基于AAPC、CS与卡尔曼滤波的WiFi室内定位跟踪算法

针对基于位置指纹的WiFi室内定位技术的定位精度尚未达到实际应用要求的问题,提出一种融合自适应仿射传播(AAPC)、压缩感知(CS)与卡尔曼滤波的WiFi室内定位跟踪算法。其中,离线阶段使用AAPC算法生成具有最优聚类效应性能的聚类指纹,在线阶段采用CS与最近邻算法进行位置估计。最后,通过将卡尔曼滤波与物理限制相集成来进行定位跟踪。通过采集大量真实实验数据,证明了所开发的算法具有更高的定位精度和更准确的轨迹跟踪效果。

自适应仿射传播聚类

适合处理大类数的仿射传播聚类有两个尚未解决的问题:一是很难确定偏向参数取何值能够使算法产生最优的聚类结果;另一个是当震荡发生后算法不能自动消除震荡并收敛.为了解决这两个问题,提出了自适应仿射传播聚类方法,具体技术包括:自适应扫描偏向参数空间来搜索聚类个数空间以寻找最优聚类结果、自适应调整阻尼因子来消除震荡以及当调整阻尼因子方法失效时的自适虑逃离震荡技术.与原算法相比,自适应仿射传播聚类方法性能更优,能够自动消除震荡和寻找最优聚类结果.对模拟和真实数据集的实验结果表明,自适应仿射传播聚类方法十分有效,其聚类质量优于或不低于原算法.

自适应AP聚类算法及其在入侵检测中的应用

网络数据流量的增大对入侵检测系统的实时性提出了更高的要求,压缩训练数据可加快未知样本的分类处理速度。针对数据量过大造成压缩处理和聚类效率低下的难题,提出了一种改进的自适应AP(affinity propagation)聚类方法,采取直接关联与簇中心距离较近样本的方法,减少聚类样本数量,降低聚类时空消耗,并依据关联结果,不断调整聚类参数,精确聚类结果。2个网络安全数据集的应用结果表明,该方法可从大规模样本中有效聚出代表性子集,在保证准确率的前提下,提高入侵检测的实效性。

基于自适应仿射传播聚类的GIS局放缺陷分类研究

为对GIS中不同缺陷类型进行分类和识别,笔者介绍了一种新型自适应仿射传播聚类(adAP)算法,用于对4种典型缺陷UHF信号进行分类。该算法通过自适应扫描偏向参数空间来搜索聚类个数以寻找最优聚类结果、自适应调整阻尼因子来消除震荡以及自适应逃离震荡等技术,克服了传统仿射传播聚类(AP)算法无法准确获知聚类个数以及无法消除震荡的缺点。最后,通过采用多种聚类有效性指标对分类结果进行有效性验证,发现adAP算法不仅可以准确地给出分类个数,实现不同缺陷类型的分类,而且在处理时间和循环次数上均优于传统AP算法。

应用于WiFi室内定位的自适应仿射传播聚类算法

在室内覆盖的大量的WiFi信号可以用来室内定位。尽管很多WiFi室内定位技术被提出,但其定位精度仍然未达到实际应用的需求。针对这个问题,该文提出一种自适应仿射传播聚类(AAPC)算法用以提高WiFi指纹的聚类质量,从而提高定位精度。AAPC算法通过动态调整参数生成不同的聚类结果,然后采用聚类有效性指标筛选出其中最佳的。采集大量真实环境数据进行试验,试验结果表明采用AAPC算法产生的聚类结果具有更高的定位精度。

一种结合半监督的改进自适应亲和传播聚类

现有的自适应亲和传播聚类存在聚类时间长、精度低的缺点,提出了一种结合半监督的改进自适应亲和传播聚类(SAAP)。它首先利用半监督学习更新相似度矩阵,而后在亲和传播聚类的基础上,通过基于二分法判断实现自适应搜索有效聚类数空间,最后由加权评价函数确定最佳聚类。经实验证明,SAAP算法可以更快速地扫描有效聚类空间,并能够得到较小的错分率和较高的有效性评价。

基于能量谱相似度自适应聚类的配电网接地故障区段定位方法

分析谐振接地系统发生单相接地故障时各区段故障暂态零序电流的相似性特征,提出基于故障暂态零序电流Hilbert瞬时能量谱相似性自适应仿射传播聚类(adAP)的故障区段定位方法。所提方法对故障后首半个工频周期的故障线路各区段的故障暂态零序电流进行局部特征尺度分解(LCD),对得到的各频带波形进行Hilbert变换得到Hilbert瞬时能量谱。计算Hilbert瞬时能量谱两两间的动态时间弯曲距离,对动态时间弯曲距离构成的相似度矩阵进行adAP,根据Silhouette指标最高的聚类情况定位故障区段。在电弧故障、存在分布式消弧线圈系统、不同消弧线圈补偿度系统、噪声干扰、两点接地、采样不同步的场景下的仿真结果和现场数据验证结果表明,所提方法能克服工程应用中可能存在的影响,鲁棒性好、准确度高。

基于多K最近邻回归算法的软测量模型

针对单一模型预测精度较低的问题,提出多K最近邻回归算法(MKNN)的软测量建模方法.该方法采用高斯过程选择软测量模型的辅助变量,通过自适应仿射传播聚类方法将输入样本数据分成多组数据,对每组数据用K最近邻回归(KNN)算法建立子模型,各个子模型的预测输出通过主元回归(PCR)方法连接.用该方法建立粗汽油干点软测量模型,仿真研究表明,该算法的预测精度和泛化能力优于单KNN模型.

