“哨兵-2”卫星影像及C2RCC算法在太湖冬春季水色分析中的应用

利用太湖2019—2022年冬春季“哨兵-2”卫星10 m分辨率的MSI影像和SNAP软件C2RCC(Case 2 Regional CoastColour)模块,以适合浑浊、富营养程度较高、光学复杂的“二类水体”的C2X-nets为模式,开展太湖叶绿素a、总悬浮物浓度、透明度等水色参数反演。结果表明:冬春季太湖各湖区叶绿素a浓度处于较低水平,但4月中旬起有明显抬升;太湖西部沿岸区、南部沿岸区和湖心区总悬浮物浓度较高,表明这些湖区易受风浪影响,造成沉积物再悬浮;太湖东部沿岸区、北部湖湾及东太湖遥感反演的水体清澈度较高,可能与这些湖区冬春季沉水植物菹草的分布有关,菹草生长对水质有较好的净化效果。总体来看,基于C2X-nets模式的C2RCC反演算法从较高分辨率卫星遥感影像中提取的水色信息,能有效反映太湖冬春季水色指标的空间分布特征,可为湖体生态状况及动态变化的长期监测评估提供有价值的参考。

基于改进C^(2)算法的双目标角度估计方法

角度是雷达探测和跟踪目标的重要信息,主波束宽度通常决定了雷达角度分辨率,当雷达主波束范围内包含不止一个目标时,采用传统的和差测角方法只能获得多目标的合成角度位置,不能获得场景中目标的真实角度值,严重影响了雷达对真实目标的截获和跟踪。针对雷达主波束内存在双目标的场景,首先通过理论分析和数值仿真说明双目标对和差测角的影响,再结合传统C2多目标角度估计算法在和差测角中的应用,给出一种改进的C2角度估计算法。最后,通过数值仿真验证了所提出的方法在双目标回波能量相同和不同场景下均适用,且角度估计精度相对传统多目标角度估计方法明显提升。

基于高斯核函数的差分隐私模糊C均值聚类算法的构建与应用

目的:提出一种基于高斯核函数的差分隐私模糊C均值聚类算法(DPFCM_GF),旨在优化大数据背景下医疗数据分析和挖掘带来的数据隐私安全问题,为数据隐私保护提供理论基础。方法:针对随机初始化模糊C-均值隶属度矩阵降低算法精度问题,采用最大距离法确定初始中心点,使用聚类中心点的高斯值计算隐私预算分配比率,并添加拉普拉斯噪声以完成差分隐私保护,构建DPFCM_GF。收集整理美国加州大学欧文分校机器学习存储库的心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集对DPFCM_GF有效性进行验证,收集2019年1月1日至2022年12月31日淮安市第二人民医院收治的756例胃癌和肺癌患者病例数据集,对DPFCM_GF的可用性进行验证,并将分析结果与模糊C均值聚类算法(FCM)以及差分隐私模糊C均值聚类算法(DPFCM)进行对比分析。结果:对于心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集,DPFCM_GF和DPFCM的最优聚类效果与FCM聚类效果相当;相较于DPFCM,DPFCM_GF迭代时间更快,聚集速度显著,差异有统计学意义(t=4.01、4.71、4.01、12.38,P<0.05)。对于肺癌和胃癌数据集,随着隐私预算ε的增大,DPFCM_GF正确识别率逐渐聚集于91.9%和93.9%,受试者工作特征(ROC)曲线下面积(AUC)值分别为0.79和0.81;当隐私函数ε为0.1、0.5、1和2(ε<3)时,DPFCM_GF聚类效果显著优于DPFCM,且聚类效果更佳,差异有统计学意义(χ^(2)=12.25、87.12、68.58、7.76,P<0.05;χ^(2)=4.74、43.51、42.47、4.89,P<0.05)。结论:DPFCM_GF是一种有效保护医疗数据隐私的方法,同时也可进行数据分析和挖掘任务,具有一定的研究意义和研究前景。

基于C5.0决策树算法的电力营销数据异常识别方法

为了增强电力营销数据异常识别的精确度,进而能够精准捕捉异常数据模式,本文借助C5.0决策树算法,深入探索了电力营销数据异常识别方法。根据电力营销数据类型,选择相应的传感器采集数据,并对数据进行集成处理。从集成的数据中提取异常特征,根据业务知识,选择对异常识别有重要影响的特征。在此基础上,构建C5.0决策树,根据特征变量的取值,识别数据异常,输出异常标识。实验测试结果表明,该方法应用后,在测试样本数量逐渐增加的情况下,数据异常识别误报率最高不超过1%,具有较高的识别准确性。

