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。

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

ML组合的CYGNSS海面风速反演质量控制模型

卷积神经网络(CNN)可用于气旋全球导航卫星系统(CYGNSS)的海面风速反演。虽然在模型训练前设置了质量控制指标来检测和削弱CYGNSS的异常观测数据,但CYGNSS观测数据中仍存在异常值导致模型反演精度降低,甚至出现错误反演结果。因此,提出一种基于机器学习(ML)组合的海面风速反演模型。在基于CNN回归模型的CYGNSS反演海面风速基础上,ML分类模型生成CNN回归结果的质量标志位,该标志位可以检测并删除CNN回归结果的异常值,进一步提高风速反演结果的数据质量,ML分类模型能够更好地考虑各种数据误差之间的相互作用,而不是单独使用每个条件的阈值,以达到更优的海面风速反演精度的效果。实验对比了Logistic回归(LR)、决策树(DT)、朴素贝叶斯模型、K最邻近(KNN)算法、神经网络(NN)模型、支持向量机(SVM)算法等6个分类模型,其中,基于KNN算法的分类模型对风速反演质量控制的效果最优。所提风速反演组合模型显著提高了反演结果的精度,在0~20 m/s区间内,异常样本过滤率为81.27%,在所有被过滤的数据中,过滤正确率为86.03%;风速反演误差的均方根误差从无ML分类模型的1.7 m/s降低到有ML分类模型的1.44 m/s,其中,训练样本为0~10 m/s的反演结果精度提升效果较为明显,证明了所提风速反演组合模型对风速质量控制的有效性。

基于能量均衡的非均匀分簇调度算法

针对无线传感器网络节点能量有限且不可充电的问题,本文提出基于能量均衡的非均匀分簇调度算法(EBNC_CHES)延长网络寿命。EBNC_CHES在麻雀搜索算法的基础上,引入时间竞争机制减少冗余信息获取和能耗传递的同时,采取K-means非均匀分簇均衡簇间网络能量消耗,引入改进的麻雀搜索在簇头选举中均衡簇内能耗。仿真结果表明:该算法与LEACH、EECHS_ISSADE和EESSTBRP相比,冗余信息降低了81%、80%、55%,能耗利用率提高了133%、50%、11.4%,寿命延长了52.8%、43.5%、12.2%。此算法能减少冗余信息,降低网络能耗、延长网络寿命。

融合N-K模型的复杂网络船舶自沉事故风险因素耦合分析

为定量分析船舶自沉风险因素间的影响关系,识别导致船舶自沉事故的关键因素,科学预防事故的发生,引入融合N-K模型的复杂网络研究船舶自沉事故风险耦合。首先结合中国海事局公布的136起船舶自沉事故案例,分析事故致因,将船舶自沉事故风险因素归纳为4个一级风险因素和15个二级风险因素,运用N-K模型计算出一级风险因素风险耦合的发生概率和风险值;然后,以二级风险因素为节点、致因关联为边,构建危险因子的关联网络,通过风险可达性分析和网络节点中心度分析,探究危险因子的作用机制,对危险因子进行初步识别,并以N-K模型计算的耦合值对节点中心度进行改进,获得最终的关键风险因素;最后,挖掘船舶自沉事故致因网络的凝聚子群并进行分析,得到密度矩阵,确定风险关联性最强的二级风险因素,以期从事故源头上采取有效措施,为船舶自沉事故的科学预防提供有益参考。结果表明:船舶自沉事故的发生与风险耦合值成正比,耦合因素越多则风险值越大;人的因素和船舶因素风险耦合易导致船舶自沉事故;导致船舶自沉事故的关键风险因素为安全意识淡薄、公司未履责、船舶管理不到位、公司管理不到位、船舶故障、船舶不适航,其中安全意识淡薄与其他风险关联性最大,须重点防范。

适用于新型配电网的改进型电流保护

随着新型配电网的发展,分布式电源(distributed generation, DG)广泛接入配电网,由于DG运行状态多样随机,传统基于最大、最小运行方式整定的电流保护难以同时满足保护“四性”。为此,本文首先搭建具有低电压穿越能力的多类型高比例DG接入的新型配电网模型,分析多类型DG接入后配网短路计算方法,研究DG接入对电流保护“四性”的影响;提出的改进方案将配网运行状态聚类为多个运行状态集,集内分别整定,当配网运行状态满足定值切换判据时更新定值,形成适用于新型配电网的“离线整定、在线更新”的改进电流保护,最后利用PSCAD/EMTDC仿真验证所提方法的有效性。

