基于梯度提升回归树的大数据集离群点挖掘模型构建①

为了提高大数据集离群点挖掘能力,提出基于梯度提升回归树的大数据集离群点挖掘模型,构建大数据集离群点的回归树分布模型,采用多维特征融合方法进行大数据集离群点的特征检测,提取大数据集离群点的空间区域分布特征量,采用梯度提升回归分析方法对提取的大数据集离群点特征进行模糊聚类处理,在聚类中心中实现对大数据集离群点数据的自适应融合和分布式检测,通过梯度提升回归树分析方法实现大数据集离群点挖掘。仿真结果表明,采用该方法进行大数据集离群点挖掘的准确性较高,抗干扰性较好,提高了大数据集离群点挖掘过程的收敛和控制能力。     

基于语义关联性特征融合的大数据挖掘方法

提出一种基于语义关联性特征融合的大数据挖掘算法.对云存储大数据分布式信息流进行高维相空间重构,在重构的相空间中提取大数据的语义关联维特征量,以提取的特征量为测试集进行自适应学习训练.采用模糊C均值算法进行大数据语义关联特征的稀疏性融合和聚类处理,在聚类中心实现对挖掘目标数据的指向性聚敛,输出数据挖掘结果,并采用特征压缩器进行降维处理,降低计算开销.仿真结果表明,采用该方法进行大数据挖掘的特征提取准确性较好,挖掘数据的聚类能力较强,在实时性和准确性方面具有优势.     

基于蚁群算法的一卡通数据精准挖掘方法

为了提高一卡通数据精准挖掘能力,提出基于蚁群算法的一卡通数据精准挖掘方法。构建一卡通数据的模糊信息检测模型,采用关联特征提取方法进行一卡通数据的模糊相关性分析,构建一卡通数据的输出自相关特征匹配模型,结合模糊特征聚类分析方法进行一卡通数据的统计分析,建立一卡通数据的回归分析模型,提取一卡通数据的统计特征量,根据一卡通数据的特征提取结果采用模糊C均值聚类方法进行信息处理,采用蚁群算法进行一卡通数据挖掘过程中的自适应寻优,实现一卡通数据的优化挖掘。仿真结果表明,采用该方法进行一卡通数据挖掘的精度较高,特征分辨能力较好,提高了一卡通数据的挖掘和检测能力。     

海量冗余数据干扰下数据库中数据优化检索方法

针对传统方法对数据库中的数据进行检索的过程中,在海量冗余数据干扰时存在无法区分检索数据类别,降低数据检索的效率和精度的问题,提出一种基于特征模糊接近的海量冗余数据干扰下数据库中数据优化检索方法.利用数据模糊集间的接近度表述海量冗余数据干扰下数据库中数据的一致度,结合数据融合技术,对类间数据实现分类处理.利用模糊集算法准确查询分类数据,对分类数据实现二次聚类计算,细分其类边缘,通过加载辨别函数实现数据定位,完成数据检索.实验结果表明:该方法进行数据检索时具有较高的检索效率和精度,且抗干扰能力较强.     

基于云计算的多媒体机房虚拟桌面优化设计

为提高多媒体机房的人机交互性能,提出基于云计算的多媒体机房虚拟桌面优化设计方案,构建多媒体机房虚拟桌面人机交互的大数据信息统计分析模型,建立多媒体机房虚拟桌面输出的信道均衡模型,采用云计算方法进行多媒体机房虚拟信息的大数据信息融合处理,提取多媒体机房虚拟桌面人机交互信息的相似度特征量,采用模糊聚类方法进行多媒体机房虚拟桌面人机交互信息的属性分类处理和自适应调度,采用云计算实现多媒体机房虚拟桌面的优化设计。仿真结果表明,采用该方法进行多媒体机房虚拟桌面优化设计的自适应性能较佳,虚拟桌面人机交互的稳性较好,响应时间较短。     

基于局部子空间的可信数据多标记特征选择算法

为提高异构物联网感知设备可信数据的挖掘和检测能力,提出基于局部子空间的可信数据多标记特征选择算法.建立异构物联网感知设备可信数据的大数据分布式存储结构模型,采用大数据信息融合方法进行异构物联网感知设备可信数据的可信动态特征度量,提取异构物联网感知数据的关键特征点,采用关联规则挖掘方法检测物联网设备可信数据,建立数据的关联特征分布模型,采用模糊相关性融合调度方法进行自适应多标记特征选择,结合局部子空间聚类分析方法实现可信数据多标记特征选择的自适应控制和寻优,在聚类中心中实现对异构物联网感知设备可信数据的自适应融合和自适应多标记特征选择.仿真结果表明,本文方法进行可信数据多标记准确性较高.     

