最近邻搜索用于分类问题的一种改进

最近邻搜索广泛应用于分类问题,其最显著的优点是分类准确率高、泛化性能好.但现有最近邻分类算法都存在着一个弱点——样本集增大分类计算量也显著增大.为了克服这一不足,本文基于一个新的思路,提出了最近邻分类方法的一种改进方法.该方法在进行最近邻分类时,不一定要找到待分类点的最近邻点,而只要知道最近邻点的类别即可,大大地减少了最近邻搜索时的计算量.用经典的分类问题双螺线问题(TSP)以及其他几个例子,就该改进方法的分类效果、分类速度和学习性能等3个方面进行了测试,并与经典的K维双叉树(KD树)最近邻搜索法以及压缩近邻法进行了比较.结果表明,就综合性能而言,本文改进方法是有竞争力的.     

基于K-最近邻算法的话务智能预测技术

提出基于K-最近邻算法的话务智能预测技术,利用机器学习算法从电信话务信息的历史数据中提取规律,从而预测未来的电信话务信息情况。在算法中根据时间间隔对样例的距离度量进行了特征加权。针对互联互通来话数据的实验表明,该算法具有良好的性能。     

K-最近邻分类技术的新发展与技术改进

K-最近邻算法是数据挖掘分类方法中最常用的算法之一.在很多实际问题上都有应用.本文对近年来基于K-最近邻算法的各种改进技术进行了分析.从速度提高和准确度提高两个方面给予了归纳.     

一种新的基于伪最近邻算法的降水预报方法

分析北京地区日降雨量资料,相较于其他降雨事件,大雨或暴雨事件发生的次数较少,因此该地区的降水量预报属于样本不均衡问题。在样本不平衡的情况下,K最近邻(PNN)算法的分类误差率将会大大提高,这也就使传统的基于K最近邻算法的降水量预报方法的应用受到了限制。针对北京地区降水量预报这一样本不均衡问题,应用伪最近邻算法构建了北京市的降水量预报模型。该方法利用北京地区日降雨量资料和美国国家环境预报中心全球格点资料,将降雨量作为类,将美国国家环境预报中心全球格点资料的各种因子场作为天气样本特征,通过决策规则实现最优分类。利用提出的降水预报模型对北京地区2010年6~8月进行了24 h降水预报,实验结果表明,提出的预报方法对于降水等级预报的预报准确率以及晴雨预报的TS评分、正样本概括率和漏报率均优于传统的K最近邻预报方法,该方法具有较好的预报效果。     

基于神经网络的齿轮箱故障诊断专家系统设计

针对神经网络和传统故障诊断专家系统的不足,提出了一个把神经网络与专家系统相结合,发挥各自优点的基于神经网络的齿轮箱故障诊断专家系统设计方案。介绍了该系统的结构功能和主要特点,并阐述了该系统重要模块的实现方法。     

基于时序分析的齿轮箱故障诊断

文章介绍使用了时序分析法,与传统故障诊断分析法相比,时序分析法是通过建立时间-序值-幅值的三维谱阵,提取齿轮箱的故障特征,找出故障部位、故障类型和故障演变过程的详细信息,从而指导生产厂家进行产品的优化设计;通过实例证明,时序分析法能够有效地识别齿轮箱的故障和故障演变过程.     

基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优。最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AFSA-PSO-LSSVM算法模型。实验结果表明,AFSA-PSO-LSSVM相较于PSO-LSSVM和AFSA-LSSVM模型,收敛速度更快、精度更高,验证了方法的有效性。     

空间网络数据库中基于M-tree索引的反最近邻查询算法

欧式空间中的反k最近邻查询算法不适用于空间网络环境,故采用任意度量空间中的M-tree索引结构,进行空间网络数据库中的反k最近邻查询处理.首先通过预计算的方法得到网络距离信息,依据此距离信息,对空间网络对象建立M-tree索引结构.然后,给出并证明了M-tree中间结点修剪定理,提出一种适用于空间网络环境的反k最近邻查询算法.最后实验验证了该算法的有效性.     