基于卷积神经网络的毛巾瑕疵检测系统设计

针对毛巾表面小尺寸瑕疵和极端纵横比的经纬向瑕疵,提出基于卷积神经网络的毛巾瑕疵图像检测方法。首先采用所构建毛巾瑕疵检测系统中的面阵工业相机进行毛巾样本图像采集,从中选取150张带有瑕疵的图像,对采集的图像进行数据扩充,并制作数据集;其次,通过融合特征金字塔网络与ResNet-50,并引入K-means聚类优化边界框宽高比,得到适用的Faster R-CNN目标检测算法;最后,用数据集进行网络训练,提取图像中的瑕疵特征,识别瑕疵目标,并对训练所得网络进行实验验证,识别检出率达到95.2%。结果表明,所提出的系统可有效实现毛巾瑕疵自动检测。

基于DCNN的ZPW-2000A无绝缘轨道电路故障诊断研究

针对ZPW-2000A无绝缘轨道电路故障发生的多样性和不确定性导致的故障诊断效率低的问题,从故障特征提取和故障分类的角度出发,提出一种基于深度卷积神经网络(DCNN)的轨道电路故障诊断方法。通过故障分析总结出12种轨道电路故障状态,并将不同故障状态下的轨道电路监测数据进行标准化处理,作为DCNN模型的输入。模型采用卷积-池化结构提取轨道电路的关键特征并滤除冗余特征。BP神经网络作为模型的全连接层,并结合Softmax函数进行故障分类。通过k折交叉验证法优化模型结构,确定最佳模型。实验结果表明,采用4层卷积-池化层结构的轨道电路故障诊断模型在诊断准确率方面达到了98.48%,较同为最优模型的长短期记忆网络(LSTM)模型、深度前馈网络(DFN)模型、双向长短时记忆网络模型(BiLSTM)与CNN-LSTM组合模型分别提升了6.06%,6.06%,3.33%与2.27%,训练收敛速度分别快了大约1250、4250、1250与1450次,且训练时的损失波动更小。本研究提升了轨道电路故障诊断效率,为轨道电路的故障诊断任务提供了一种新的有效方法。

电动自行车穿行对公交乘客进出站行为的安全影响分析

为深刻认知公交乘客在横穿非机动车道进出公交站台过程中与纵向穿行的电动自行车形成的交叉型碰撞冲突的特征并探究冲突严重程度的影响因素,提出电动自行车穿行对公交乘客进出站行为的安全影响分析方法。首先,依据航拍获取的电动自行车和公交乘客运行轨迹,将公交乘客-电动自行车冲突划分为公交乘客避险、电动自行车避险、双方均避险等3类;然后在交叉型冲突特征分析的基础上,提出相对碰撞时间(TTR)指标,联合后侵入时间(PET)、安全减速度(DST)构建基于改进K-means聚类的冲突严重程度评价模型;最后分别从公交乘客和电动自行车视角提取5个冲突严重程度影响因素,建立基于BP神经网络的冲突严重等级预测模型,并对模型有效性进行检验。结果表明:速度差和相对速度对冲突严重等级的影响最大;电动自行车主动避险对冲突双方的运动状态影响最小,相对碰撞能量最低;所提冲突严重等级预测模型的计算结果与实际冲突等级具有较高符合度,能够在一定程度预测冲突严重程度。

改进K-shell算法的城市道路网关键交叉口识别

交叉口重要性不仅与自身属性相关,还受相邻路段属性的影响,针对城市道路网中关键交叉口识别方法准确率不足的问题,提出一种考虑城市道路网特性的改进K-shell算法。即在传统K-shell算法基础上,综合考虑交叉口及其相邻路段的结构特性与交通特性,提出交叉口重要度的概念,利用CRITIC法确定交叉口重要度中相关指标的权重系数,对城市道路网中的交叉口进行重要性排序。以哈尔滨市二环内道路网为例,构建级联失效模型,分析随着失效交叉口比例的增加,不同排序方法下的网络效率、网络最大连通子图比率、故障节点比率的波动情况,结果表明,改进K-shell算法能够更加有效地识别城市道路网关键交叉口。

