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。

基于Apriori算法的煤矿安全事故分析

为分析煤矿事故报告中的危险致因因素,统计分析了2018—2022年全国煤矿事故报告数据,采用Apriori关联规则算法,并利用Gephi进行关联规则可视化,探究各个致因之间的复杂关系。首先对数据进行预处理,计算词频-逆向文件频率(Term Frequency-Inverse Document Frequency, TF-IDF),提取了78个煤矿事故致因因素,其中人因层包括31个因素,设备层包括9个因素,管理层包括31个因素,环境层包括7个因素;然后,经过关联规则挖掘算法,得到了585条关联规则,绘制了其支持度、置信度和提升度的散点图;最后,根据Gephi生成的事故致因复杂网络图,分别分析了高支持度、高置信度和高提升度关联规则致因因素。结果表明:基于Apriori算法的煤矿事故致因分析,得到了人因层、管理层、设备层和环境层4个方面的关键致因因素;对煤矿关键致因因素进行直观、多视图的展现,有助于提高煤矿安全管理水平。

一种Apriori算法在监狱警察心理健康调查中的应用

为从复杂数据中挖掘监狱警察心理健康状况,提出一种改进的Apriori算法进行监狱警察心理健康监测和评估,并根据狱警心理表现症状进行疏导。针对传统Apriori算法计算量大、遍历数据长的问题,对数据库集心理健康调查结果进行矩阵化处理和和运算,采用自连接操作方式删除非频繁项集,降低数据计算量。将改进算法应用于监狱警察心理健康调查,应用结果表明:监狱警察普遍存在“内向、抑郁、焦虑、坚强”的心理特征,后续心理辅导工作中,需加强户外锻炼,多接触外界事物,培养活泼开朗、积极乐观的情绪。

保持细节特征的输电铁塔三维网格模型轻量化算法

针对输电铁塔三维网格模型简化后出现模型细节特征大量缺失的问题,以QEM算法为基础,提出了一种保持细节特征的输电铁塔三维网格模型轻量化算法。该算法首先确定了输电铁塔三维网格模型中的细节特征定义,然后提出了输电铁塔细节特征提取策略,并且引入细节特征显著因子和顶点近似曲率因子对QEM算法中的简化代价进行优化。实验结果表明,优化后的算法可以有效保留输电铁塔三维网格模型的重要几何特征和细节特征,避免了简化后模型出现大面积的特征缺失问题,并且相较于普通QEM算法,优化后的算法所简化的模型在最大误差、平均误差和均方差上分别至少下降了39.77%、10.64%和64.99%,实现了输电铁塔三维网格模型的高质量轻量化。

基于改进鼠群优化算法的起重机主梁轻量化设计

为提高元启发式算法求解桥式起重机主梁优化问题的寻优精度与效率,文中提出一种改进的鼠群优化算法(IRSO)。该算法采用Hénon混沌随机反向学习初始化种群,提高算法的初始寻优性能;在追逐行为中,引入随机反向学习和高斯变异混合策略对鼠群进行逐维学习,增强算法的全局搜索能力;在搏斗行为中,采用翻筋斗搏斗搜索策略更新鼠群位置,增强算法的局部搜索能力;在算法中引入自适应余弦控制因子,实现算法控制参数之间的动态平衡,提高算法的整体寻优能力。仿真结果表明:与其他算法相比,IRSO算法寻优能力更优、收敛精度更高、稳定性和鲁棒性更强;同时,IRSO算法可高效地解决桥式起重机主梁轻量化设计问题,减重效果可达20.72%,具有较好的工程实际应用能力。

轻量化智能汽车行人目标识别算法研究

为解决YOLOXs行人目标识别算法效率低、体积规模大的问题,采用轻量架构卷积神经网络替换主干网络,深度可分离卷积替换,特征增强网络中的3×3卷积层,提出轻量化增强网络,并应用于智能汽车行人目标识别试验。结果表明,轻量化增强网络模型能够在确保行人目标识别精度的基础上有效缩减参数量和所占内存,对参数缩减了44.1%,所占内存缩减了41.9%,该算法更适合于嵌入式与移动端设备的搭建,对智能汽车的开发具有一定的参考价值。

