基于组合相似度动态聚类和词熵的网络话题在线检测

[研究目的]为实现网络热点话题的在线检测,提升增量式聚类算法的聚类效果,提出了基于组合相似度的动态聚类算法,同时通过计算词熵实现主题词提取和演化跟踪。[研究方法]通过CIFG-BiLSTM-CRF模型实现文本的命名实体识别,计算文本与话题的实体相似度,再取文本词向量与话题中心余弦相似度的最大值作为词向量相似度,二者结合判断文本所属话题。在聚类过程中利用时间窗口策略实现话题中心和成员文本的动态更新。同时,计算文本词熵,生成话题的词熵和列表,实现话题主题词提取和演化跟踪。实验以新冠疫情新闻为数据实现话题在线检测,并展示了话题主题词的演化和跟踪过程。[研究结论]实验表明,与传统相似度计算方法相比,组合相似度能够获得更好的聚类效果,聚类过程中提取出的话题主题词也正确地反映了原始数据的热点话题内容。

跟驰工况下考虑风险分布的驾驶风格分类

车辆跟驰工况下,为通过驾驶场景中各因素的风险分布研究驾驶员特性,实现车路交互下的驾驶风格分类,文章提出一种基于改进的模糊综合评价法的驾驶风格分类方法。通过驾驶模拟器采集试验数据,并将车辆行驶参数和安全势场作为分类的特征参数;使用组合权重法对模糊综合评价法的权重集进行改进,从而对各特征参数赋予相应的权重,再通过改进的模糊综合评价法将驾驶风格分为冷静型、普通型、激进型3类;最后通过K-means聚类算法验证上述方法的合理性。改进的模糊综合评价法分类结果与K-means聚类结果的对比表明,两者的差异率仅为2%,且当聚类簇数为3时,轮廓系数高达0.685,即与无监督学习算法相同。研究结果表明,使用该文模糊综合评价法可以实现对驾驶风格的有效分类。

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解(variational modal decomposition, VMD)搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与长短时记忆神经网络(long short-term memory, LSTM)的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization, NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明:该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。

限制区下货车联合无人机配送路径问题研究

考虑到在灾区、疫情区等存在限制区的情况,且物流配送中末端配送耗时长、效率低等问题,物流企业尝试结合货车与无人机自身特点,扬长避短,采用“货车+无人机”联合配送模式进行配送。提出了一种在限制区下一辆车携带多架无人机的货车支持无人机配送解决方案,并构造了以最小服务时间为优化目标的双层规划求解方法,第一层,针对货车停靠点的选取,设计了一种结合DBSCAN聚类和K-means聚类不同特点的多阶段融合聚类算法,第二层,以车辆路径问题为基础设计采用蚁群-模拟退火融合算法构造了一车携带多架无人机形式的配送路线;通过对不同算例的求解,验证了算法的计算性能和融合聚类的优越性,以某县物流配送为实例进行求解,结果表明在有效解决区域限制问题的情况下,相比传统配送模式在最终服务时间也缩短了41.4%,有效地提高了末端物流配送的效率。

基于改进狮群算法–模糊评判的变电站台风易损性评估

为解决台风灾害对沿海地区变电站破坏严重,易造成故障的问题,提出一种基于改进狮群算法–模糊评判的变电站台风易损性评估方法。首先基于致灾因子危险性、孕灾环境敏感性和承灾体脆弱性建立易损性评估体系;在传统模糊综合评判方法中引入组合云模型,构建模糊综合评判隶属度函数,并基于改进狮群算法(lion swarm algorithm,LSA)优化聚类中心,得到隶属度函数阈值划分规则;随后,基于主客观组合权重,通过权重和改进的模糊综合评判法计算灾害风险指数,并基于历史数据计算灾害风险概率,由灾害风险概率和风险指数得到变电站台风灾害易损性评估结果;最终根据评估结果采取不同针对性的措施。算例结果表明,文中提出的变电站台风易损性评估方法提高了评估准确率,达到了防灾减灾效果。

基于聚类关联规则神经网络组合算法的弹丸初速预测

针对靶场试验中利用初速雷达测试弹丸初速需要重构的情况,选择同时参试的两台雷达的数据进行融合建立神经网络模型,用一台雷达的数据预测出另一台雷达需要重构的数据。由于预测模型预测精度的高低取决于所建模型的好坏,而模型的好坏取决于样本数据的质量,先利用聚类分析和关联规则从大量历史试验数据中挖掘出优质的样本,再建立神经网络进行预测。实验结果表明,与支持向量回归机相比,由聚类分析关联规则神经网络构建的组合算法的预测精度更高,预测历史相似数据误差远小于1‰,预测与历史出入较大的数据的精度也较为理想。两种情况下的预测结果表明,组合算法既保证了预测精度又具有一定的鲁棒性,可以作为弹丸初速的预测模型。