基于时频域融合和ECA-1DCNN的航空串联故障电弧检测

为了快速准确地检测航空交流线路中出现的串联故障电弧,提出了一种基于时频域融合和加入高效注意力机制(efficient channel attention, ECA)的一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)的故障检测算法。首先,搭建航空交流电弧故障实验平台,负载选择多类型、多参数值进行电流信号的采集;其次,为了保留更多的故障信息,分析其特征频段,经过大量数据验证,航空串联电弧在发生时,1 000~4 000 Hz分量具有一定的占比,因此将原始信号与特征频段进行融合,融合后的一维数据作为模型输入;最后,搭建ECA-1DCNN检测模型,进行训练,并通过K折交叉验证模型的有效性,得到测试集平均准确率为97.96%。该方法网络层数较少,计算快速,避免了复杂时频域计算过程,较为智能,对航空串联电弧检测装置的研究提供了理论参考。

基于自动分层分区的通信网络拓扑建模方法

通信系统抗震韧性评估对提升系统整体抗震能力和减轻灾害损失具有重要意义,基于通信系统组网规则快速建立合理的通信网络拓扑能够为抗震韧性评估提供网络拓扑数据,同时为建设经济且稳定的城市通信网络提供指导。针对这一问题提出了一种建立合理通信网络拓扑的方法:在获得通信节点基础信息的前提下,基于通信网络组网规则采用优化算法自动建立给出通信网络拓扑。该方法首先采用聚类算法实现通信节点的自动分区;然后,基于通信线路的拓扑规则,以线路长度最短为优化目标,采用蚁群算法和Dijkstra算法优化建立同一分区内节点间线路拓扑。为了验证该方法的可用性,以两座不同规模城市为例,建立了两座城市通信网络拓扑模型。建模结果显示:针对不同规模城市该方法能够结合具体情况快速建立合理的城市通信网络拓扑模型。

一种融合节点变化信息的动态社区发现方法

动态社区发现旨在检测动态复杂网络中蕴含的社区结构,对于揭示网络的功能及演化模式具有重要研究价值.由于相邻时刻网络的社区结构具有平滑性,前一时刻网络的社区划分信息可以用于监督当前时刻网络的社区划分过程,但已有方法均难以有效提取这些信息来提高动态社区发现性能.针对该问题,提出一种融合节点变化信息的动态社区发现方法(Semi-supervised Nonnegative Matrix Factorization combining Node Change Information,NCI-SeNMF).NCI-SeNMF首先采用k-core分析方法提取前一时刻社区网络的degeneracy-core,并选取degeneracy-core中的节点构造社区隶属先验信息,然后对相邻时刻网络的节点局部拓扑结构变化程度进行量化,并将其用于进一步修正社区隶属先验信息,最后通过半监督非负矩阵分解模型集成社区隶属先验信息进行动态社区发现.在多个人工合成动态网络和真实世界动态网络上进行大量对比实验,结果表明,NCI-SeNMF比现有动态社区发现方法在主要评价指标上至少提升了4.8%.

基于视觉图像与激光点云融合的交通标志快速识别方法

交通标志对车辆交通起到重要作用和意义,而智能交通中交通标志识别由于标志特征提取效果差,导致识别率低、识别时间长,因此,提出一种新的基于视觉图像与激光点云融合的交通标志快速识别方法。采用双边滤波方法预处理原始激光点云数据;通过归一化处理得到视觉图像激光点云融合的目标空间激光点云位置测距数值;通过测距值获取目标图像位置,归一化处理交通标志视觉图像,引入k均值聚类算法二聚类处理图像,采用制作的切割模板切割图像感兴趣区域,提取交通标志图像的深度特征,结合卷积神经网络二次过滤特征,重新标定二次过滤后的特征,最终利用卷积神经网络模型实现交通标志快速识别;经实验对比证明,采用所提方法提取各个类型交通标志特征的提取效果较好,并且识别率达到89.74%,识别时间仅为13.1 s,干扰下识别时间最高仅为15.1 s,验证了该方法可以快速且准确识别各个类型的交通标志。

基于人工智能的LTE无线性能研究

文章提出了一种基于人工智能二次聚类的移动通信无线性能仿真研究。首先,用SOM算法将输入数据进行训练,将训练输出的每个节点对应的内部权值向量作为输入模式类的中心向量,同时该中心向量为K-means方法算法中的主中心向量,以进行精确的二次聚合。其次,使用SOM-K算法对移动小区短期的OAM数据进行聚类。与单独使用K-means方法相比,该方法聚类效果明显改善。