基于Apriori算法和改进剪枝算法研究针灸结合推拿治疗神经根型颈椎病的选穴配伍规律

目的:研究针灸结合推拿疗法治疗神经根型颈椎病的选穴规律及配伍特点,为临床治疗神经根型颈椎病提供参考依据。方法:检索2012年2月—2022年2月中国知网、万方数据库、维普数据库刊登的针灸结合推拿治疗神经根型颈椎病的相关文献,建立文献数据库与腧穴数据库,采用Vlookup函数和数据转置对腧穴数据进行分析,采用SPSSPRO频数分析得出高频腧穴,采用Apriori算法和改进剪枝算法进行关联规则分析,最后按照支持度、置信度和提升度进行深入分析。结果:共检索出文献414篇,最终纳入文献133篇。频次≥14次的腧穴共20个,排名前十的依次为风池穴、天宗穴、合谷穴、肩井穴、曲池穴、后溪穴、手三里穴、颈夹脊穴、外关穴、风府穴。使用频次≥14次的腧穴归经以手阳明大肠经、手太阳小肠经、足少阳胆经、督脉、经外奇穴、足太阳膀胱经、手少阳三焦经为主。设置最小支持度为20%,最小置信度为80%,关联规则为后项→前项,采用Apriori算法和改进剪枝算法对频次≥14次的20个腧穴进行关联规则分析,置信度排名前四的腧穴配伍组合分别为肩井、风府、后溪、外关→风池、天宗,肩井、风府、外关、曲池→风池、天宗,手三里、天宗、肩井、后溪→风池、曲池,肩井、后溪、天宗、风府→风池、外关。结论:针灸结合推拿治疗神经根型颈椎病选穴具有注重分经辨证,腧穴配伍侧重本经配穴,远近配穴与同名经配穴的规律特点。运用Apriori算法和改进剪枝算法可以有效挖掘针灸结合推拿治疗神经根型颈椎病的特点,具有较高的学习价值。

基于改进的Apriori算法在高校成绩分析中的研究

针对挖掘算法在频度-可信度框架下的缺陷,本文引入兴趣度和提升度的改进Apriori算法对成绩样本进行关联规则挖掘;结合多观测量筛选出具有显著意义的强规则,并揭示规则背后的原因;最终根据分析结果提供了针对性的专业课程学习方法和内容调整方向,进一步优化了教育质量,本文的研究方法和过程旨在帮助授课教师优化教学管理并更好地了解学生的学业水平。

基于改进Apriori算法的高校教育满意度关联规则挖掘

针对经典关联规则Apriori算法在大数据集情境下易产生冗余和误导性的关联规则,以及难以确认关键性关联规则等问题,提出支持度—置信度—权重检验系数框架与后项约束的改进Apriori算法。首先,定义相关性系数、提升系数、错误系数并进行证明分析,进而构建权重检验系数;其次,运用主成分分析法,提取指标中的高权重影响因素作为后项,通过后项约束过滤冗余关联信息,从而筛选出更为准确的关键性关联规则。将改进的Apriori算法应用于高校教育满意度调查数据的关联规则挖掘并进行分析对比,实验结果验证了该算法的合理性和有效性。

面向智能驾驶的轻量化GwcNet立体匹配算法研究

智能驾驶技术作为新一代智能交通系统的核心之一,受到了广泛关注。其中,感知融合技术在实现智能驾驶的精准定位和环境感知中起着至关重要的作用。在感知融合中使用的立体匹配算法更是关乎智能驾驶的安全性和准确性,是智能驾驶环境感知领域中重要的技术环节。针对智能驾驶汽车在硬件方面算力不足,但对立体匹配算法实时性和精度均有较高要求的问题,文章基于GwcNet,为智能驾驶环境感知模块设计了一种轻量化的立体匹配算法。利用ACV模型替代GwcNet立体匹配算法中参数量、运算量最大的3D卷积模块,使得算法的实时性和精度得到提升。为了进一步减少网络复杂度,减小ACV模块中的网络参数,提出一个Fast-ACV模型。最后在KITTI 2015数据集中对立体匹配算法进行对比分析。结果表明,所提出的轻量化GwcNet立体匹配算法在精度和实时性上均优于GwcNet算法。

