基于自适应仿射传播聚类的GIS局放缺陷分类研究

为对GIS中不同缺陷类型进行分类和识别,笔者介绍了一种新型自适应仿射传播聚类(adAP)算法,用于对4种典型缺陷UHF信号进行分类。该算法通过自适应扫描偏向参数空间来搜索聚类个数以寻找最优聚类结果、自适应调整阻尼因子来消除震荡以及自适应逃离震荡等技术,克服了传统仿射传播聚类(AP)算法无法准确获知聚类个数以及无法消除震荡的缺点。最后,通过采用多种聚类有效性指标对分类结果进行有效性验证,发现adAP算法不仅可以准确地给出分类个数,实现不同缺陷类型的分类,而且在处理时间和循环次数上均优于传统AP算法。

应用于WiFi室内定位的自适应仿射传播聚类算法

在室内覆盖的大量的WiFi信号可以用来室内定位。尽管很多WiFi室内定位技术被提出,但其定位精度仍然未达到实际应用的需求。针对这个问题,该文提出一种自适应仿射传播聚类(AAPC)算法用以提高WiFi指纹的聚类质量,从而提高定位精度。AAPC算法通过动态调整参数生成不同的聚类结果,然后采用聚类有效性指标筛选出其中最佳的。采集大量真实环境数据进行试验,试验结果表明采用AAPC算法产生的聚类结果具有更高的定位精度。

基于自适应仿射传播聚类算法的多模型建模方法

考虑到工业生产数据具有按工作点聚类和迁移的特点,提出了一种基于自适应仿射传播聚类(adAP)的多最小二乘支持向量机(LSSVM)算法进行软测量建模。该方法用adAP算法对训练样本进行分类以找到最优的聚类结果,采用LSSVM算法对各类样本分别建立子模型,并根据当前工作点所属子类的模型进行预测输出。将该方法用于聚丙烯熔融指数的软测量建模,结果表明,与其他方法相比该方法具有更高的回归精度和良好的泛化能力。

GPU加速的自适应仿射传播聚类方法

自适应仿射传播聚类作为一种新兴的聚类算法,不需要指定初始类心以及类数,对解决聚类中类数不确定性问题非常有效.然而,自适应仿射传播聚类存在时间消耗过大的问题,当样本数量较大时运行速度缓慢.为了提高自适应仿射传播聚类的运行速度,基于NVIDIA公司的统一计算设备架构(Compute Unified Device Architecture,CUDA)和Matlab并行工具箱,提出了一种自适应仿射传播聚类的并行化方法.实验结果表明,基于GPU并行化的自适应仿射传播聚类在运行速度上有了明显提高,与该算法的串行执行方式相比,运行速度提升2倍以上,并且随着样本数量的增长,加速性能越来越好.

基于混沌游戏表示和自适应仿射传播聚类的股票板块分类

为对我国A股进行板块分类,首先用混沌游戏表示算法对股票日收益率数据进行降维,再用自适应仿射传播聚类算法得到将所有股票分为5类和11类两种板块的分类结果。与证监会行业分类中类内外平均相关系数差0.0140相比,分5类时类内外相关系数差均值为0.0284,分11类时,类内外相关系数差均值为0.0270,均比证监会行业分类区分度高。

基于能量谱相似度自适应聚类的配电网接地故障区段定位方法

分析谐振接地系统发生单相接地故障时各区段故障暂态零序电流的相似性特征,提出基于故障暂态零序电流Hilbert瞬时能量谱相似性自适应仿射传播聚类(adAP)的故障区段定位方法。所提方法对故障后首半个工频周期的故障线路各区段的故障暂态零序电流进行局部特征尺度分解(LCD),对得到的各频带波形进行Hilbert变换得到Hilbert瞬时能量谱。计算Hilbert瞬时能量谱两两间的动态时间弯曲距离,对动态时间弯曲距离构成的相似度矩阵进行adAP,根据Silhouette指标最高的聚类情况定位故障区段。在电弧故障、存在分布式消弧线圈系统、不同消弧线圈补偿度系统、噪声干扰、两点接地、采样不同步的场景下的仿真结果和现场数据验证结果表明,所提方法能克服工程应用中可能存在的影响,鲁棒性好、准确度高。

基于仿射传播聚类的自适应数据空间划分及发酵过程高斯混合回归软测量模型建模（英文）

由于发酵过程存在多相和多模态特性,不满足高斯分布假设,使得传统软测量模型预测精度较低。基于高斯混合回归(GMR)的软测量模型能够很好的解决这个问题。然而,在确定混合高斯元数目上存在难度并且尚未得到解决。在本研究中,仿射传播聚类算法(AP)及其改进方法—自适应仿射传播聚类算法(ad AP)因其具有对数据空间进行自动划分的能力,被首次应用到基于高斯混合回归软测量建模数据预处理中。通过青霉素发酵过程仿真实验表明,仿射传播聚类方法和自适应仿射传播聚类方法都适用于高斯混合回归建模,但是后者对应软测量模型预测效果更好。

基于多K最近邻回归算法的软测量模型

针对单一模型预测精度较低的问题,提出多K最近邻回归算法(MKNN)的软测量建模方法.该方法采用高斯过程选择软测量模型的辅助变量,通过自适应仿射传播聚类方法将输入样本数据分成多组数据,对每组数据用K最近邻回归(KNN)算法建立子模型,各个子模型的预测输出通过主元回归(PCR)方法连接.用该方法建立粗汽油干点软测量模型,仿真研究表明,该算法的预测精度和泛化能力优于单KNN模型.

