基于灰聚类多子群自适应PSO算法的Volterra核辨识

针对一类单输入单输出非线性动态系统的Volterra级数模型辨识问题,提出了灰聚类多子群自适应PSO算法,并定义了精度影响系数以定量评估模型结构项对辨识精度的影响程度。在利用Volterra级数对非线性系统进行初始建模的基础上,采用灰聚类多子群自适应PSO算法和精度影响系数实现了非线性Volterra级数模型的结构确认和参数优化辨识。将该方法与基于标准PSO、GA、QPSO算法的Volterra时域核辨识方法进行了对比实验。结果表明,该方法在辨识精度及收敛速度等方面明显优于其他方法。

基于改进PSO的无线传感器网络数据自适应聚类算法

为解决无线传感器网络数据类项过于繁杂的问题,将相似信息参量整合成独立的簇类对象集合,提出基于改进PSO的无线传感器网络数据自适应聚类算法。按照改进PSO算法的作用机制,确定欧氏距离指标的计算数值,实现对网络数据的处理。在无线传感器网络体系中定义聚类排序原则,结合相关数据样本求解自适应期望熵,完成无线传感器网络数据自适应聚类算法研究。实验结果表明,在改进PSO算法作用下,无线传感器网络数据经过整合后的簇类对象集合数量由20个减少到6个,能够解决无线传感器网络数据类项过于繁杂的问题,满足按需整合相似信息参量的实际应用需求。

基于k-均值的自适应PSO优化算法

提出了一种新的基于k-均值聚类的自适应PSO优化算法(KCMPSO).首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子群体中的最好个体更新自己的位置和速度,其次引入自适应变异算子,有效地增强了粒子群之间信息交换和PSO算法跳出局部最优解的能力.几个典型函数的测试结果表明,该算法是非常有效的.

基于自适应PSO的改进K-means算法及其在电子病历聚类分析应用

针对传统的K-means算法在过分依赖初始聚类中心选取方面的不足,论文提出了一种基于自适应PSO的K-means聚类算法。该算法设计了一种自适应惯性权重函数对PSO进行动态调整,然后与K-means算法融合,使K-means的各个初始聚类中心能自适应生成,达到全局最优,最后将上述改进的聚类算法应用于医学电子病历数据病症的聚类处理。实验结果表明该算法具有更高的电子病历病症聚类准确率和执行效率。

基于自适应权重的粒子群和K均值混合聚类算法研究

针对K均值聚类算法存在的缺点,提出了一种基于自适应权重的粒子群优化(PSO)和K均值混合聚类算法.该算法在运行过程中通过引入非线性动态惯性权重系数,提高了混合聚类算法全局搜索能力和局部改良能力,并根据群体的适应度方差来确定K均值算法操作时机,增强算法局部搜索能力的同时缩短了收敛时间.将该算法与K均值聚类算法、基本PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,表明该算法不仅能有效地克服陷入局部最优,而且全局收敛能力和收敛速度都有所提高.

基于油藏不确定性的适应性井网生成及优化方法研究

为了提高井网对复杂不确定性油藏的开发效率,针对传统井网存在结构简单,变化不灵活,适应性差等缺点,提出了1种新型的自适应性井网构建方法,利用Delaunay三角形剖分与Frontal-Delaunay四边形剖分法生成大规模高质量的三角形及四边形井网,能够有效地约束各种复杂边界,并实现变密度调整,体现出良好适应性。基于油藏建模存在不确定性,以油田的净现值(net present value,NPV)的期望值和标准差为目标函数,利用PSO算法与k聚类算法相结合,对不确定性油藏模型进行聚类,并循环优化,在保证计算精度的同时,提高收敛效率。经不确定性油藏实例验证,利用所提方法生成的井网能够充分适应油藏的非均质性及复杂边界条件,在降低计算量的同时保证结果精确性,显著降低不确定性带来的开发风险,提高预期收益。

基于自适应混沌粒子群的Web搜索结果聚类研究

提出了基于自适应混沌粒子群的Web搜索结果模糊C-均值算法,用粒子群算法代替模糊C-均值算法梯度下降的迭代过程,同时引入自适应的平衡搜索策略加快算法收敛和提高去噪能力,在增强局部搜索能力的同时引导粒子群跳出局部极值点.这样不仅在一定程度上解决了网页文档不确定性的问题,而且获得快速、稳定的聚类效果.