基于Apriori算法的盘江矿区煤与瓦斯突出特征研究

为揭示盘江矿区煤与瓦斯突出灾害发生规律,提高瓦斯防治工作的针对性,根据Apriori算法规则的原理和方法,对盘江矿区37起煤与瓦斯突出事故点的瓦斯地质参数进行了统计分析,以最小支持度为40%、最小置信度为75%的二项关联规则基准开展了数据挖掘试验。结果表明:煤层瓦斯压力1~2 MPa与埋深200~400 m、煤厚2~4 m与煤的瓦斯放散初速度≥15mmHg、煤厚2~4 m与煤厚变异系数≤0.2、泥岩厚度≤5 m与围岩强度系数≥2,是具有强关联特征的参数组合类型,盘江矿区发生煤与瓦斯突出地点都呈现浅埋深、高瓦斯压力、厚煤层和围岩强度大的典型特征;在特殊的山地浅埋深条件下(200~400 m),煤层原始地应力往往不大,高瓦斯压力是煤与瓦斯突出的主要影响因素,煤层瓦斯压力普遍达到1~2 MPa;煤厚增大、瓦斯放散初速度高反映出煤体结构受到过强烈破坏,局部发育具有煤与瓦斯突出倾向的构造煤,煤厚变异系数小预示煤层遭受的破坏形式不以煤层局部变异为特征,可能存在以分层构造煤特征的煤体结构破坏的形式;在煤层的顶底板砂岩等强岩层普遍较厚的情况下,煤层高强度砂岩顶板在开采扰动下产生的动载荷条件,叠加形成了煤与瓦斯突出发生强应力场条件;高瓦斯压力、构造煤与顶板围岩特性是影响盘江矿区煤与瓦斯突出的主要因素,在煤矿开采过程中,应以瓦斯压力作为主导参数指标,并重视结合构造煤、顶板岩性的特征来开展煤层突出预测与治理工作。

基于果蝇优化算法的风功率预测数据可信度量化分析

针对风功率预测数据精度较低,可信度难以度量的问题,研究了基于果蝇优化算法的风功率预测数据可信度量化分析方法。采用一次指数平滑方法平滑处理风功率预测的历史风速数据,将完成平滑处理的数据输入LSSVM风功率预测模型中,该模型设置线性最小二乘系统作为支持向量机的损失函数。选取果蝇优化算法优化LSSVM风功率预测模型,设置风功率预测的均方根误差作为果蝇优化算法的适应度函数,获取LSSVM风功率预测模型的最优参数,量化分析了风功率预测数据可信度。实验结果表明,该方法预测风功率的均方根误差低于0.3,具有较高的风功率预测数据可信度。

基于改进Apriori算法的高速公路交通事故关联分析

针对现有交通数据中事故影响因素间的关联特性,为高速公路运营及管理部门提供精准化、细粒度的决策支持信息,该文考虑驾驶人、环境、道路和车辆4个维度,建立带约束的改进Apriori算法,挖掘影响高速公路交通事故的关联规则。在传统Apriori算法的基础上,规则前项和后项约束的增加,可以提高关联规则的准确性和挖掘效率。结合3 178条高速公路交通事故数据的分析结果表明:改进Apriori算法通过精准挖掘潜在因素和事故等级间的关联程度,降低无效关联规则数量,关联规则准确性、挖掘效率均大大提升。驾驶人性别、年龄、照明强度、车辆类型均与高速公路事故严重程度有强关联性;路面湿滑会使交通事故升级为一般事故;黑夜下的照明状况,是使轻微事故升级为一般和严重事故的主要因素。

基于改进粒子群算法的卸料台框架轻量化研究

针对传统经验设计的某垃圾处理流水线卸料台框架质量冗杂问题,文中采用改进粒子群算法对卸料台框架进行轻量化研究。首先,使用ANSYS有限元分析软件对卸料台框架进行静力学分析,再根据静力学分析结果对卸料台框架进行简化,最后,采用改进的粒子群算法对简化后的卸料台框架进行轻量化研究。优化后的卸料台框架在满足强度和刚度要求的前提下,较原始卸料台框架减轻了64.16%。

基于改进Apriori算法的学生网上学习行为关联特征挖掘模型

学生在线学习行为与成绩之间存在密切关联,为了挖掘学生学习行为特征间的隐含关系,研究采用改进的关联规则挖掘算法对其进行相关性分析。实验结果表明,研究设计的算法在精确率及召回率指标上表现较好,相比传统的关联规则挖掘算法运行速度更快,用时降低幅度达26.49%。该方法从多维度实现了学习行为的分析与关联,为教学决策和研究提供了科学的支持和指导。

