改进K-SMOTE随机森林算法在地震信息发布安全风险评估中的应用研究

为有效地提高地震监测、预警、灾情评估等信息发布的安全性提出一种改进型K-SMOTE随机森林(RF)方法构建地震信息安全风险评估模型。该模型通过改进K-SMOTE算法中运用混合采样获得均衡度高的样本集,然后使用随机K折交叉验证方法进行样本划分与模型优化,最终实现目标安全风险等级评估。对实际地震信息发布案例进行评测,文章所提方法构建模型评估准确率为92%,模型精确率和查全率分别为0.81和0.92,模型泛化能力强,能有效用于地震信息发布安全风险评估。本研究为完善地震信息发布安全评估体系、改进地震信息发布环境、降低安全风险提供了参考。

k-center问题的算法研究综述

k-center问题是设施选址的基础问题,同样是NP难问题,在分配、紧急服务等领域也有着实际的应用。随着问题规模的扩大,原有的算法已不再适用,需要进一步优化或者改进。为了找到求解该问题的高效算法,对现有算法进行研究。对各类求解k-center问题的算法进行梳理,将求解算法划分为精确算法、启发式算法、元启发式算法、近似算法等,从算法原理、改进思路、性能和精度等方面进行对比综述。精确算法在求解小规模k-center问题时可在多项式时间内得到最优解,但是算法效率低,不适用于大规模问题;启发式算法可以在多项式时间内给出相对最优解,但是没有理论保证,无法衡量与最优解的关系;元启发式算法可对目前存在的智能优化算法进行改进,给出相对最优解,但是解的质量无法保证;利用近似算法得到的解具有近似比保证,有较大的理论研究价值,但是实用价值较弱。目前求解k-center问题的元启发式算法已取得一定的研究成果,但是在求解时间、求解规模、算法效率等方面仍待突破,这将是未来k-center问题的研究重点。

国际K-12人工智能教育实证研究现状与启示——一项系统性文献综述

随着智能时代到来,人工智能教育逐渐从高等教育扩展至K-12阶段,并成为研究焦点。为了解国际K-12人工智能教育研究现状,运用系统性文献综述法,对WebofScience、ScienceDirect、Wiley和ERIC等数据库中发表于2020—2024年的实证研究文献进行梳理和总结。结果表明,该领域文献数量逐年上升,亚洲地区发文量领先;研究主要集中于中小学阶段,对学前阶段关注度较低;研究方法主要采用实验设计和混合方法,新兴研究方法应用有限;研究主题聚焦于“人工智能课程开发”“学生学习动态”“教师专业发展”三个方面,其中“人工智能课程开发”主题涵盖“整合形式”“内容模块”“教学方法”“教学工具”及“学习成果评估”五个二级指标。基于文献综述结果,建议未来研究加快探索学前阶段人工智能教育;推动情境化人工智能课程开发;整合正式课程与非正式学习;合理延长课程周期;鼓励使用设计导向学习方法和真实数据;构建标准化学习成果评估。

基于k-center聚类和最近邻中心的公平数据汇总

公平数据汇总是指从每种数据类别中选择有代表性的子集,且满足公平性要求。在大数据时代,每种类别的数据都是海量的,因此公平数据汇总研究具有非常重要的现实意义。为了使公平数据汇总的数据点更具有代表性,提出了基于k-center聚类和最近邻中心的公平数据汇总算法。算法主要包括2个基本步骤:(1)通过k-center聚类,将k个簇中心作为当前汇总结果;(2)选择满足公平约束的原簇中心的最近邻点作为新簇中心。由于更新簇中心时选择的是原簇中心的最近邻点,因此相对随机选择的数据点,最近邻点更具有代表性,是除原始簇中心外的次优代表点。同时,寻找最近邻点作为新的簇中心能最大限度减少公平代价。在2个模拟数据集和6个UCI真实数据集上的对比实验结果表明,所提出的算法在近似因子和公平代价方面都优于对比算法,说明所提出的算法获得的数据汇总更具有代表性。

K-凸函数的性质

借助集值映射的K-回收映射和K-雅可比映射得到了K-凸函数的两个性质。

基于K-means/RPF的大型遮蔽空间人员定位算法

针对大型遮蔽空间惯性/地图匹配算法中粒子贫化和子粒子群迷路效应导致定位精度下降的问题,提出一种基于K-means聚类的回溯粒子滤波(RPF)人员定位算法。首先,用行人航位推算(PDR)中航向更新、步频检测及步长估计得到初始运动轨迹;然后,设计RPF算法,提高存活粒子有效性和多样性,缓解粒子贫化,提高人员定位精度;最后,通过K-means聚类算法解决子粒子群的迷路效应,修正人员轨迹出现在非可行域的现象。实验结果表明:本文算法抑制了粒子贫化和子粒子群迷路效应,人员平均定位误差相比惯性定位和标准粒子滤波降低了81.20%和51.48%。