面向轴承寿命预测的特征评估与模型优化

针对滚动轴承剩余寿命预测中的特征评估及模型优化问题,提出了面向轴承寿命的特征评估与模型优化的方法。该方法在轴承特征进行单调性与敏感性评估的基础上,对轴承运行状态跟踪能力进行量化评估,进而筛选出表征轴承性能退化的多维特征集。为了减少多维特征集之间相关冗余信息对寿命预测的影响,采用相似近邻传播(affinity propagation,简称AP)聚类方法对多维特征集进行聚类和筛选。为了统一描述AP聚类后的特征对轴承退化状态的表征信息,采用自组织神经网络(self-organizing feature map,简称SOM)构建轴承健康指数。最后,利用自适应混沌粒子群算法(adaptive chaos particle swarm optimization,简称ACPSO)优化双指数模型预测轴承剩余寿命。试验表明,该方法可以准确描述轴承运行状态时期,并有效地预测了轴承的剩余寿命。

基于改进的自适应传播模型的农业风险区划分析

农业险定价中的核心问题是农业风险区划问题,为了体现农业区划中个体指标的动态发展特征,根据近邻传播改进自适应近邻传播聚类方法对数据进行优化,基于轮廓系数、归属度和吸引度得到最佳聚类中心和几何聚类中心,并将聚类转化为新数据集的聚类问题;选取代表性的棉花为例进行实证分析,通过计算生产、销售、收入、财政等指标进行棉花风险区划实例分析,计算最优棉花风险区划,结果表明对于具有动态特征的数据,本模型具有很好的有效性、实用性和解释性。

自适应属性加权近邻传播聚类算法

针对多维数据属性对聚类分析结果有不同重要程度影响的问题,提出一种基于自适应属性加权的近邻传播聚类算法。该方法通过考虑多维数据属性权值的重要度,在近邻传播聚类过程中引入属性加权相似性矩阵计算,并根据当前数据聚类划分的结果来分析目标评价函数,计算各个属性对当前聚类的贡献程度。随后根据贡献程度的计算结果自适应地更新属性权值,并通过属性加权相似性矩阵来重新计算近邻传播算法中的两种竞争信息,进而提高聚类结果的质量。数值实验结果表明,新方法能够有效实现属性权值的自适应调整,提高近邻传播算法的聚类效果,与其他传统聚类算法相比新方法具有更好的聚类质量。

基于复杂网络视角的金融指数跟踪最优化研究

以复杂网络视角,采用自适应仿射传播聚类算法,从沪深300指数中选择分散化程度高的聚类中心作为标的,同时对比市值排序选股和权重排序选股,构建二次指数跟踪最优化模型,并进行实证分析与稳健性检验。研究发现:复杂网络聚类选股方法只需50只以内股票,即可实现较高精度的沪深300指数跟踪;当股票数量选择31只时,AAP聚类的误差相对较小且股票数目适中,样本内31只股票的日均跟踪误差为6.35×10^(-5),分别比市值排序和权重排序降低了36.50%和24.85%,样本外31只股票的日均跟踪误差为3.10×10^(-4),比其余两种方法分别降低了45.33%和38.74%;在稳定性检验中,当股票数介于5~35只之间时,AAP聚类选股进行指数跟踪优于其他两种选股的可能性超过80%,表明跟踪结果具有良好的稳健性。

基于自适应仿射传播聚类的雷达信号分选方法

复杂体制的雷达不断应用于实际,使得基于到达时间单参数的雷达信号分选方法遇到了技术瓶颈。然而,基于多参数的信号分选方法,如K-均值聚类和模糊函数C均值聚类,前者对初始类中心敏感、需预知聚类数,后者对类隶属度的选取、相似度矩阵的建立存在不确定性,使得这些方法在自适应雷达信号分选中受到了限制。自适应仿射传播聚类不仅可以克服上述方法的不足,而且可以自适应地给出最优聚类数,因此,可将自适应仿射传播聚类应用于雷达信号分选中。仿真实验表明了该方法的有效性。

基因表达数据的分层近邻传播聚类算法

为提高分层近邻传播聚类算法处理大规模基因表达数据的精确度,通过使用Pearson系数度量基因表达数据之间的相似性,构建相似性矩阵,在分层近邻传播聚类的自适应阶段加入全局数据信息,提出一种高效的分层近邻传播聚类算法。实验结果表明,与同类算法相比,该算法可以快速完成大规模基因表达数据的聚类,获得较高Silhouette(Sil)及Calinski-Harabasz(CH)指标值的聚类结果。