基于大数据的物联网教学最优模式实证模型研究

提出一种基于大数据的物联网教学最优模式实证模型,采用统计分析方法构建物联网教学的大数据回归分析模型,在嵌入式系统教学中分析教学模式优化的约束指标参量集,采用相关性检测方法进行物联网教学最优模式的大数据融合处理,结合累积方差分析进行物联网教学最优模式大数据聚类,根据聚类结果构建物联网教学最优模式的量化分布集,结合大数据模糊聚类控制和信息融合方法,实现物联网教学最优模式构造。实证分析结果表明,采用该方法进行物联网教学最优模式选择的数据融合性较好,说明对教学模式选择的合理性较为准确,提高了物联网环境下的教学模式优化和控制能力。     

基于模糊改进聚类分析的数据挖掘模型

针对对海量数据库中的大数据进行优化挖掘,可以提高数据特征的提取和检测能力.传统方法采用模糊C均值聚类的数据挖掘算法,当数据在层次聚类过程中空间特征的相似度差异性较小时,数据挖掘的准确度不高.提出一种基于粒子群混沌差分训练对模糊C均值聚类算法进行改进,建立数据挖掘优化模型.首先提出了数据聚类据挖掘模型的总体构架,采用非线性时间序列分析方法进行数据信息流拟合,对数据信息流进行高阶累积量特征提取,采用粒子群混沌差分训练实现模糊C均值聚类算法改进.以改进的模糊聚类算法对提取的高阶累积量特征进行聚类分析,以分析结果为依据对数据挖掘模型进行优化.仿真结果表明,该数据挖掘模型能有效实现海量数据的优化聚类和特征提取,数据挖掘的精度较高,性能较好,避免挖掘过程陷入局部收敛.     

基于卷积神经网络的网页信息资源定向抽取方法研究

为了提高分布式融合集成网络网页信息资源定向抽取能力,提出基于卷积神经网络的分布式融合集成网络网页信息资源定向抽取方法。构建分布式融合集成网络网页信息的自适应聚类处理模型,获得分布式融合集成网络网页信息数据集合,采用多重属性调度的方法,建立高分布式融合集成网络网页信息检测的模糊度训练集,实现对网页信息资源的模糊参数辨识与融合,采用最优策略下均衡控制的方法,得到高分布式融合集成网络网页信息的模糊决策特征调度矩阵,通过自相关检测识别与参数寻优的方法实现网页信息资源的定向抽取。仿真结果表明,采用该方法进行网页信息资源定向抽取的精度较高,自适应性较好,提高了网页信息资源定向抽取能力。     

一种混合智能故障诊断方法及柴油机故障诊断

提出了一种模糊聚类、粗糙集理论与神经网络集成的混合智能故障诊断方法。引入聚类有效性函数和点分布密度函数。对模糊c-均值聚类算法进行改进,形成了自适应模糊聚类算法并依据该算法将连续的故障特征值离散化。应用粗糙集理论处理离散化的故障诊断数据。采用基于信息熵的方法,约简冗余的故障特征。依据约简结果构建神经网络,采用遗传算法优化网络的权值和阈值。将该方法用于柴油机气门故障诊断,并与普通神经网络进行对比。结果表明,该方法提高了故障诊断的正确率。     

Research and Implementation of the Enterprise Evaluation Based on a Fusion Clustering Model of AHP-FCM

Traditional clustering method is easy to slow convergence speed because of high data dimension and setting random initial clustering center. To improve these problems, a novel method combining subtractive clustering with fuzzy C-means （FCM） clustering will be advanced. In the method, the initial cluster number and cluster center can be obtained using subtractive clustering. On this basis, clustering result will be further optimized with FCM. In addition, the data dimension will be reduced through the analytic hierarchy process （AHP） before clustering calculating. In order to verify the effectiveness of fusion algorithm, an example about enterprise credit evaluation will be carried out. The results show that the fusion clustering algorithm is suitable for classifying high-dimension data, and the algorithm also does well in running up processing speed and improving visibility of result. So the method is suitable to promote the use.     

基于粒子群聚类算法的大坝安全监控模型

将粒子群算法与模糊聚类算法相结合,建立了基于粒子群聚类算法的大坝安全监控模型.该算法将分类矩阵作为粒子的编码形式,依据粒子的个体极值和全局极值,充分利用正反馈计算信息,自适应性地确定模糊分类矩阵和聚类中心.工程算例表明:粒子群聚类算法进一步提高了聚类算法的区间预报能力;对于高维优化问题,粒子的搜索过程比较复杂,该算法的收敛速度较慢.     

