广东车八岭国家级自然保护区石松类和蕨类植物多样性研究

为全面了解广东车八岭国家级自然保护区的植物资源,并为区内生物多样性的长期监测、保护管理和科普教育提供数据支持,于2023年6月至8月通过样线法对该区石松类和蕨类植物进行野外考察和标本采集,并结合文献资料对保护区内石松类和蕨类植物的物种组成、区系特征及资源情况进行统计分析。结果表明:(1)车八岭保护区共有石松类和蕨类植物25科75属231种(含种下等级),本次调查新增保护区内植物64种,隶属于11科28属。(2)保护区内石松类和蕨类植物有单种科6科、单种属38属,分别占总科、属数的24.00%和50.67%,表明该区石松类和蕨类植物具有一定的古老性和孑遗性。(3)保护区内石松类和蕨类植物的区系地理成分复杂多样,其中科属以热带成分为主,分别占总科、属数的60.00%和68.00%;物种以亚热带成分为主(54.98%),热带成分次之(29.87%),符合亚热带植物区系的特征,并具有一定程度的热带区系性质。(4)与周边保护区相比较,车八岭保护区与青云山省级自然保护区的关系最为密切,科属种的相似性指数(Jaccard/Krober系数)分别为92.00/96.00、73.42/85.33、42.42/62.86,推测与两者地理距离较近和气候特征相似有关。(5)保护区内石松类和蕨类植物资源丰富,其中具食用价值6种、药用价值145种、观赏价值141种和工业价值32种,并发现4种国家重点保护石松类和蕨类植物。

面向无人机通信网络的信道全域特性空间聚类和识别

为提高无人机通信网络的稳定性和可靠性,提出了一种基于信道全域特性的信道子空间聚类与识别方法。首先,利用距离域、时延域、空间域和多普勒域特性对信道进行完备表征,并提出了一种信道子空间聚类方法,将全域特性相似的信道组成信道子空间,作为无人机通信场景分类的依据。然后,提出了一种基于反向传播神经网络的信道子空间识别方法,判断新的信道数据是否属于原有信道子空间的结构,并利用信道全域特性作为特征张量以提高识别精度。同时,通过计算信道与信道子空间中心的距离,消除训练数据异常值的影响,从而提高识别的鲁棒性。最后,通过入射及反弹射线法/镜像法对176个典型数字城市场景进行仿真,获得176000个信道的全域特性和对应信道状态信息,用于验证本文提出的聚类和识别方法的准确性。仿真结果表明,本文提出的场景识别方法可以将传统场景分类方法的176个识别目标减少至20个,且信道子空间中信道状态特性的吻合度达到99%,识别方法的准确度也达到98.7%。因此,本文提出的方法可以精确识别无人机通信工作中所处的信道子空间,为无人机通信性能优化提供依据。

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

基于组合相似度动态聚类和词熵的网络话题在线检测

[研究目的]为实现网络热点话题的在线检测,提升增量式聚类算法的聚类效果,提出了基于组合相似度的动态聚类算法,同时通过计算词熵实现主题词提取和演化跟踪。[研究方法]通过CIFG-BiLSTM-CRF模型实现文本的命名实体识别,计算文本与话题的实体相似度,再取文本词向量与话题中心余弦相似度的最大值作为词向量相似度,二者结合判断文本所属话题。在聚类过程中利用时间窗口策略实现话题中心和成员文本的动态更新。同时,计算文本词熵,生成话题的词熵和列表,实现话题主题词提取和演化跟踪。实验以新冠疫情新闻为数据实现话题在线检测,并展示了话题主题词的演化和跟踪过程。[研究结论]实验表明,与传统相似度计算方法相比,组合相似度能够获得更好的聚类效果,聚类过程中提取出的话题主题词也正确地反映了原始数据的热点话题内容。