基于核自适应的近邻传播聚类算法

近邻传播聚类(AP)方法是近年来出现的一种广受关注的聚类方法,在处理多类、大规模数据集时,能够在较短的时间得到较理想的结果,因此与传统方法相比具有很大的优势。但是对于一些聚类结构复杂的数据集,往往不能得到很好的聚类结果。通过分析数据的聚类特性,设计了一种可以根据数据结构自动调整参数的核函数,数据集在其映射得到的核空间中线性可分或几乎线性可分,对该核空间中的数据集进行近邻传播聚类,有效提高了AP聚类的精确度和速度。算法有效性分析以及仿真实验验证了所提算法在处理大规模复杂结构数据集上的性能优于原始AP算法。

基于自适应仿射传播聚类算法的多模型建模方法

考虑到工业生产数据具有按工作点聚类和迁移的特点,提出了一种基于自适应仿射传播聚类(adAP)的多最小二乘支持向量机(LSSVM)算法进行软测量建模。该方法用adAP算法对训练样本进行分类以找到最优的聚类结果,采用LSSVM算法对各类样本分别建立子模型,并根据当前工作点所属子类的模型进行预测输出。将该方法用于聚丙烯熔融指数的软测量建模,结果表明,与其他方法相比该方法具有更高的回归精度和良好的泛化能力。

基于万有引力的自适应近邻传播聚类算法

针对近邻传播(AP)聚类算法对参数偏向参数(Preference)敏感、不适用于稀疏数据、聚类结果中会出现错误聚类的样本点的问题,提出基于万有引力的自适应近邻传播聚类(GA-AP)算法。首先,在传统AP算法的基础上采用引力搜索机制对样本进行全局寻优;其次,在全局寻优的基础上利用信息熵和自适应增强(AdaBoost)算法找到每个簇内正确聚类和错误聚类的样本点,并计算出这些样本点的权值,用计算出的权值更新对应的样本点,从而更新相似度、Preference取值、吸引度和隶属度,并进行重新聚类。不断操作以上步骤直到达到最大的迭代次数。通过在9个数据集上的仿真实验得出,相比于基于自适应属性加权的近邻传播聚类(AFW_AP)算法、AP算法、K均值聚类(K-means)算法和模糊C均值(FCM)算法,所提算法的纯度(Purity)、F值(F-measure)和准确率(ACC)的平均值分别最高提升了0.69、71.74%和98.5%。实验结果表明,所提算法降低了对偏向参数的依赖,提高了聚类效果,特别是对于稀疏数据集的聚类结果的准确率。

基于M-ANFIS-PNN的目标威胁评估模型

目标威胁评估的目的是根据目标的属性和状态信息对目标的威胁程度进行定量估计,为后续作战决策提供辅助支持。现有威胁评估模型大多依赖于数值信息,难以有效处理包含定性、定量数据的目标特征信息。基于此,提出一种改进的自适应模糊神经推理系统模型。在自适应模糊神经推理系统的基础上,引入前件影响矩阵和后件影响矩阵对定性数据进行处理,使得定量、定性数据的影响同时作用于模糊规则的前件参数和后件参数;为了进一步提高模型的输出精度,将自适应模糊神经推理系统的输出层替换为多项式神经网络;通过基于Gower距离的近邻传播聚类算法对改进模型进行结构辨识,确定模糊规则的初始参数。仿真实例验证了所提方法的有效性与可行性,与其他混合属性数据建模方法相比,所提方法具有较高的预测精度,可为作战指挥决策提供有效的辅助支持。

GPU加速的自适应仿射传播聚类方法

自适应仿射传播聚类作为一种新兴的聚类算法,不需要指定初始类心以及类数,对解决聚类中类数不确定性问题非常有效.然而,自适应仿射传播聚类存在时间消耗过大的问题,当样本数量较大时运行速度缓慢.为了提高自适应仿射传播聚类的运行速度,基于NVIDIA公司的统一计算设备架构(Compute Unified Device Architecture,CUDA)和Matlab并行工具箱,提出了一种自适应仿射传播聚类的并行化方法.实验结果表明,基于GPU并行化的自适应仿射传播聚类在运行速度上有了明显提高,与该算法的串行执行方式相比,运行速度提升2倍以上,并且随着样本数量的增长,加速性能越来越好.

Image Segmentation: A Novel Cluster Ensemble Algorithm

Cluster ensemble has testified to be a good choice for addressing cluster analysis issues, which is composed of two processes: creating a group of clustering results from a same data set and then combining these results into a final clustering results. How to integrate these results to produce a final one is a significant issue for cluster ensemble. This combination process aims to improve the quality of individual data clustering results. A novel image segmentation algorithm using the Binary k-means and the Adaptive Affinity Propagation clustering (CEBAAP) is designed in this paper. It uses a Binary k-means method to generate a set of clustering results and develops an Adaptive Affinity Propagation clustering to combine these results. The experiments results show that CEBAAP has good image partition effect.