基于改进Apriori关联规则算法的信令分析

传统信令分析方法需要专业人员找出可能与失败码相关的聚集的信令字段值或值组合及其导致失败的概率,并定位网络问题,操作复杂且效率低。通过改进Apriori关联规则算法,将探寻聚集的字段值或其组合的过程转换成发现失败码和相关信令字段值的关联规则。在计算频繁项集时,通过设置最小支持度阈值找出包含失败码的频繁项,将待分析失败码作为后项,减少了算法的复杂度和算力要求,并通过置信度和提升度找出与后项强关联的属性,实现了对失败码集中属性的快速高效识别。

基于特征融合的轻量化巡飞弹目标跟踪算法

针对巡飞弹平台上的视觉目标跟踪算法,开始引入深度学习思想,但是受到硬件平台算力限制的影响,提出一种轻量化的基于深度学习的孪生网络框架,在较低计算量的情况下保证巡飞弹的跟踪性能。根据IOU质量评估分支和回归分支结构,提出了一种新的特征融合方式。通过1×1卷积调整特征层通道数,控制通道数比例,对不同特征层的通道按比例进行深浅层特征拼接,用于后续的特征融合模块。在特征拼接前,引入特征合并的方法来获得有不同感受野的融合特征,进一步提高特征分辨率。将提出的新特征融合方式和特征合并方式进行纵向与横向的特征融合,充分利用特征属性,提高算法性能。根据巡飞弹硬件平台的属性限制,框架采用轻量化的AlexNet网络作为骨干网络。在OTB100、GOT-10K、UAV123三个数据集上测试,框架整体以160 fps的帧率保证了较高准确度和成功率。在满足巡飞弹特殊工作环境的基础上,实现了较为先进的跟踪性能。整体框架相对简单且性能较高,有较好的跟踪实时性,可加入其他模块来进一步提升跟踪性能。

基于Apriori算法的大学生选择旅游景点的研究分析

大学生作为旅游行业消费群体的主力军,其对旅游景点的选择极大地影响着旅游业的发展。本文基于Apriori算法,对近几年大学生对旅游景点特征组合选择的关键因素进行了研究。文章首先使用因子分析法提取了五个主要因素,其次将处理后的数据通过Apriori算法提取关联特征,然后使用层次分析法寻找权重占比较高的因素。根据实验得出的重要因素,最终找到影响大学生选择旅游景点的三个主要因素为民俗、物价和曝光度。

基于Apriori算法的国企人力资源数据挖掘方法探析

当前的人力资源数据挖掘原则一般较为固定,缺乏灵活性,导致最终得出的平均挖掘量下降,为此,本文对基于Apriori算法的国企人力资源数据挖掘方法进行研究。结合实际的挖掘需求和标准,先进行人力资源数据采集,以动态的形式,增加数据挖掘的灵活性,并设定数据流动态挖掘原则。在此基础之上,构建Apriori测算人力资源数据挖掘模型,采用动态挖掘误差拟合处理的方式来实现数据挖掘。测试结果表明:相较于传统模糊聚类人力资源数据挖掘方法和传统改进CURE聚类人力资源数据挖掘方法,本文设计的Apriori测算人力资源数据挖掘方法最终得出的平均挖掘量相对较高,这说明该方法的资源挖掘速度更快,效率更高,挖掘针对性显著增强。

基于Apriori算法的氢安全事故统计分析

为探究氢安全事故不同特征因素间的相关性,以827起涉及氢气系统的安全事故为数据集,统计分析事故时间、应用阶段、点火源、事故致因及事故后果等特征因素。首先,构建事故致因的关联规则网络,讨论事故致因相关性;然后,交互分析事故致因和事故后果,明确事故因果关系;最后,基于Apriori算法挖掘氢安全事故的6类特征因素的关联规则。结果表明:氢安全事故中设备失效与设计错误、操作错误与意外反应等6个事故致因组合相关性最高;未点燃的氢气释放与压力释放装置、通风系统等8个因素强关联,氢火灾与螺栓、自燃等9个因素强关联,氢爆炸与制氢、电火花、压缩机等5个因素强关联。