基于聚类和深度学习的车联网轨迹隐私保护机制

针对车联网轨迹发布中用户面临的隐私泄露问题,提出基于聚类和深度学习的轨迹隐私保护机制(PPCDL).考虑轨迹中的时间因素,通过时间戳将轨迹空间划分为多个区域,获取区域中的轨迹分布点.对每个区域进行改进稳定隶属度多峰值聚类,根据区域轨迹密度进行隐私预算矩阵的预分配.利用时间图卷积网络模型提取轨迹数据的时空特征,对隐私预算预分配矩阵进行训练和预测.根据预测结果添加相应的拉普拉斯噪声,在轨迹数据发布前进行扰动.理论分析和实验结果表明,PPCDL相较于对比机制,时间开销更少,能够更精确地预测隐私预算.利用PPCDL可以合理地在轨迹数据中添加拉普拉斯噪声,有效地提高了轨迹数据的可用性.

基于模糊聚类和改进Densenet网络的小样本轴承故障诊断

针对实际中轴承的故障数据少难以满足深度学习数据大量训练模型的要求,利用卷积神经网络的微小特征提取优势和模糊聚类不需要训练即可完成分类的特点,提出了一种基于模糊聚类和改进Densenet网络的小样本轴承故障诊断方法。首先将预训练微调的Densenet网络去掉分类只保留特征提取层,设计一个维度自适应全局均值池化层(GAP)代替全连接层(FC),其次利用模糊聚类代替Densenet网络的softmax分类层,不需要训练即可完成分类。实验结果表明:该算法利用小样本数据训练网络中的GAP参数,模型需要的训练样本大大减少,诊断时将轴承时域图像输入到网络中,在GAP层输出1 920个特征数据,不同故障状态的特征数据构建特征向量矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵,当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,从而实现轴承故障分类。

基于DBSCAN聚类和区间回归的多谐波责任划分

在背景谐波阻抗变化和背景谐波电压波动的情况下,传统谐波责任划分方法难以适用于现有的统计型谐波监测数据,提出一种背景谐波变化下基于监测数据的多谐波责任划分方法。首先,构建谐波监测数据区间样本集,并建立背景谐波变化下的多谐波源区间谐波责任划分数学模型;其次,利用基于密度的聚类算法(DBSCAN)将采集到的统计型谐波数据集以簇为评价周期进行场景划分,并采用滑窗动态相关性分析方法筛选出满足线性关系阈值要求的数据;最后,利用基于参数化回归算法(PM)的区间线性进行方程参数计算并获取最佳样本划分方案,在构造的区间谐波责任划分基础上计算中长期时间范畴的谐波责任。利用实际电网中的谐波监测数据对所提方法进行验证,验证了该方法能利用现有的统计型谐波监测数据在背景谐波变化的情况下对每个谐波源进行合理时间尺度的谐波责任划分,可为实际电力系统运行过程中的多谐波责任划分提供一种新的思路。

基于半监督竞争聚类和改进Apriori算法的大型火电机组燃烧优化

为消纳大规模新能源并网,火电机组通过数据挖掘进行燃烧优化时需处理更高维度、更大存量的数据,现有无监督聚类/Apriori算法挖掘效率低不适应机组高灵活性运行要求。针对此问题,在无监督聚类算法中引入约束惩罚因子使之转为半监督聚类以提高聚类效率,并基于划分思想对Apriori算法进行改进以避免冗余规则的产生,提高挖掘效率,形成基于半监督竞争聚类与划分关联规则挖掘结合的新数据挖掘算法。以某电厂660 MW机组为例,用新算法进行数据挖掘,得到各运行参数优化值,建立典型样本库实施燃烧优化,并与改进前算法做对比。结果表明:新算法提高了挖掘效率与存储空间利用率,对于大型火电机组的燃烧优化有一定的实际应用价值。

谱聚类和Apriori算法在建筑坍塌事故致因组合分析中的应用

建筑坍塌事故是人员伤亡和经济损失较大的事故类型之一。为探究建筑坍塌事故不同致因之间的关联和相互依存关系,首先,选取国内2015—2020年231份建筑坍塌事故报告作为研究对象,借助R语言平台进行文本挖掘,得到43个致因。其次,运用Python进行谱聚类,根据致因之间的关联强度对其进行聚类。最后,利用关联规则挖掘Apriori算法确定建筑坍塌事故致因之间的关键关联组合。结果表明,43个事故致因可分为5类,在每一个簇类中确定了最关键的致因组合,并提出了针对性的预防措施,为坍塌事故的预防和控制提供一种新的思路。