关于“K-弱凸性与K-弱光滑性”一文的注记

证明了K弱凸性与K弱光滑性分别等价于K很凸性与K很光滑性,从而统一了文献[1～2]的一些结果,并说明了把K弱凸和K弱光滑分别称为K很凸和K很光滑更确切。

融合K-means聚类和标记相关性的多标记Relief特征选择

现有Relief算法在利用标记相关性方面存在不足,忽视了局部标记相关性所提供的宝贵信息。针对这一问题,提出了一种融合K-means聚类与标记相关性的多标记Relief特征选择方法。首先,为充分考虑样本标记相关性,采用K-means聚类算法对样本进行聚类,将其划分到不同的簇中,从而构建样本的局部标记空间。其次,定义了所有样本在特征上的欧式距离,以此衡量样本的全局标记相关性。同时,改进了传统的余弦相似度,使用L1范数的平方根进行优化,并在局部标记空间中应用改进的余弦相似度,以有效获取样本的局部标记相关性。最后,在Relief算法的基础上,融合了样本的全局标记相关性与局部标记相关性,以此作为衡量样本相似度的依据,进而判别最近邻同类样本与最近邻异类样本,最终获得特征权重。为评估所提算法的性能,在10个多标记数据集上进行了对比测试,实验结果证明,与其他多标记特征选择算法相比,本算法具有显著优势。

基于K-Means++算法和改进遗传算法的维保站维修调度方法的研究

传统的电梯维保工作模式是定期保养,即针对每台电梯而言,需要每半个月去保养一次,然而电梯设备的分布和保养进度的复杂性决定了人为排定的维保路线不能够最大限度地解决维保资源。为此提出基于K-Means++算法和改进遗传算法的维保站维修调度方法,首先使用分解法的思想将问题进行拆分,然后采用K均值聚类算法将维保任务分配到合适的维保站,建立总路程最短的维保调度模型,最后利用改进遗传算法进行求解,获取最优路线规划结果,对缩减维保工作时间,提升维保工作效率,从而提升电梯使用的安全性和可靠性有一定的意义。

基于改进K-means聚类算法的分布式储能集群划分方法

随着规模化分布式电源及储能的接入,配电网的功率返送、节点过电压等问题愈加显著,对电网规划、运行监视和调度控制等造成一定影响,也不利于储能大范围发展。为此提出一种适用于规模化分布式储能的集群划分方法,基于功率节点电压灵敏度的电气距离模块度指标,对经典K-means算法进行改进,设计节点指数法、肘部法则优化初始聚类中心选择和集群数确定。以IEEE33系统算例进行验证,结果表明所提集群划分方法具有较强的电气耦合性、准确性和运算效率。

K-框架及其K-对偶Bessel序列

研究了K-框架及其K-对偶Bessel序列。首先,给出了Bessel序列为K-框架的充要条件,在闭子空间R(K)上借助逼近K-对偶,研究了构造K-框架及其对偶的方法。其次,给出了两个K-框架是逼近K-对偶的充要条件,得到了构造逼近K-对偶的简单方法。最后,基于K-对偶Bessel序列,在R(K)上构造了可与K-框架交换位置的Bessel序列。

K-对称变换及其K保圆(周)性

在K-复数,K-导数,K-解析(函数)变换的K-保角,K-共形映射以及边界对应定理等的基础上,研究了K-对称变换及其K保圆性.所得结论是解析函数与共轭解析函数的几何理论在K-解析函数中的继续和应用.

K-框架的交织和框架算子

[目的]K-框架是Gavruta L于2013年为研究Hilbert空间的原子分解而提出的一种与Hilbert空间有界线性算子K有关的一种更一般的框架.正是因为K-框架与一个有界线性算子K相结合,使得K-框架相比较于经典框架而具有很多独特的性质.经典框架的交错对偶涉及的两个序列是可交织的,而本文将探索K-框架的K-对偶涉及的两个序列是否可交织,同时将讨论K-框架的框架算子的特征值的若干刻画.[方法]借助Banach空间的的算子理论中的算子范数、序列求和、正交性以及代数中特征值等工具来研究K-框架的K-对偶序列的交织和K-框架的特征值刻画.[结果] Hilbert空间H的K-框架的K-对偶涉及的两个序列一般情况在整个空间K-中不可交织,接着在K-对偶涉及的两个序列的基础上构造了一组新的序列,使得它们在H中可K-交织.得到了K-框架和经典框架的特征值和对应特征向量的两个刻画.[结论]对比经典的框架而言,本文得到的K-框架的K-对偶所涉及的两个序列的K-交织以及K-框架的框架算子的特征值的刻画的结论都更具一般性.当K为Hilbert空间H的恒等算子时,本文所得K-框架结论即为经典框架对应的结论.

