Some Hybrid Mean Values of a New Number Theoretic Function

Let p and q be two distinct primes, epq（n） denotes the largest exponent of power pq which divides n. In this paper, we study the mean value properties of function epq（n）, and give some hybrid mean value formulas for epq（n） and Dirichlet divisor function d（n）. Key words： largest exponent; asymptotic formula; hybrid mean value; Dirichlet divisor function d（n）

Hybrid Mean Value of the Hyper Cochrane Sums

The main purpose of this paper is to use the analytic methods to study the hybrid mean value involving the hyper Cochrane sums, and give several sharp asymptotic formulae.

基于改进K-means聚类和遗传算法的混合算法求解异构车辆路径问题

由于目前单一车型配送存在资源浪费和效率低下等问题,选取确定数量的不同车型对各客户点进行配送服务往往可以得到更优的配送路径方案。针对这一点,描述了一种异构车辆路径问题,并建立了具有固定车辆数且考虑固定成本、可变成本以及时间窗惩罚成本的混合整数规划模型。同时,提出了一种基于改进K-means聚类和遗传算法的混合算法对模型进行求解。实验仿真先求解不考虑时间窗的问题初步证明混合算法的有效性,再在带时间窗的问题中求解不同规模算例的单一及异构车型结果,以证明异构车型配送更优。最后,对该混合算法的求解结果与其他混合算法的求解结果进行对比分析,证明了混合算法的优越性。研究结果表明:该混合算法求解的异构车型结果优于单一车型,并且比其他混合算法求解的异构车型结果更优,异构车辆配送使用的配送车辆数更少,总成本也更低,该混合算法具有更好的效率和性能。

基于K-means-LSTM模型的证券股价预测

鉴于股票数据具有非平稳、非线性等特征,传统的统计模型无法精准预测股票价格的未来趋势。针对这个问题,构建一种混合深度学习方法来提高股票预测性能。首先,通过将距离算法修改为DTW(动态时间归整),令K-means聚类算法拓展为更适用于时间序列数据的K-means-DTW,聚类出价格趋势相似的证券;然后,通过聚类数据来训练LSTM(长短时记忆网络)模型,以实现对单支股票价格的预测。实验结果表明,混合模型K-means-LSTM表现出更好的预测性能,其预测精度和稳定性均优于单一LSTM模型。

A Hybrid Mean Value Related to the Dedekind Sums and Kloosterman Sums

The main purpose of this paper is to use the properties of character sum and the analytic method to study a hybrid mean value problem related to the Dedekind sums and Kloosterman sums, and give some interesting mean value formulae and identities for it.

A hybrid mean value related to the Dedekind sums and Kloosterman sums

The main purpose of this paper is using the properties of character sum and the analytic method to study a hybrid mean value problem related to the Dedekind sums and Kloosterman sums,and give some interesting mean value formulae and identities for it.

Hybrid classification of coal and biomass by laser-induced breakdown spectroscopy combined with K-means and SVM

Laser-induced breakdown spectroscopy(LIBS) is a new technology suitable for classification of various materials. This paper proposes a hybrid classification scheme for coal, municipal sludge and biomass by using LIBS combined with K-means and support vector machine(SVM)algorithm. In the study, 10 samples were classified in 3 groups without supervision by K-means clustering, then a further supervised classification of 6 kinds of biomass samples by SVM was carried out. The results show that the comprehensive accuracy of the hybrid classification model is over 98%. In comparison with the single SVM classification model, the hybrid classification model can save 58.92% of operation time while guaranteeing the accuracy. The results demonstrate that the hybrid classification model is able to make an efficient, fast and accurate classification of coal, municipal sludge and biomass, furthermore, it is precise for the detection of various kinds of biomass fuel.