基于变分图自动编码器与K均值聚类的虚拟网络嵌入算法应用

将虚拟网络映射到物理网络是网络功能虚拟化中一项重要的任务.为了有效地分配虚拟网络请求,需要将虚拟网络嵌入到物理网络拓扑中.然而,由于虚拟网络的复杂性和物理网络的限制,这一任务变得非常具有挑战性.鉴于此,研究在现有虚拟网络嵌入算法(Virtual Network Embedding, VNE)模型基础上进行改进,融入了变分图自动编码器(Variational Graph Auto-Encoders, VGAE),提出了一种新型虚拟网络嵌入算法模型.通过编码器对虚拟网络的嵌入特征进行提取,随后利用K-means聚类算法对所得到的嵌入特征进行分类,最终得到合适的嵌入分配方法.实验结果表明,该新模型相较于其他同类型的嵌入算法性能表现最佳,稳定性最好,其平均嵌入请求接受率为60%,长期平均CPU资源利用率最高达97%.综上所述,研究提出的新型虚拟网络嵌入算法在资源利用率和嵌入质量方面表现出色,能够有效应对复杂的网络环境和大规模的虚拟网络请求.

基于改进K-means聚类算法的网络异常数据挖掘与分类方法

为了解决网络异常数据挖掘过程中漏报率、误报率较高的问题,文章提出一种基于改进K-means聚类算法的网络异常数据挖掘与分类方法。文章通过构建并行化频繁项集挖掘环境加速数据处理,利用局部离群点检测剔除异常值,同时引入K-means聚类对数据的最大最小距离展开计算,融合隶属度函数与密度峰值优化算法,改进聚类初始中心选择及簇边界调整,从而提高异常识别准确性和分类效率。通过实验结果证明,该方法能够明显改善聚类效果与性能。

k阶采样和图注意力网络的知识图谱表示模型

知识图谱表示(KGE)旨在将知识图谱中的实体和关系映射到低维度向量空间而获得其向量表示。现有的KGE模型只考虑一阶近邻,这影响了知识图谱中推理和预测任务的准确性。为了解决这一问题,提出了一种基于k阶采样算法和图注意力网络的KGE模型。k阶采样算法通过聚集剪枝子图中的k阶邻域来获取中心实体的邻居特征。引入图注意力网络来学习中心实体邻居的注意力值,通过邻居特征加权和得到新的实体向量表示。利用ConvKB作为解码器来分析三元组的全局表示特征。在WN18RR、FB15k-237、NELL-995、Kinship数据集上的评价实验表明,该模型在链接预测任务上的性能明显优于最新的模型。此外,还讨论了阶数k和采样系数b的改变对模型命中率的影响。

基于近邻卷积神经网络的油画分类方法研究

油画分类是油画生成、油画识别及数字油画应用的重要基础工作。但由于油画图片与普通图片存在较大的质感差异,而且是油画家的个性化创作,不确定性更高,较普通照片的分类更困难。论文以分类出含有桥梁的油画为例,提出一种基于近邻卷积神经网络的油画分类方法,利用K最近邻分类算法提取与测试样本最接近的K个训练样本,卷积神经网络挖掘油画中的深层特征,从而对油画中的对象进行分类。论文详细讨论了数据处理、卷积神经网络的架构设计、训练过程。并在kaggle数据集上对该方法进行了分析与比较,使用三个数据集进行实验,实验结果表明该方法较最近邻算法精度上平均提高了2.4%,较卷积神经网络精度上平均提高了3.1%,较支持向量机方法精度上平均提高了6.9%。

基于K-means聚类和BP神经网络的电梯能耗实时监测方法

针对现有方法在对电梯能耗进行监测时,存在监测精度低、用时长、监测结果不理想的问题,该文提出一种基于K-means聚类算法和BP神经网络相结合的电梯能耗实时监测方法 .在经过清洗的能耗数据中提取影响建筑能耗实时监测的主要因素特征值,利用相似系数法进行相似度计算,获取相似系数.对相似电梯能耗数据进行小波分解获取高低频序列,分别采用LSSVM-GSA检测方法和均方加权处理方法对低频和高频部分进行处理,将两个结果进行重构,得到最终的实时监测结果 .仿真实验结果表明:所提方法能够获取高精度、低耗时、高稳定性的监测结果 .