基于蚁群算法的三支k-means聚类算法

在聚类分析中,三支k-means聚类算法较具有较强的处理边界不确定数据的能力,但仍然存在对初始聚类中心敏感的问题.通过将蚁群算法和三支k-means聚类算法相结合,给出了一种基于蚁群算法的三支k-means聚类算法来解决这一问题.利用蚁群算法中随机概率选择策略和信息素的正负反馈机制,动态调整权重的方法,对三支k-means聚类算法进行优化.在UCI数据集上实验证明,该方法对聚类结果的性能指标有所提高.

局部凸空间的中点局部k-一致凸性与中点局部k-一致光滑性

引入局部凸空间的中点局部k-一致凸性和中点局部k-一致光滑性这一对对偶概念,它们既是Banach空间中点局部k-一致凸性和中点局部k-一致光滑性推广,又是局部凸空间中点局部一致凸性和中点局部一致光滑性的自然推广。讨论它们与其它k-凸性(k-光滑性)之间的关系。

基于数据流的K-S变化检测的动态多目标规划算法

为了更加准确地判断环境是否发生变化并快速追踪动态多目标规划问题(dynamicmulti-objectiveoptimization problem,DMOP)当前时刻的Pareto前沿,提出了一种基于数据流的Kolmogorov-Smirnov(K-S)变化检测的动态多目标规划(DSK-SDMOP)算法。该算法以NSGA-Ⅱ为基础,通过数据流建立2个时刻的检验窗口,再利用K-S检验基于数据流的Pareto最优前沿是否发生变化,检测2个窗口的数据是否服从同一分布来判断环境是否发生变化,并就环境变化的剧烈程度实行相应的应答机制,以提高对环境的适应程度。利用基于数据流的K-S检测方法,对环境变化不会过于敏感,而且不用提前假设对应目标值的分布,易于操作。通过5个动态多目标规划标准测试函数对该算法进行测试,并和现有的2种算法进行对比分析,结果表明该算法处理动态多目标规划问题具有良好的性能。

k-非常凸、k-非常光滑与(弱)中点局部k-一致光滑空间

引入推广的Banach空间的k-非常凸、k-非常光滑、(弱)中点局部k-一致光滑性的概念,讨论了它们与其它k-凸性(k-光滑性)之间的关系,证明k-非常凸性和k-非常光滑性具有对偶性质,(弱)中点局部k-一致光滑性与(弱)中点局部k-一致凸性具有对偶性质.

基于邻域K-shell分布的关键节点识别方法

复杂网络中关键节点的精准识别对于网络结构稳定和信息传播起着至关重要的作用。传统K-shell方法仅通过节点在网络中所处位置对节点的重要性进行评估,导致区分度不高。基于此,综合考虑了节点的全局信息和局部信息对节点重要性的影响,提出一种基于邻域K-shell分布的关键节点识别方法。该方法通过节点邻域Ks值定义节点的熵,从而反映邻居节点的K-shell分布特征。通过11个网络数据集上的仿真实验,验证了所提方法能够更准确地识别并区分复杂网络中的关键节点。

支持K-近邻搜索的区块链泛用型数据隐私保护方法

随着区块链泛用型数据应用场景的不断扩大,其涉及的数据隐私越来越多,数据隐私泄露可能导致个人信用受损,带来财产损失甚至身份盗用等.合理高效地进行用户身份信息及数据隐私保护是确保区块链泛用型数据安全的关键问题.为此,本文提出了支持K-近邻搜索的区块链泛用型数据隐私保护方法,采集区块链泛用型数据,利用k-prototypes算法,聚类区块链泛用型数据,并控制分类属性和数值属性.在此基础上,本文支持K-近邻搜索,建立区块链泛用型数据系统模型,确定区块链泛用型数据敏感区域,实现区块链泛用型数据隐私保护.实验结果表明,本文所提方法具有较好的区块链泛用型数据隐私保护效果,能够有效提高区块链泛用型数据隐私保护安全性,缩短区块链泛用型数据隐私保护时间.

K-解析变换下曲线的转向

在K-导数及其几何意义的基础上,研究了K-解析(函数)变换下的曲线的K保转向,K-保角等,所得结果是解析函数与共轭解析函数的几何理论在K-解析函数中的继续和应用.