基于网格划分和LLE的高维数据离群点自适应检测方法

针对目前高维数据量急剧增加,离群点检测技术精准度低、所需内存大、检测时间长等问题,提出了基于网格划分和局部线性嵌入方法（Locally Linear Embedding, LLE）的高维数据离群点自适应检测方法.根据高维数据的空间维度进行网格划分,设定单元格邻近单元数量,降低运行开销,减少计算时间.采用局部线性嵌入方法（LLE）,分析不同组合数据点的局部特性,准确描述高维数据结构,完成高维数据集预处理.采集高维数据集合中小部分重要信息,保证采集结果的准确性,利用MapReduce编程模型,将大任务划分为多个不同的小任务,展开分布式处理.通过网格密度计算离群度,提升检测效率,优先过滤空白网格单元,降低空间开销,减小所需内存,从而实现高维数据离群点自适应检测.实验结果表明:所提方法在不同数据集大小测试中,执行时间更短,检测精确度更加稳定;在维度测试中,所需内存更少.证明所提方法能够有效降低执行时间和内存,提升检测结果的精确度.     

一种基于满意度的PID参数整定方法

提出了一种基于满意度与遗传算法的PID(Proportional Integral Derivative)参数在线整定控制器的设计方法．利用满意解的原理设计系统响应超调量、上升时间及调整时间等的满意度函数，再离线通过遗传算法搜索PID控制器的3个参数kp，ki和kd作为在线调整PID参数的基值，然后设计跟踪误差与kp，ki和kd的关系函数，在线调整PID控制器参数，以获得良好的稳态性能、动态性能及鲁棒性能．Matlab仿真结果证明了所提出的PID控制器的有效性。