基于混沌自适应引力搜索的模糊C均值聚类算法

针对传统模糊C均值聚类算法(FCM)易陷入局部极小值和对初值敏感的缺陷,提出一种基于混沌自适应引力搜索的模糊C均值聚类算法.首先采用自适应的更新粒子速度和混沌优化粒子最优位置的策略,对引力搜索算法进行改进.其次,用改进的引力搜索算法优化FCM的初始聚类中心.在Iris和Wine数据集上的实验表明,该算法具有很强的全局搜索能力,提高了聚类的效果和效率.

自适应调整的布谷鸟搜索K-均值聚类算法

针对布谷鸟搜索(CS)算法后期收敛速度慢,传统K-均值算法对初始簇中心选择比较敏感,提出了一种自适应调整的布谷鸟搜索及优化初始K-均值聚类算法(CSSA-OIKM)。首先,由集群度与距离均衡优化选择初始簇中心;其次,融合粒子群算法思想,遵循自适应优化学习策略以均衡CS算法全局与局部精细搜索能力;最后,在改进CS算法的基础上引入自适应度调节步长因子与动态变化发现概率,增强算法收敛性能。通过对经典数据集的仿真实验分析,相比K-均值算法、PSO-K-均值算法及CS-K-均值算法来说,提出的CSSA-OIKM算法能有效提高聚类精确性,且算法稳定性好。

融合聚类算法的改进麻雀搜索算法

聚类算法与群智能算法有着各自的优点,为克服麻雀搜索算法陷入局部最优且依赖于初始化种群的缺陷,提出融合聚类算法的改进麻雀搜索算法,采用K-medoids对每次迭代后的种群进行动态更新,使得种群个体分布均匀,再引入基于重心的反向学习策略,提高了发现者的搜索范围且极大地防止算法出现早熟现象,在追随者的位置更新上引入了自适应余弦权重此策略,使得追随者的搜索更加细致且灵活,平衡了算法的局部和全局性搜索。通过8个标准测试函数验证了改进算法的有效性及可行性。

基于渐进式双重对齐的无源无监督领域自适应方法

无源领域自适应的核心任务是利用无标签的目标域数据,将预训练好的源模型迁移到目标领域。基于深度聚类的方法需要在自监督学习过程中挖掘辅助信息来正则化特征分布对齐,而辅助信息中噪声常常误导该对齐过程;基于伪源域的对抗学习方法进行概率分布对齐,对所构建伪源域质量十分敏感。针对现有方法存在的不足,本文提出了一种基于渐进式双重对齐的无源无监督领域自适应方法,在进行深度聚类的同时,进行域对齐,缓解深度聚类中伪标签的噪声。首先,通过超近邻增强样本生成高质量伪源域,以克服源域不可见的问题;其次,利用对抗学习,实现两个域的概率分布初对齐;最后,引入深度特征相似,进一步强化对齐效果。在两个公开数据集上的实验结果表明了其有效性。

基于集成学习与聚类联合标注的多模态个体情绪识别

针对通用情绪识别模型面对不同个体时的低识别精度问题,提出一种基于集成学习与聚类联合标注的多模态个体情绪识别方法。该方法首先基于公共数据集训练通用情绪识别模型,然后分析公共数据集数据与个体无标签数据的分布差异,建立跨域模型来预测和标注个体数据的伪标签。同时,对个体数据进行加权聚类并标注聚类标签,利用聚类标签与伪标签进行联合标注,筛选高置信度样本进一步训练通用模型,得到个性化情绪识别模型。实验采集3名被试的3种情绪数据并使用该方法标注,最后优化得到的个性化模型对3种情绪的平均识别精度达到80%以上,相比原通用模型,至少提升了35%。

基于领域自适应的风力机发电机轴承故障诊断方法研究

针对不同型号的风力机发电机滚动轴承采集的振动信号存在分布差异且待诊断轴承样本标签不足的问题,提出一种基于聚类领域自适应卷积神经网络(CDA-CNN)的风力机发电机滚动轴承故障诊断方法。首先利用一维卷积神经网络提取源域中有标签轴承数据和目标域中无标签轴承数据的特征,其次利用聚类方法减小数据特征的条件分布差异并为目标域数据提供伪标签,随后利用最大均值差异(MMD)对齐两域的边缘分布,最终得到风力机发电机滚动轴承的故障诊断模型。将所提出的CDA-CNN对实际风力机发电机滚动轴承进行故障诊断,诊断结果表明:所提出方法的故障诊断精度高达92.52%,有效解决了可用数据标签不足的问题。试验对比结果表明:CDA-CNN模型的诊断精度和迁移性均优于其他方法,对风力机发电机滚动轴承的故障诊断研究具有一定的工程应用价值。