基于复杂网络视角的金融指数跟踪最优化研究

以复杂网络视角,采用自适应仿射传播聚类算法,从沪深300指数中选择分散化程度高的聚类中心作为标的,同时对比市值排序选股和权重排序选股,构建二次指数跟踪最优化模型,并进行实证分析与稳健性检验。研究发现:复杂网络聚类选股方法只需50只以内股票,即可实现较高精度的沪深300指数跟踪;当股票数量选择31只时,AAP聚类的误差相对较小且股票数目适中,样本内31只股票的日均跟踪误差为6.35×10^(-5),分别比市值排序和权重排序降低了36.50%和24.85%,样本外31只股票的日均跟踪误差为3.10×10^(-4),比其余两种方法分别降低了45.33%和38.74%;在稳定性检验中,当股票数介于5~35只之间时,AAP聚类选股进行指数跟踪优于其他两种选股的可能性超过80%,表明跟踪结果具有良好的稳健性。

中国西南干旱河谷植物群落的数量分类和排序分析

中国西南干旱河谷植被是我国西南横断山区特有的植被类型,目前关于西南干旱河谷植被还没有整体性的群落类型划分研究。根据对甘肃、四川、云南三省九条主要河流的干旱河谷段野外调查和文献来源的1,339个植物群落样方数据,采用自适应仿射传播聚类方法,对我国西南干旱河谷的植物群落进行数量分类,并采用典范对应分析方法进行排序分析。结果表明:(1)调查样方的植物群落分为7个植被型(稀树草原、肉质灌丛、常绿阔叶灌丛、暖性落叶阔叶灌丛、常绿硬叶林、落叶阔叶林和暖性针叶林),24个群系,31个群丛类型。暖性落叶阔叶灌丛是本植被区的代表性植被类型;分布最广的群系为鞍叶羊蹄甲灌丛(Form.Bauhinia brachycarpa,样方比例50.9%)、黄茅灌草丛(Form.Heteropogon contortus,样方比例11.9%)、孔颖草灌草丛(Form.Bothriochloa pertusa,样方比例5.6%)、黄荆灌丛(Form.Vitex negundo,样方比例4.2%)、知风草灌草丛(Form.Eragrostis ferruginea,样方比例3.8%)、车桑子灌丛(Form.Dodonaea viscosa,样方比例3.4%)、云南松疏林(Form.Pinus yunnanensis,样方比例3.3%)。(2)冬季低温和降水的季节性是限制干旱河谷植物群落分布的主要气候因子。稀树草原、肉质灌丛是典型的干热河谷植被类型;暖性落叶阔叶灌丛、常绿硬叶林、常绿阔叶灌丛是干暖河谷植被的优势类型;暖性针叶林、落叶阔叶林则主要在干温河谷环境占优势。

金沙江干旱河谷植物群落的数量分类及其结构分异的环境解释

植物群落的空间分异格局是异质生境条件下物种性状、种间相互作用等生态学过程共同作用的结果,对其分析有助于深入理解群落构建进程。本文基于金沙江流域干旱河谷116个样点562个样方的植物群落调查数据,采用自适应仿射传播聚类的方法进行群落数量分类,运用莫兰特征向量地图,和方差分解的方法对影响群落结构的空间和环境因子进行分析。结果表明:(1)自适应仿射传播聚类将金沙江干旱河谷的植物群落分为30组,可归为7个植被型,23个群系,以稀树草原(30.0%)、暖性落叶阔叶灌丛(55.7%)为最主要的植被类型。(2)年均温和干燥指数是限制金沙江干旱河谷植物群落分布的主要环境因子。稀树草原、肉质灌丛、常绿阔叶灌丛是典型的干热河谷植被类型;暖性落叶阔叶灌丛、常绿硬叶林是干暖河谷植被的优势类型;暖性针叶林、落叶阔叶林则主要在干温河谷环境占优势。(3)纯环境因子可以解释群落物种组成变化的5.5%,纯空间因子可以解释的物种组成变化为22.5%,有空间结构的环境因子部分为6.6%,未解释的部分为65.4%。在诸多环境因子中,年均温及干燥指数的不同显示了不同群落生境的重要差异,并显著影响到群落的分布格局。大尺度的空间因子则主要通过地理隔离对群落结构的差异产生影响。