Characterization of mean stem density,fibre length and lignin from two Acacia species and their hybrid

The objective of this study was to compare the wood properties related to wood pulp quality of two widely planted Acacia species viz.Acacia mangium Willd.and Acacia auriculiformis A.Cunn.Ex Benth.and their hybrid.Acid insoluble lignin content(Klason),mean stem density and fibre length differed considerably among the species and hybrids.A.mangium possessed a high percent of lignin content compared to A.auriculiformis and the Acacia hybrid.However,mean stem density of A.auriculiformis was higher than A.mangium and the hybrid.Fibre length of heartwood tissues was generally shorter than that of sapwood tissues.The hybrid had longer fibres than the parent species.Lignin was negatively correlated with mean stem density.Generally,the wood properties of the hybrid were superior to its parent species.The significant intraspecific variation observed for wood properties of Acacia species could be used in breeding superior hybrids combining desirable traits of the two species.Considering thedifficulty involved in accurately measuring the lignin content compared to mean stem density,selection for plants with low lignin content can be achieved by indirect selection of high mean stem density.

一种基于SOM和K-means的文档聚类算法

提出了一种把自组织特征映射SOM和K-means算法结合的聚类组合算法。先用SOM对文档聚类,然后以SOM的输出权值初始化K-means的聚类中心,再用K-means算法对文档聚类。实验结果表明,该聚类组合算法能改进文档聚类的性能。

混合目标模型的Mean Shift跟踪算法

但固定目标模型的Mean Shift算法采用直方图进行匹配,而直方图是一种比较弱的目标特征,当背景和目标的颜色分布较相似时其跟踪效果欠佳。针对这一缺点,提出了一种采用混合目标模型的Mean Shift算法。该算法在匹配过程中使用的目标模型包含了初始帧和前一帧的信息,克服了固定目标模型难以对与背景相似目标以及旋转目标进行准确描述的缺点,获得了较好的跟踪效果。

k-means融合FCM算法聚类研究

k-means融合FCM算法执行聚类过程,是在k-means算法完成聚类后,以其聚类结果作为FCM算法执行的初值,并通过FCM算法的执行完成。从结果分析可以看出,该算法聚类的效果比单纯使用FCM算法好,能够减少FCM算法循环体迭代运行次数并增强算法的鲁棒能力。

一种基于K-means聚类分组的P2P超结点模型

本文面向网格计算、协同工作等特定P2P应用,提出了一种基于超节点的P2P混合网络模型。该模型的主要特点是采用K-means聚类算法对网络中的节点进行聚类,从而得到分组虚拟子网,由各子网内的超节点负责临近节点的加入与注销。该模型既克服P2P集中模型伸缩性不强,分散性P2P模型发送消息量大等缺点,又可以灵活地组织对等节点进行网格计算或组内协同工作等分布式应用。文章最后使用仿真实验表明K-means算法在网络节点聚类中的有效性。

The Hybrid Power Mean Involving the Character Sum of Polynomials and a Sum Analogous to Kloosterman Sum

The main purpose of this paper is using the properties of the classical Gauss sum and the analytic methods to study the computational problem of one kind of hybrid power mean involving the character sum of polynomials and a sum analogous to Kloosterman sum mod p,an odd prime,and give two sharp asymptotic formulae for them.

基于反馈FxLMS-鲁棒混合控制算法的主动隔振平台研究

为解决传统滤波最小均方差(filtered-x least mean square,FxLMS)算法在收敛速度和稳定性之间存在的矛盾,以及次级通道模型不确定性对控制收敛性能的影响,将反馈FxLMS算法和混合灵敏度鲁棒控制器相结合,提出了一种反馈FxLMS-鲁棒混合控制算法,并在工程应用中常见的主动撑杆隔振平台上对该混合算法的振动控制性能进行仿真分析和试验验证。变载荷激励及控制通道变化仿真和试验结果均表明,不同激励下各个阶段的加速度响应衰减均超过80%,且与传统的FxLMS算法相比,所提出的混合控制算法具有更快的收敛速度和更强的鲁棒性。