融合K-means的多策略改进麻雀搜索算法研究

麻雀搜索算法(SSA)相对其他仿生算法性能较好,但其收敛精度不足且在复杂多峰函数下会陷入局部最优。为改善这些缺陷,提出融合K-means的多策略改进麻雀搜索算法研究,该算法采用多策略搜索方式。首先将初始种群进行K-means聚类,加快种群交流,再运用正、余弦搜索策略和自适应局部搜索策略分别对追随者的位置和最优个体进行更新寻找更可靠的可行解,提高收敛精度和寻优能力。通过10个测试函数对两种策略和单独的一种策略进行对比,验证了策略的引入能够有效地改善麻雀搜索算法的寻优能力,单一策略寻优能力较强,且两种策略融合的麻雀搜索算法寻优能力较弱。最后将3种改进方式的SSA算法应用于主动悬架LQR控制,实验结果表明两种策略结合的SSA算法优化效果不理想,采用单一策略的两种方式优化效果显著,且稳定改善了主动悬架的性能。

基于联邦加权域自适应的多站点自闭症诊断

为了提高联邦学习(Federated Learning,FL)方法在多站点自闭症诊断中对数据异质性的关注和解决部分站点缺乏标注数据导致的局部阻塞问题,提出了联邦加权域自适应(Federated Weighted Domain Ad⁃aptation,FedWDA)方法。首先,不同于聚合一个共享的全局模型的方法,FedWDA在模型聚合的过程中保留了每个本地模型的批量归一化(Batch Normalization,BN)层,使用推土机距离(Earth Mover’s Dis⁃tance,EMD)计算了BN层的统计信息间的相似性,用于指导站点上模型的加权聚合,为每个站点都提供了更加个性化的本地模型,缓解了数据异质性导致的分类准确度不足的问题;其次,对于缺乏数据标注的站点,FedWDA基于样本伪标签的一致性对本地模型进行了无监督聚类调整,充分利用了无标注站点的数据。在公开的数据集ABIDE上的实验结果表明,所提方法相比其他传统方法在多站点自闭症诊断中具有更高的准确率。

基于K-means聚类的子结构相关适配迁移学习方法

域漂移严重影响了传统机器学习方法的性能,现有的领域自适应方法主要通过全局、类级或样本级分布匹配自适应地调整跨域表示。但全局匹配和类级匹配过于粗糙会导致自适应不足,而样本级匹配受到噪声的影响可能导致过度自适应。基于此,提出了一种基于K均值(K-means)聚类的子结构相关适配(SCOAD)迁移学习算法,首先通过K-means聚类分别获得源域和目标域的多个子域,其次寻求子域中心二阶统计量的匹配,最后利用子域内结构对目标域样本进行分类。该方法在传统方法的基础上进一步提高了源域与目标域之间知识迁移的性能。在常用迁移学习数据集上的实验结果表明了所提方法的有效性。

可能性分布距离度量:一种鲁棒的域适应学习方法

领域适应(DA)学习旨在解决训练数据集与测试数据集分布不一致问题而广受关注,现有方法大多采用最小化领域间最大均值差(MMD)或其变体来解决域分布不一致问题。然而,领域中存在的噪声数据将会导致领域均值发生明显漂移,会在一定程度上影响基于MMD及其变体的学习方法的适应性能。故此,提出了可能性分布距离度量下的一种鲁棒的域适应学习方法:首先,将传统MMD准则变换为新颖的可能性聚类模型来削弱噪声数据所带来的影响,以此构建一种鲁棒的可能性分布距离度量(P-DDM)准则,并通过引入模糊熵正则项来进一步提升领域分布配准的鲁棒有效性。其次,基于P-DDM准则,提出一种鲁棒的域适应视觉分类机(C-PDDM),其引入图拉普拉斯矩阵来保留源域与目标域内部数据间的几何结构一致性,以提升标签传播性能,同时通过最大化利用源域判别信息进行最小化领域判别误差,以进一步提升学习模型的泛化性能。理论分析证实,在一定条件下,所提P-DDM是传统分布距离度量方法MMD准则的一个上界,因而通过最小化P-DDM能有效优化MMD目标。最后,与几个代表性的领域适应学习方法进行比较,在6个视觉基准数据集(Office31、Office-Caltech、Office-Home、PIE、MNIST-UPS和COIL20)上的实验结果显示,该方法在泛化性能上平均提升了5%左右,在鲁棒性能上平均提升了10%左右。