面向任务的无人机自组网簇首选举改进算法

针对无人机群分簇网络中由于节点高移动性和能量受限导致簇结构不稳定和簇首频繁更新的问题,提出一种基于稳定性改进的加权簇首选举算法(Stability Improved Weighted Cluster Head Selection Algorithm,SI-WCSA)。首先,根据分配的任务确定簇的规模;其次,综合考量节点的移动性、能量、节点度和距离4种因素加权选举簇首,对移动性度量指标进行改进并提出3种能量消耗速率;最后,采用基于层次分析法和熵值法的组合赋权法计算贴合场景的指标权重。仿真结果表明,该算法能选取最优簇头,优化评估指标以减少节点移动性对网络生存时间的影响,降低簇首更换次数,均衡簇内节点能量,提升网络的鲁棒性,并且组合赋权法选取的权重系数将无人机网络的生存时间增加了6%。

复杂网络社区挖掘—基于聚类融合的遗传算法

针对当前研究复杂网络社区挖掘的热点问题,提出了一种基于聚类融合的遗传算法用于复杂网络社区挖掘.该算法将聚类融合引入到交叉算子中,利用父个体的聚类信息辅以网络拓扑结构的局部信息产生新个体,避免了传统交叉算子单纯交换字符块而忽略了聚类内容所带来的问题.为使聚类融合的作用得以充分发挥,本文提出了基于马尔科夫随机游走的初始群体生成算法,使初始群体中的个体具有一定聚类精度并有较强的多样性.初始群体生成算法与基于聚类融合的交叉算子互相配合,有效地增强了算法的寻优能力.此外,算法将局部搜索机制用于变异算子,通过迫使变异节点与其多数邻居在同一社区内,有针对性地缩小了搜索空间,从而加快了算法收敛速度.在计算机生成网络和真实世界网络上进行了测试,并与当前具有代表性的社区挖掘算法进行比较,实验结果表明了该算法的可行性和有效性.

一种基于蚁群算法的聚类组合方法

蚂蚁等群居类昆虫被看作能解决复杂问题的分布式系统,研究者从它们的协作性能以及自组织、信息素通信、任务划分等机理中获得灵感,已在组合优化、通信网络、机器人等许多应用领域找到解决问题的新方法。聚类作为一种无监督的学习,能根据数据间的相似程度自动地进行分类。基于蚁群算法的聚类方法已经在当前数据挖掘研究中得到应用。本文提出的基于蚁群算法的聚类组合新方法,模仿多蚁群的协作性能,将运动速度类型各异的多个蚁群,独立而并行地进行聚类分析,然后组合其聚类结果为超图,再用蚁群算法对超图进行2次划分。实验结果表明,该方法能自动决定聚类的数目,聚类组合方法能明显改善聚类质量。

基于特征加权理论的数据聚类算法

针对数据挖掘过程中数据聚类操作的初始聚类数目和初始聚类中心确定困难的问题,提出了一种软子空间结合竞争合并机制的模糊加权聚类算法.通过对软子空间聚类算法的目标函数进行改写,并结合数据簇势的大小对各数据簇进行竞争与合并操作,实现了对数据的聚类处理.结果表明,该算法能够准确地对数据样本进行聚类,并且聚类结果与初始数据簇数目和初始聚类中心无关,能够满足对高维数据聚类处理的需要,具有较好的实际应用价值.

基于改进K-means聚类算法的组合模型建模

在传统的K-means聚类算法中,初始聚类是随机选取的,其聚类结果易随着不同的初始聚类中心波动。针对这一问题,首先采用最大距离积法对传统K-means聚类算法的初始聚类中心进行了优化。同时定义了一种新的目标函数并将其引用到传统的K-means聚类算法中,以实现对聚类结构类别数K的优化选择。将训练集样本数据经上述方法聚类后,再将各个子类分别建立基于支持向量机的子模型,通过开关切换的方式连接各子模型得到组合的支持向量机模型。将该方法应用于双酚A生产过程的缩合反应单元溶解罐出口苯酚含量的软测量建模。工业实例仿真结果表明:该算法能较好地跟踪苯酚含量的变化趋势,有效地改善了数据分类效果,提高了软测量模型的估计精度,显示了它在工业领域的应用潜力。

蚁群优化与模糊聚类结合的文本聚类研究

针对模糊文本聚类算法(FCM)对输入顺序以及初始点敏感的问题,提出了一种使用蚁群优化的模糊聚类算法(FACA)。该算法采用蚁群聚类算法(ACA)找到聚类的初始中心点,以解决模糊聚类的输入顺序以及初始点敏感等问题。模糊文本聚类算法的线性复杂度使其更便于在计算机实现。与经典的基本模糊聚类以及蚁群聚类在真实数据集上仿真相比较,结果表明经蚁群优化过的模糊聚类算法(FACA)效果更有效,更适合应用于大型的数据集。

