基于LOF与欧氏距离的液态危化品安全鹤位分配方法

为保障液态危化品装卸过程中的生产安全,引入基于局部异常因子(LOF)与欧氏距离进行安全鹤位分配。首先通过使用LOF计算空位点局部离群程度,再计算空位点与出口间的欧氏距离,采用模糊量化法对得到的2个指标进行无量纲化处理,将2个结果加权计算后生成最终的综合评价指标。针对装卸区域建立坐标系,通过鹤位分配算法评估候选鹤位的安全程度,依照候选鹤位的综合评价得分结果,选取当前轮次得分最高的鹤位作为最终分配结果。同时根据鹤位实时作业进行迭代优化计算,实现安全鹤位分配。实验结果表明,基于LOF与欧氏距离的安全鹤位分配算法可以同时保证作业鹤位的相对较大安全间隔和相对较短避险距离。通过多轮次候选鹤位点选取,装卸安全性得到改善。

基于局部密度离群点检测k-means算法

针对数据集的聚类过程容易受到离群值的影响这一问题,提出了局部密度离群值检测k-means算法,即先对数据集使用局部密度离群值检测方法检测离群值,先把离群值去除,再进行k-means聚类,算法的有效性通过Davies-Bouldin指标(DB)、Dunn指标和Silhouette指标进行评价,在人工生成的数据集与UCI数据集上验证,去除离群值,再使用k-means算法得到的聚类结果相比原始数据集进行k-means算法聚类结果较好,并且用在疫情数据分析上,对安徽省、北京市、福建省、广东省等24个省、市、自治区2020年2月18日新型冠状病毒肺炎确诊人数进行聚类分析,得到的去除离群值在使用k-means算法相比原始数据集进行k-means算法聚类结果较好,该结果能帮助更好地在实际中怎么去做决策以及更好地降低经济损失。

基于动态时间跨度与聚类差异指数的用户行为异常检测算法

在保证实时性与模型的适应性的条件下对居家人士的行为进行分析,提出了一种基于动态时间跨度与聚类差异性指数的用户行为异常实时检测算法。该算法利用动态时间跨度与聚类差异性指数对实时数据流进行概念漂移检测,在数据流发生概念漂移的情况下,利用局部离群因子(LOF)来检测用户发生行为异常的时间点。通过动态时间跨度对分类模型不断更新,有效提升了模型的适用性。通过实验验证了该算法能够在保证实时性的情况下正确检测出概念漂移,并给出用户行为发生异常的时间点。该研究成果为实现智能家居环境下用户行为异常检测提供了新思路,可为居家人士提供有效服务和安全保证。