一种基于融合特征聚类和随机配置网络的轴承剩余寿命预测方法

针对轴承剩余寿命(remaining useful life,RUL)预测中故障始发时刻(first predicting time,FPT)基于人为主观选择以及预测滞后带来的维护风险的问题,提出了一种基于融合特征和随机配置网络(stochastic configuration networks,SCNs)的轴承剩余寿命预测方法。首先,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)对原始轴承水平振动信号进行分解,再提取其时域、频域信号,构建融合特征。最后,使用小波聚类划分健康状态,找到合适的FPT,并结合能反应轴承退化的特征构建健康数据集,通过SCNs网络离线建模进行预测,并根据拟合曲线的斜率以及RMSE指标对预测结果进行校正。通过实验分析,所提方法的综合得分高达0.83,误差百分比的平均绝对误差(mean absolute deviation,MAD)和标准偏差(standard deviation,SD)分别为5.26和3.38;与其他预测方法相比,本文所提方法有较高的预测精度。

基于K-means聚类和BP神经网络的电梯能耗实时监测方法

针对现有方法在对电梯能耗进行监测时,存在监测精度低、用时长、监测结果不理想的问题,该文提出一种基于K-means聚类算法和BP神经网络相结合的电梯能耗实时监测方法 .在经过清洗的能耗数据中提取影响建筑能耗实时监测的主要因素特征值,利用相似系数法进行相似度计算,获取相似系数.对相似电梯能耗数据进行小波分解获取高低频序列,分别采用LSSVM-GSA检测方法和均方加权处理方法对低频和高频部分进行处理,将两个结果进行重构,得到最终的实时监测结果 .仿真实验结果表明:所提方法能够获取高精度、低耗时、高稳定性的监测结果 .

基于模糊C均值聚类和概率神经网络的PEMFC故障诊断方法研究

为解决质子交换膜燃料电池电堆的故障分类问题,提出一种基于模糊C均值聚类和概率神经网络的故障诊断新方法。首先基于修正后的燃料电池电堆Fouquet等效电路模型,并结合电堆阻抗谱实验数据,得到电堆的正常、水淹、膜干和氧饥饿4种工作状态与电路模型参数的对应关系,进而提取合适的故障特征量作为聚类算法的特征输入。然后,利用模糊C均值聚类算法对故障样本进行聚类,形成标准聚类中心,并在此基础上,采用概率神经网络算法对故障样本实现多故障分类,有效剔除奇异数据并提高模型分类的正确率。最后,对200组实验数据进行实例分析,并与支持向量机和K最邻近方法进行对比,结果表明所提方法能对4种电堆工作状态进行快速识别,分类准确率达98.33%,验证了所提算法的有效性。

基于改进K-means聚类和皮尔逊相关系数户变关系异常诊断

用电信息采集系统易出现台区户变关系错误问题,传统诊断技术主要针对少用户台区出现异常用户情况,但对于多达数百用户台区,存在多相邻台区异常用户特征提取难题。文中首先通过主成分分析对GIS系统获取台区总表和用户电表电压数据实现降维,建立改进K-means聚类提取电压数据特征,提出改进皮尔逊相关系数算法分析待检测用户,据此建立基于改进K-means聚类和改进皮尔逊相关系数的户变关系异常诊断方法,实现多异常用户所属正确台区诊断。实际算例分析结果表明,文中提出算法在识别同一台区一个及多个异常用户、不同台区多个异常用户情况下均能有效实现异常用户的准确检测与分析,相比传统检测方法,实现简单且准确性更高。