一种改进的K-means蚁群聚类算法

现有的K-means蚁群聚类算法,首先进行K-means聚类算法操作,快速、粗略地确定初始聚类中心,接着根据上一步获得的聚类中心再进行蚁群算法聚类操作,有效地解决蚁群聚类算法收敛速度过慢的问题。研究发现,现有的Kmeans蚁群聚类算法并没有改善算法在迭代后期易出现收敛于非全局最优的缺陷。针对这一问题,提出一种改进的Kmeans蚁群聚类算法。每次迭代结束时,随机选择一个或多个簇,再从选中的簇里选择含有信息素最小的节点进行变异操作,把选中的节点变异到其他簇,计算评价值判断变异是否进行。仿真实验结果表明,用F值表示的平均值和最差结果都比原有的算法较好,有效解决了原有算法易收敛于非全局最优及早熟问题,但由于变异操作使算法运行时间相对较长。

聚类后的关联规则快速更新算法研究

关联规则和聚类分析是数据挖掘中重要的研究课题。通过对关联规则挖掘算法Apriori算法进行分析与研究,指出了其在实用中存在的两个主要问题。鉴于此,在分析聚类分析和关联规则两种挖掘算法的基础上,讨论了将这两种独立的挖掘方法集成起来的联合挖掘,使其可以有效地压缩数据规模。给出了聚类后的关联规则快速更新算法描述。实验结果表明,算法性能优良,提高了数据挖掘执行效率。

基于关联规则与熵聚类的解毒类中成药组方规律研究

目的:探讨常用解毒类中成药组方规律。方法:以收集解毒类中成药处方为基础,运用关联规则、复杂系统熵聚类等算法,挖掘处方中各药物的使用频次及药物之间的关联关系。结果:在解毒类中成药处方中,高频次药物有甘草、冰片、金银花、黄芩、连翘等;高频次药物组合包括"连翘、金银花""连翘、黄芩"等;置信度大于等于0.75的关联规则包括"人工麝香->冰片""珍珠->冰片""牛黄->冰片";并挖掘出40个核心组合以及20首新处方。结论:处方用药中除常见的清热解毒类中药外,还包括具有凉血祛瘀、醒神开窍类中药。

融合多特征的天基典型目标光学识别方法

为满足天基近距离目标高精度探测和识别的需求,提出一种多特征融合的卫星局部识别方法.首先分析卫星局部物理特征,构建了融合形态学多特征参量的局部构件分形聚类参数集,并建立基于聚类特征加权组合的构件聚类模型.利用该模型即可实现通过计算待识别目标隶属于各构件类的匹配性概率来识别目标;在此基础上,针对空间目标光学成像的图像降质、局部遮挡等问题,提出了目标识别算法,并以其在实际应用中的识别概率为依据,结合粒子群算法迭代优化加权系数,提高了识别算法效率与鲁棒性;最后利用4类典型卫星及伽利略卫星缩比模型对识别算法进行了数字仿真和半物理实验验证.实验结果表明,在低对比度、SNR仅为5,且构件存在较严重变形与互遮挡的情况下,算法仍能有效识别卫星构件,识别概率优于0.95.

基于K-means聚类组合模型的公交线路客流短时预测

预测公交线路短时客流是实现公交动态调度的关键技术.文中通过分析客流特性,构建了基于K-means聚类算法的组合预测模型.首先利用K-means算法将短时客流数据按照时变特征的相似度划分为不同聚类,然后为每类客流数据分别建立最小二乘支持向量机、BP神经网络、自回归滑动平均模型,并考虑天气因素的影响,用遗传算法优化模型参数,对比预测结果,从中选择每个聚类的最佳预测模型构成组合模型.最后以长沙市104路公交客流数据作为实例进行预测分析,结果显示:客流数据时变特征对模型具有选择性,K-means聚类组合模型能够更好地根据不同时段客流数据的时变特征进行分类,因而有利于提高预测绩效;考虑了天气因素的K-means聚类组合模型能进一步提高公交线路的短时预测绩效.

基于层次分析和模糊专家评判的投影寻踪决策方法

针对投影寻踪方法对多属性决策问题建模时,无法兼顾决策者经验及偏好、权重系数可能违背实际的问题,提出了一种基于层次分析和模糊专家评判的投影寻踪决策方法。借助层次分析法的思想构建指标的层次结构,然后专家根据经验进行模糊评判,得到准则的重要程度序关系,将其以约束的形式融入投影寻踪模型中。同时,针对差分进化算法的不足,提出了自适应聚类差分进化算法,并用于投影寻踪模型中的指标函数优化,得到最佳权重系数。该方法在客观赋权的基础上,融合了主观信息,弥补了两种赋权方法的不足,实际的算例验证了所提出的决策方法与优化算法的可行性与有效性。

基于竞争学习的K质心组合聚类算法

K-Means算法的聚类结果对初始簇的选择非常敏感,通常获得的是局部最优解而非全局最优解。为此,在K-Means聚类算法基础上,引入组合聚类和竞争学习概念,提出一种基于竞争学习的K质心组合聚类算法CLK-Centroid。该算法采用竞争学习策略计算簇的质心,以适应噪声数据和分布异常数据的要求,使用组合聚类策略提高聚类的精度。在数据集上构建多个CLK-Centroid聚类器进行聚类,构建子簇相似矩阵,并根据子簇之间的相似性合并相似簇。理论分析和实验结果表明该算法能够提高聚类质量。