基于改进C5.0决策树算法的电力营销异常数据挖掘研究

由于电力营销数据规模较大且数据组成复杂,传统挖掘方法容易出现异常数据识别不准确的问题,本文研究基于改进C5.0决策树算法的电力营销异常数据挖掘。通过收集与预处理等步骤做好电力营销数据的准备工作,引入信息熵改进C5.0决策树算法的属性选择方式,并利用改进后算法挖掘电力营销异常数据。实验结果表明,设计方法下电力营销异常数据挖掘结果的正确率高达97.5%,挖掘性能较强。

基于C4.5决策树算法构建学生画像模型的研究与实现

近年来,随着大数据分析技术的发展,用户画像技术日趋成熟,挖掘数据中的隐藏信息已经成了研究热门。文章参考用户画像技术,提出了一种基于C4.5决策树算法的学生画像建模方法。文章以广西大学计算机与电子信息学院的本科生为研究样本,搜集学生们的行为数据制作数据集。该模型采用平均值填充法进行数据预处理,并将清洗完毕的数据投入训练模型进行调参,从而获得最后的测试模型。该模型能够按照三级标签体系将学生分类,准确率达到62.3%。最后该文对研究结果进行了分析总结,确定了未来的发展方向。

基于模糊C均值聚类算法的浆液循环泵节能运行优化方法研究

在浆液循环泵运行阶段,受客观应用需求波动的影响,其功耗相对较高。为此,提出基于模糊C均值聚类算法的浆液循环泵节能运行优化方法。在浆液循环泵运行数据特征提取阶段,采用基于无监督的深度学习模型,借助随机初始化的卷积核,对输入的数据进行卷积计算,获取低维空间的特征映射,随后通过反卷积确定浆液循环泵运行参数特征;在节能运行优化阶段,引入模糊C均值聚类算法,通过聚类具有相同特征的数据,将相同聚类内功耗最小的参数作为同类运行工况下的优化结果。结果显示,测试循环泵的功耗虽然会随着通过的最大颗粒粒度的增加而呈稳定增大的趋势,但对应的增幅较小,与对照组相比,其分别在节能程度和节能适应性方面表现出了明显优势。

基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法。探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面。对原始模糊C均值聚类算法中的聚类数c进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值。通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法。

C4.5算法在2型糖尿病分类规则建立中的应用

基于大量实测数据 ,将数据挖掘C4.5算法引入 2型糖尿病的数据处理之中 ,建立了多条有效规则 ,通过测试其患病与未患病的平均正确识别率达 97%。重要的是建立的这些规则同医学上的认识基本一致 ,可以说这些规则的建立为解释糖尿病发病因素之间的相互关系以及影响程度提供了一种新的方法 ,为建立

基于C_0算法的混沌系统复杂度特性分析

采用C0复杂度算法,分析了Logistic映射、简化Lorenz系统和超混沌Lorenz系统的复杂度特性,并与系统的Lyapunov指数谱和分岔图进行对比,结果表明,C0复杂度能正确反映系统的复杂度特性;三系统复杂度从大到小依次为Logistic系统、超混沌Lorenz系统和简化Lorenz系统.将C0复杂度算法与谱熵算法(SE)和强度统计算法(LMC)计算结果对比,进一步说明C0算法分析混沌系统复杂度的有效性.系统复杂度随时间演化的特性分析表明,系统复杂度在一定范围内波动,即系统具有演化稳定性,两连续系统中y序列复杂度最大.为混沌系统应用于信息加密、保密通信领域提供了理论与实验依据.

基于C4.5算法的道路网网格模式识别

提出一种基于C4.5算法的网格模式识别方法。该方法以道路网中的网眼为基本单元,根据上下文关系将其标识为属于网格模式和不属于网格模式两类。首先采用形状参量和关系参量描述网眼,然后,基于决策树C4.5算法分别对5参量描述和3参量描述数据构造分类器,运用10折交叉验证获得具有说服力的结果,其Kappa值分别为0.63和0.66,正确率分别为81.7%和82.9%,置信度90%的置信区间分别为[0.785,0.846]和[0.797,0.857]。在新数据上进行了识别效果的验证,结果表明该分类器可用于网格模式的识别。