基于两阶段启发式算法的省电力物资周转库选址-路径优化研究

省电力物资周转库是仓储网络架构的关键节点,文中研究带库存容量限制的周转库选址与考虑时间窗和装载量约束的车辆配送路径优化的组合决策问题,构建以配送总成本最小为目标的选址-路径问题模型,设计两阶段启发式算法进行求解。第一阶段设计聚类-重心-搜索算法,求解带库存容量限制的省周转库选址问题;第二阶段采用自适应大邻域搜索算法,解决考虑时间窗和装载量约束车辆配送路径优化问题。基于S省2022年历史物流数据和已有仓储资源规模,采用两阶段启发式算法确定省电力物资周转库选址和配送路径。结果表明该算法能够有效降低仓储网络的总配送成本。

无人车辅助卡车配送路径优化研究

使用无人车进行物流配送具有降低配送成本、提高配送效率等优点,但无人车对周边智能交通设施和自动驾驶技术要求较高,再加上政策约束,现有L4级无人车只适合简单环境的应用。针对无人车的配送特点,本文研究具有车辆载重限制和无人车配送区域限制的无人车与有人驾驶卡车协同配送路径优化问题,建立了以耗费工作人员时间最少为目标的数学模型。设计自适应聚类领域搜索算法,首先采用k-means聚类算法结合插入操作生成初始解,其次运用自适应领域搜索算法对初始解进行改进,再使用算例证明算法的有效性,最后探讨非限制区客户比例对配送时间的影响,并证明多使用无人车可以减少配送的时间成本。

杂波信息未知下的多群目标跟踪算法

针对杂波先验信息未知且群结构可能发生分裂和合并条件下的基于随机矩阵的多群目标跟踪问题,提出基于网络流理论的多群目标跟踪算法。首先建立椭圆轮廓且群结构发生分裂和合并的多群目标运动模型,再根据Pauta准则对包含目标点与杂波的量测集进行处理,消除异常值,利用自适应谱聚类算法对处理后的量测集进行分割,获得单位时间内多个群目标的数目。结合量测分割结果,构建基于随机矩阵的多群目标网络流模型,设计多约束条件下的最小费用优化函数,运用A*搜索算法求得目标函数的全局最优解。最后根据指向⁃隐含速度约束条件得到最优关联航迹。仿真结果表明,与GM⁃GPHD滤波器相比,所提算法可准确地提取多条航迹并具有较低的计算复杂度以及更好的跟踪性能。

一种改进的模糊学习矢量化神经网络

模糊聚类是目前知识发现（ＫＤＤ）领域中的研究分支之一，而神经网络是用于聚类的良好工具。将模糊理论引入到一种自适应的ＬＶＱ神经网络，提出了一种改进的模糊学习矢量化（ＦＬＶＱ）神经网络。模拟仿真与分析表明，该网络同传统ＬＶＱ神经网络相比，具有良好的聚类效果。

基于AGHS-FCM-ESN模型的光伏发电功率预测

光伏电站的发电功率因受不同客观环境因素的影响,其变化规律很难有迹可循,因此对光伏出力进行准确预测是实现光能大规模开发及利用的重要手段。研究将温度以及历史发电功率数据作为输入变量,提出了一种将模糊聚类(Fuzzy C-means)分析法与回声状态网络(Echo State Network)算法相结合的模型对样本进行训练和预测,并利用自适应全局和声搜索(Adaptive Global Harmony Search,AGHS)算法优化此模型,最后通过AGHS-FCM-ESN模型与传统的FCM-ESN模型进行预测误差比对,证明此模型可有效提高传统FCM-ESN模型的预测精度,并具有一定的实用性,可确保电网安全稳定地运行。

基于多层信号分解的混凝土拱坝变形监测模型

为了充分挖掘大坝变形监测数据的非线性和非平稳性特征,本文提出了一种大坝变形监测模型.首先,该模型通过自适应噪声完全集合经验模态分解(CEEMDAN)对变形监测数据进行分解处理.在分解过程中融入样本熵(SE)和K-均值聚类,以确保得到的模态分量(IMF)个数能够准确描述大坝变形.然后,对于高频IMF分量,采用变分模态分解(VMD)进行二次分解,并利用偏最小二乘法(PLS)分析变形序列影响因子,以提取最佳的IMF分量作为后续模型的输入因子.最后,利用改进的共生生物搜索算法(ISOS)结合长短期记忆神经网络(LSTM)进行大坝变形的准确预测.研究结果表明:相较于单层信号处理,本文通过二次信号处理可以显著提升模型的预测精度;对二次分解后的IMFs分量进行PLS筛选可以有效避免模型的冗余性,提高计算效率;相较于各对比模型,本文模型在各测点上均具有较好的预测精度和稳定性.本文提出的模型能够深入挖掘大坝监测数据中的拓扑关系,有效保留数据中的高频有用信息,从而提高预测的准确性和平滑性,展示出较好的预测精度和泛化能力.