PSO高斯诱导核模糊c均值聚类算法*

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊c均值聚类算法(PSO Gauss-induced kernel fuzzy c-means clustering algorithm, PSO-GIKFCM)。首先将高斯核函数应用于模糊c聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

基于贝叶斯分析的阶段性自主体育锻炼行为预测

为了提高阶段性自主体育锻炼行为分析和判断能力,提出基于贝叶斯分析的阶段性自主体育锻炼行为预测方法。构建阶段性自主体育锻炼行为预测的统计时间序列分析模型,采用大数据特征检测方法进行体育锻炼行为大数据挖掘和特征提取,基于贝叶斯分析预测思想进行行为统计特征序列的有序聚类,结合模糊C均值聚类分析方法进行体育锻炼行为预测过程中的信息聚类和属性归并,提取统计时间序列的关联规则特征量,在加权马尔可夫链中实现对阶段性自主体育锻炼行为量的准确预测。仿真结果表明,采用该方法进行阶段性自主体育锻炼行为预测的准确性较高,提高了自主体育锻炼行为的量化分析能力。     

大数据云存储下海量数据传输完整度控制技术

为确保大数据云存储下海量数据传输的完整度,提出了一种基于属性特征匹配和关联规则的海量数据传 输完整度控制方法。构建海量数据的属性特征高维重组模型,得到关键信息的特征分布状况,据此设计海量数 据的关键信息存储分布结构模型,采用关联规则方法进行海量数据的关键信息特征挖掘提取,利用关键信息进 行海量数据的特征分析和数据聚类处理,采用属性特征匹配方法设计海量数据关键信息存储节点后,利用模糊 减法聚类对关键信息存储节点进行聚类处理,在海量数据传输中,以数据关键信息存储节点传输的完整度实现 海量数据的传输完整度控制。仿真结果表明,采用该方法进行海量数据传输完整度控制,能提高云存储下的空 间利用效率,数据传输完整度高。     

模糊聚类局部保存投影在视觉数据特征提取中的应用

为解决在处理和计算视觉大数据中遇到的速度瓶颈,提出了一种模糊聚类局部保存投影算法用于视觉数据的特征提取应用中。首先,通过某种方法对图像进行分割;接着,将通过统计方法对图像进行特征描述得到相应的视觉数据;然后,通过提出的模糊聚类局部保存投影对视觉数据进行特征提取;最后,通过Ada Boost对提取后的特征进行识别分类。经在国际公开的UCAS-AOD和Flower-102数据集上进行大量实验,经实验对照,结果验证了模糊聚类局部保存投影算法在视觉数据特征提取中的有效性。     

基于MRF模型和EM算法的多源图像融合方法

提出了两种图像融合方法。该方法首先利用EM-MRF算法与模糊分类方法的等价性,将EM-MRF算法引入到图像融合领域。在此基础上,利用统计模型对图像进行非监督分类的模型参数估计转化通过EM算法从不完全数据中估计模型参数的问题,并利用Markov随机场模型建立类别的先验概率、EM迭代算法进行图像分类的方法有较高的分类精度和鲁棒性,导出了基于分布式和集中式多传感器图像融合模型的两种融合方法。最后仿真试验表明,这两种融合方法既可以提高分类精度,又可以加强对噪声的抗干扰能力。     

基于马氏距离的模糊聚类优化算法——KM-FCM

为了解决以欧氏距离作为相似性准则的传统模糊聚类算法对多维数据处理不利的问题,采用马氏距离代替欧氏距离,对基于马氏距离的模糊聚类算法进行优化研究,以增强基于马氏距离的模糊聚类算法的聚类效果和能力。通过构造启发式搜索与k-means算法结合的初始优化方法,利用可以自动调节最佳聚类数的有效性函数,提出了一种优化算法KM-FCM,并将此新算法与FCM,FCM-M,M-FCM聚类算法在3个标准数据集上进行了实验。结果表明,KM-FCM算法有效,聚类精度比FCM,FCM-M,M-FCM高,对高维数据聚类识别能力强,具有全局优化作用,并且聚类个数无需提前设定。新算法可为基于马氏距离的模糊聚类算法的优化提供参考。     

基于K-means聚类与PSO特征优选KNN的分级负荷识别方法

针对非侵入式负荷辨识中,单一V-I轨迹特征无法对相似的轨迹特征进行有效识别以及所提取特征易出现冗余甚至噪声特征的问题,提出了一种基于K-means聚类与PSO特征优选的分级非侵入式负荷识别方法。首先,利用K-means算法对负荷V-I轨迹的HOG特征进行初步分类,将轨迹相似的电器分为一类;然后,对每一类中的电器电流数据进行多维特征提取并采用PSO算法选取最优特征子集;最后,利用KNN模型进行二级负荷识别。实验结果表明,该方法有效提高了负荷识别准确率;提取V-I轨迹的HOG特征解决了同一电器V-I轨迹波动的问题;对一级分类后的每一大类单独进行PSO特征优选KNN二级分类,解决了部分电器对特征子集适应性差的问题。所提方法在一定程度上解决了冗余特征甚至噪声特征对辨识准确率的影响,为负荷特征的选取提供了新的思路,对负荷辨识的实际应用具有重要的参考意义。