时空数据库中反向最近邻查询的方法研究

随着无线通讯及连续移动对象寻轨技术的高速发展,迫切需要提出解决大量移动对象查询的有效方法。本文提出了一个解决连续移动点反向最近邻查询的算法,同时也提出了解决连续移动点的最近邻查询算法。     

基于小波分析的齿轮箱故障诊断

对测取的齿轮箱振动信号进行了离散小波变换，提取了齿轮箱螺栓拉断的故障信息。结果表明，小波变换或小波分析为判断、预防同类事故提供了一种有效的分析手段。     

基于深度置信网络的齿轮箱智能诊断方法

针对油田现场强背景噪声干扰下,难以实现齿轮箱故障精确诊断的问题,提出基于深度置信网络(Deep Belief Network,DBN)的齿轮箱智能诊断方法。首先运用变分模态分解(Variational Mode Decomposition,VMD)对齿轮箱振动信号分别进行分解;然后依据互相关准则对小于阈值的模态运用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)进行降噪滤波处理,并对降噪后的信号进行重构;最后构造故障特征集,实现基于DBN的故障特征自适应挖掘与故障模式智能识别。对现场的齿轮箱故障诊断表明,本文提出的方法具有自适应性,能显著提高故障分类准确率,为保障油田设备安全可靠运行提供了依据。     

基于DHNN的风电机组齿轮箱故障诊断

运用具有联想记忆功能的离散Hopfield神经网络(DHNN)对风电机组齿轮箱的故障进行诊断,选用时域和频域的5个故障特征指标作为评价因子,利用MATLAB工具箱建立一个可以对风电机组齿轮箱的3种故障进行诊断的DHNN模型,并将该模型用于北方某风电场的实测数据的故障诊断,验证模型的泛化能力.仿真结果表明,DHNN的诊断结果准确率高、收敛速度快,具有很好的实用性.     

基于故障树的智能故障诊断方法

针对传统故障诊断方法的不足,提出了一种基于故障树的故障诊断方法.该方法在对系统故障现象进行分析判断的基础上,按照任务和功能关系,建立包含各功能单元的故障树模型,求得系统的最小割集,并计算出单元关键重要度.在综合考虑平均故障检测时间因素的同时,提出了故障判明效时比的概念,并以此为依据,从大到小排序,确定故障诊断的最优程序.     

Quantum Switching Based on the Nearest Neighbor Hamiltonian

This paper describes a quantum switching architecture for nearest neighbor coupling.An efficient quantum shear sorting (QSS) algorithm is used to reduce the number of time steps.For the QSS algorithm,the running complexity of the quantum switching architecture is polynomial in time with the nearest neighbor coupling and the implementation is less complex.The result shows that improved switching is extremely simple to implement using existing quantum computer candidates.     

基于可拓距离的K近邻算法

距离机制是K近邻算法的关键部分,传统的方法是采用欧式距离来讨论各个属性取值的差异,而对于同一属性取值的差异就显得很简单.采用可拓学来定量描述事物属性的关联函数的性质,构造可拓距离应用到K近邻算法中,设计出可拓K近邻算法.为了验证算法的可行性和准确率,分别应用到二维数据的故障诊断和标准数据集的聚类分析中,实验证明该算法是可行和有效的.     

一种GAF-CNN行星齿轮箱故障诊断方法

为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场-卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法.     

基于最近邻法的短时交通流预测

针对交通流量变化存在周期性和随机性的特点，提出一种基于最近邻法的预测方法．着重介绍了状态向量构造、近邻范围确定和权重计算方法三方面的研究．根据流量与速度、占有率的关系，认为状态向量中不必考虑速度和占有率这两个交通参数；与传统最近邻法不同，近邻的个数不设为常量，而取决于所能搜索到的记录数；通常根据距离远近赋予权重的规则不可靠，而采用了等权重法．通过实际数据检验，预测误差低于7％．     

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。