断方法。该方法首先应用EMD将复合故障信号分解为若干个IMF分量,由于不同单一故障的特征会在不同频段得以体现,提取每个IMF分量的特征量,建立故障数据网络模型;然后将每个IMF分量视为网络中的社团,根据复杂网络社团结构的特性,进行同类社团合并,合并所得每个社团与单一故障相对应,最后对合并的信号进行分析,实现复合故障特征分离。以转子不平衡和轴承内圈、轴承内圈和滚动体复合故障特征分离与诊断为例,验证了该方法的可行性。

基于复杂网络社团聚类的故障模式识别方法研究

复杂网络是近年兴起的一种新的理论,已迅速渗透到从自然科学到工程科学等多个领域。从复杂网络社团结构的本质特性出发,将故障样本抽象为网络节点,样本与样本之间的联系抽象为边,建立故障数据网络模型。利用复杂网络节点关联度的概念选取社团初始聚类中心,利用欧氏距离函数实现网络社团初始划分,设计社团区分准则函数,并引入模块性合并指标变化进行同类社团合并,最终实现准确的社团聚类与故障诊断。滚动轴承故障诊断实例验证了方法的有效性。

一种预填补社团聚类的兴趣点推荐算法

基于位置的社交网络(LBSN)中的数据信息往往会存在数据稀疏,甚至部分信息缺失的情况,导致推荐的准确性不高.兴趣点推荐系统中蕴含着丰富的多源异构数据,如好友关系数据、地理位置数据以及用户对兴趣点的评分等,使用这些数据可以有效提升兴趣点推荐算法的准确率.本文提出一种预填补社团聚类的兴趣点推荐算法.通过社团聚类算法来分别对签到评分数据以及好友关系数据建模得到用户对兴趣点的个人兴趣和社交兴趣,并添加距离影响因素.从而建立了SoGS模型来进行兴趣点推荐.并且提出一种基于相容类的预填补算法来缓解原始用户-兴趣点评分矩阵的稀疏性问题,融合SoGS模型进行对比实验.实验采用Yelp数据集,结果表明,SoGS模型能有效提高兴趣点推荐系统的准确率和召回率.

基于社团聚类算法的低压电能表故障状态分类研究

目的:研究低压故障电能表的故障状态分类问题。方法:通过对智能电能表故障类型数据进行社团聚类与分析,初步确定故障电能表的故障类型。结果:在实际确定故障原因的32块电能表中,用该方法正确分析出故障原因的电能表有26块,精确率达81.25%。结论:所提出的分析方法不仅能够较为准确地确定故障电能表主要故障原因,具有较高的精确率与现场实际应用性,而且对后续电力公司进行电能表更换工作具有重要意义。

基于隐藏标签节点挖掘的跨网络用户身份识别

随着各种社交网络不断涌现,以及针对社交网络的安全和商业应用的不断普及,跨网络用户身份识别成为当前的研究热点。针对现有的基于自中心网络环境(Ego-UI)算法对标签节点利用率不高的缺点,提出一种基于隐藏标签节点挖掘的跨网络用户身份识别(HLNM-UI)算法。该算法通过给待匹配节点添加社团聚类信息,将挖掘出的隐藏标签节点加入到自中心网络里,通过对潜在的关系信息加以利用,提高待匹配节点的辨识度,然后利用标签节点找寻最佳匹配,最后通过迭代运算实现全网络所有节点的身份识别。在多个人工随机网络和真实社交网络实验结果表明,提出的算法相比现有的基于自中心网络算法具有更高的召回率和F1值。