改进秃鹰搜索和K均值混合迭代的点云简化算法

针对激光雷达的固有特性和复杂环境易造成点云噪声和冗余点云,以及传统点云简化算法忽略了点云固有特征等问题,提出了一种基于改进秃鹰搜索和K均值聚类(KMC)混合迭代的点云简化算法(IBESSA)。首先,通过秃鹰搜索(BES)算法迭代阶段的竞争融合(CFBES),提高其收敛速度和优化精度;其次,通过CFBES和KMC算法的混合迭代,实现了点云数据的聚类;然后,在k近邻(k-NN)实现点云簇密度估计的基础上,结合香农熵实现点云信息量化;最后,删除信息量化值小于阈值的聚类簇,完成点云数据简化。使用UCI国际标准数据集和斯坦福点云数据集分别对CFBES-KMC算法的聚类效果及点云的简化效果进行验证,结果表明:与改进飞蛾扑火的K均值交叉迭代、K-means++、模糊C均值聚类算法的聚类效果相比,CFBES-KMC算法的聚类准确率分别提高了1.02%、12.31%、14.72%;在斯坦福点云数据集上,IBESSA算法在有效滤除冗余点云的基础上保留了原本点云的细节和形状特征,不失为一种高效的点云简化算法。

线上线下混合式教学在动力气象学课程中的实践创新

针对动力气象学线下教学中一直存在的课堂教学时间紧、内容多、难度大的问题,基于OBE教育理念,将线上教学手段引入课程教学过程,开展线上线下混合式教学的实践探索,并重点对教学手段和评估方式进行创新。实践表明,所设计的动力气象学线上线下混合式教学模式能够增强学生参与度,有效评估学生学习效果,为强化“反馈-提升”环节提出解决方案,有效提升动力气象学课程的教学效果。

基于K-means++的无线传感网分簇算法研究

针对传统分层路由算法存在的分簇不均匀、簇头选举不合理以及数据传输形式单一等问题,提出基于K-means++的无线传感网改进分簇算法LEACH-KPP。首先在成簇阶段采用K-means++算法实现均匀分簇,随后在簇头选举阶段使用改进簇头选举函数选取簇头,最后在融合数据传输阶段根据簇头与基站、簇头与簇头之间距离动态选择单跳与多跳的混合传输方式传输数据。OMNet++仿真结果与时间复杂度推导表明,LEACHKPP延长了网络的生存周期,在节点剩余能量与后期存活数目上都优于传统分层路由算法。

基于EM和K-means混合聚类方法的植物叶片病害区域自动提取

针对植物病害区域如何准确提取的问题,文中提出了一种基于EM和K-means混合聚类的方法。该方法在目标与背景具有较明显差异的情况下,可以有效地将叶片目标提取出来,并对较复杂背景也具有一定的甄别效果,优于其他经典方法。利用植物病害区域的褪绿特点,用K-means方法结合Lab颜色空间,利用Lab颜色空间颜色分布的均匀性,提取A分量作为参考分量,将病害区域从叶片目标中提取出来。通过Matlab仿真实验,结果表明,基于EM和K-means混合聚类方法的植物病害区域提取是可行的。

人工蜂与K-means混合算法在VANETs的应用

针对车载自组织网(Vehicular Ad Hoc Networks,VANETs)拓扑结构经常变化导致通信链路容易断裂而通信质量不可靠的问题,将人工蜂与K-means混合算法应用在VANETs中。在成簇阶段,该混合算法利用人工蜂算法较强的全局搜索能力确定初始聚类中心,代替传统的K-means对初始聚类中心的选择,这样就消除了K-means对随机初始聚类中心的依赖。在簇头选取阶段,类内具有最小的速度方差以及到其他节点最小平均距离的车辆节点被选择为簇头。在簇的维护阶段,当最优节点即簇头有变化时,次优节点被选为临时簇头,直至更新为最优节点的簇头信息。为测试该混合算法的性能,将其和PSO与K-means混合算法、经典Kmeans算法进行实验对比,结果表明,该混合算法能够更加稳定VANETs通信链路,具有更高成簇质量和更高通信质量。

基于改进的LMD混合储能容量优化配置

为解决混合储能系统的光伏输出功率波动性较大的问题,提出一种改进的局部均值分解(improved local mean decomposition, ILMD)的功率分配方案。对光伏发电出力进行平滑处理,可得到满足国家要求的光伏并网功率,利用ILMD对混合储能功率进行分解,确定其高频功率和低频功率并分别分配给超级电容和蓄电池,建立具有目标函数的功率优化模型,最大限度地降低整个系统全生命周期的投资成本,使用改进鲸鱼优化算法求解获得符合优化模型要求的容量配置。通过算例分析,对比不同的储能容量配置策略,验证所提策略的可行性。