基于模糊C均值隶属度约束的图像分割算法

模糊C均值算法(FCM)是图像分割中应用最为广泛的一种模糊聚类算法,但是传统的模糊C均值算法并没有考虑到任何空间信息,这使得传统的模糊C均值算法对噪声非常敏感。尽管许多改进的模糊C均值算法采用调节空间信息影响程度的因子,但是这些因子不仅需要人为设定而且对强噪声仍缺乏足够的鲁棒性。针对FCM噪声敏感问题,提出一种基于FCM隶属度约束的图像分割算法,算法根据图像中的像素点自身的隶属度信息来自动调节算法对噪声的鲁棒性和对图像细节保持性的平衡度,不需要人为设定空间信息的影响程度。通过和FCM的改进算法在自然图像的实验分割效果比较,验证了该算法在去除强噪声的同时能够保持更多的图像细节,从而实现较理想的图像分割结果。

基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C-means,FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California-Irvine,UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。

基于改进的C4.5算法的网络流量分类方法

在基于C4.5算法的网络流量分类方法中,网络流量数据量的海量性及其特征的多样性使得决策树的构建速度、分类速度成为评价网络流量分类器的重要标准。在原C4.5算法的基础上提出一种改进的信息熵的计算方法,通过减少计算函数的复杂度,提高决策树的构建速度。实验表明,基于改进后算法的分类器在达到原有分类准确率的同时,极大地缩短了决策树的构成时间。

基于改进模糊C均值算法的电力负荷特性分类

为了提高负荷分类的精确性和有效性,提出了将基于模拟退火遗传算法的模糊C均值(Simulated Annealing Genetic Algorithm Based Fuzzy C-Means,SAGA-FCM)算法用于电力系统负荷特性分类。SAGA-FCM算法以模糊C均值(Fuzzy C-Means,FCM)算法为基础,融合了模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,克服了传统FCM算法对初始聚类中心敏感和容易陷入局部最优的问题。将其与系统聚类法、K均值(K-Means)算法和传统FCM算法分别用于电力系统负荷特性分类实验,对比分析表明了SAGA-FCM算法用于负荷特性分类的有效性和优越性。

C4.5决策树展示算法的设计

分析了现有的展示C4.5算法结果决策树的方法的不足,设计了一种利用多叉树结构的直接输出来实现决策树展示的算法。在客户关系管理(CRM)应用于电信运营的研究项目中,该算法在数据挖掘平台上得到应用,实践证明,提高了决策树分类的效率和展示的直观性。

改进FCM算法及其在电力负荷坏数据处理的应用

变电站日负荷曲线含有丰富的综合负荷构成特性信息,可以用于负荷特性的分类与综合,但必须对原始生数据进行坏数据的辨识与调整。在深入分析已有方法以及负荷建模对日负荷曲线分类与综合要求的基础上,提出一种基于拉格朗日(Lagrange)插值方法和模糊聚类原理的改进的模糊C均值聚类FCM(fuzzy C-means)算法应用于变电站日负荷曲线的坏数据辨识与调整。首先运用内维尔(Neville)算法对缺失数据补全;然后采用改进FCM算法对日负荷曲线进行聚类,产生各类的特征曲线,利用负荷曲线的横向相似性辨识负荷坏数据;最后利用特征曲线进行坏数据调整。实例分析取得了良好效果。

基于C4.5决策树算法的中医胃炎实验数据分类挖掘研究

C4.5算法是决策树数据挖掘中功能相对比较全面的一种工具。实验对经过预处理后的800例中医胃炎的辨证数据病例采用C4.5算法进行分类,建立中医胃炎辨证分类决策树,并提取决策树中蕴含的分类规则。挖掘出的分类规则基本符合中医胃炎的辨证规律以及名老中医诊治胃炎的诊疗经验。

文档图像二值化算法VFCM

为了提高基于拍摄方式的文档图像的二值化效果,降低光学字符识别(optical character recognition,OCR)系统的文字识别错误率,提出了一种全局阈值与局部阈值相结合的二值化算法——VFCM。该算法使用最大方差比方法产生全局阈值,使用FCM(FuzzyC-Means)聚类方法产生局部阈值。这两种方法的结合能够较好地保留字符的笔画细节,并能有效地消除伪影。实验结果表明,该算法可以取得比较好的二值化效果,并能带来OCR系统识别率的有效提高。

FCM算法的改进及仿真实验研究

针对FCM原型算法的不足,提出一种新的改进方法,并进行仿真实验研究。利用主成分分析方法对原始数据集的指标进行筛选,应用Relief算法对入选指标计算权重。在此基础上,对FCM算法进行了改进。应用模糊划分系数F(CR)和平均模糊熵H(CR)这两个指标对算法的性能进行了评价。仿真实验结果表明,改进后的FCM算法对样本集数据的分类符合率达到了91.5%,其模糊划分系数F(CR)和平均模糊熵HC(R)分别为0.924和-0.062。改进后的FCM算法分类性能优于FCM原型算法,在应用中可以取得更好的效果。