武都地区初榨橄榄油酚类和脂肪酸组成对油脂氧化稳定性研究

对武都地区的白橄榄(U)、恩帕特雷(E)、奇迹(K)、阿斯(As)、中山24(Z)、云台14(Y)、皮瓜尔(P)、豆果(Arbe)、小苹果(M)、鄂植8(Ez)、阿尔伯萨拉(Arbo)、科拉蒂(C)、莱星(L)、佛奥(F)这14个品种初榨橄榄油的脂肪酸、酚类成分及油脂氧化稳定性进行检测和分析,单因素方差分析表明:品种间多酚和脂肪酸含量及油脂氧化稳定性存在显著性差异(p<0.05)。所有分析样品的脂肪酸组成均符合欧盟特级初榨橄榄油标准,初榨橄榄油中油酸质量分数在(56.12±0.24)%(豆果)和(71.45±0.42)%(科拉蒂)之间,亚油酸质量分数在(5.73±0.06)%(皮瓜尔)和(15.80±0.05)%(阿斯)之间,棕榈酸质量分数在(12.67±0.12)%(科拉蒂)和(18.76±0.04)%(豆果)之间。裂环烯醚萜类是主要的酚类成分,总酚质量分数最高为奇迹,为(471.35±29.34)mg/kg,最低为豆果,仅(165.65±8.08)mg/kg。主成分分析表明:富含橄榄苦苷苷元、女贞子苷元、橄榄裂环烯醚萜、油酸、芹菜素的品种氧化稳定性越高,而富含棕榈酸、亚油酸、酪醇、羟基酪醇、刺激醛的品种氧化稳定性越低。基于芹菜素、橄榄裂环烯醚萜、木犀草素和亚油酸建立的多元线性逐步回归模型可以预测90.70%的油脂氧化稳定性变化(p<0.001)。

云南哀牢山国家级自然保护区楚雄州片区大中型兽类和雉类多样性初探

为了解云南哀牢山国家级自然保护区楚雄州片区大中型兽类和雉类多样性以及人类活动情况,2020年3月至2022年5月,在保护区内按照1 km×1 km网格布设了153台红外相机,开展系统调查与监测,累积59623个相机工作日,收集到野生动物独立有效照片数9309张,记录到大中型兽类动物5目14科23种,雉类1目1科7种,其中,国家一级重点保护野生动物3种,国家二级重点保护野生动物14种。在监测到的物种中,物种相对多度指数最高的5种动物分别是赤麂(Muntiacus vaginalis,RAI=7.52)、毛冠鹿(Elaphodus cephalophus,RAI=2.43)、野猪(Sus scrofa,RAI=2.39)、猕猴(Macaca mulatta,RAI=2.26)和马来豪猪(Hystrix brachyura,RAI=2.16)。种-多度曲线分析结果表明,赤麂、野猪和白鹇(Lophura nycthemera)在云南哀牢山楚雄州片区多度秩排序前三位,累积相对多度占所有物种相对多度的65%。此外,还在保护区内拍摄到大量放牧等人类活动,显示保护区内存在一定的人为活动干扰。本次系统调查与监测结果完善了云南哀牢山国家级自然保护区楚雄州片区范围内大中型兽类和雉类本底信息,填补了区内大中型兽类和雉类的研究空白,为保护区后续的管理和长期监测提供科学依据。

基于改进的场景分类和去粗粒化MCMC的风电出力模拟方法

为实现风电出力时间序列的高性能模拟,文中提出了一种基于SAGA-KM(simulated annealing and genetic algorithms-K-means)算法实现典型风电场景分类和基于Copula函数进行风电日过程马尔可夫过程建模的风电模拟方法。SAGA-KM算法将传统KM算法与遗传算法和退火算法相结合,能显著提高风电场景分类效果;基于Copula函数建立的马尔可夫链精细概率模型,以去粗粒化方式实现马尔可夫过程蒙特卡洛模拟,克服了粗粒化引起的概率分布偏差。针对甘肃省某风电场数据进行实际模拟,结果表明文中方法生成模拟序列的统计分布特性、自相关函数特性和日均功率的分布特性与实测数据都非常接近,该方法能很好地保留风电序列的概率分布特性和随时间变化的波动特性,具有重要的工程实用价值。

融合熵聚类和增广变邻策略的蚁群优化算法

针对蚁群算法求解大规模旅行商问题时存在收敛速度慢、易陷入局部最优的问题,提出一种融合熵聚类和增广变邻策略的蚁群优化算法。首先提出融合信息熵的聚类策略,利用熵确定最佳截断距离对数据集进行合理划分;通过求解每个子簇形成初始路径,并为全局寻优提供导向信息素,从而提升收敛速度。其次提出增广变邻策略,将蚂蚁分为爬行蚁和滑翔蚁,滑翔蚁引入的增广变邻策略在迭代后更新节点和邻居信息素,而且通过邻居数量随最优解质量动态匹配,来强化邻居节点探索,以平衡收敛速度与解的质量。当算法陷入停滞时,利用路径相似性机制平滑非公共路径信息素,帮助算法跳出局部最优。通过对旅行商问题数据集进行实验仿真表明,所提算法有效平衡了收敛速度与解的精度,尤其对于大规模问题,显著提高了解的质量。

基于聚类和生成对抗学习模型的滤波器剪枝

深度神经网络过深的网络架构和冗余的参数会导致昂贵的计算成本,近年来深度神经网络的压缩与加速已成为研究热点。针对现有方法的范数准则局限性以及标签依赖问题,提出一种基于聚类中心和生成对抗学习的结构化滤波器剪枝方法(FPCC-GAN):使用K-means聚类算法按卷积层将滤波器逐层聚类;比例化修剪各簇内离聚类中心较近的提取冗余特征的滤波器;使用生成对抗学习迭代训练。实验结果分析表明,与当前主流方法相比,该方法具有更高的准确率。

基于谱聚类和多元变分模态分解的风电机组功率预测

传统的风电出力预测方法通常未能充分考虑机组之间的相似性和差异性,忽视了环境条件对风电出力的影响以及关键特征提取方法单一等问题。因此,提出了一种基于谱聚类和多元变分模态分解的人工神经网络风电出力预测方法。首先,为捕捉不同机组之间的相似性和差异性,对风速和风向进行谱聚类,构建风速-风向二维标签簇,并选取每个簇的中心机组以表征该簇的出力特征。接着,为更全面地描述出力与环境条件之间的关系,采用变分模态分解算法对聚类中心机组出力进行分解,同时将出力与风速、风向数据进行多元变分模态分解,得到不同频率的模态成分。最后,在预测阶段引入基于注意力机制的深度学习网络,对特征模态添加注意力机制后输入卷积长短期神经网络模型进行训练和预测,并通过误差修正模块得到同簇其他机组的预测结果。该方法相较传统方法在预测精确度上有明显提升,具有一定的实用性和有效性。

基于K-means聚类和图像分割的紫色土发生层边界识别

土壤学始于对土壤剖面及其形态特征的观察,剖面发生层的划分与发生层边界特征的描述是土壤调查的基础。实地划分发生层需要丰富的土壤学实践经验,存在主观和缺乏统一划分标准的问题。以紫色土剖面图像为研究对象,采用K-means聚类和图像分割技术,结合图像的颜色特征(CIELab色彩空间)和纹理特征(Entropy)识别紫色土剖面发生层边界,并与实地划分的结果进行比较。结果表明:(1)CIELab色彩空间的a、b通道和Entropy纹理特征,可以划分出供试剖面的主要发生层(A、B、C)和基岩(R);(2)聚类识别的发生层数量和发生层深度与实地识别的结果基本一致;除Z2剖面的C层和Z6剖面的Ap层聚类识别与实地识别的发生层下边界深度相差较大(分别为13cm和8cm)外,其余发生层下边界深度相差均在3 cm以内;(3)聚类识别的发生层边界形状更为不规则,明显度更为模糊。K-means聚类和图像分割技术实现了紫色土剖面发生层边界的客观识别,可为土壤剖面智能辨识系统的开发提供科学参考。