摩擦学设计知识获取的自组织特征映射法

根据轴承－转子系统摩擦学设计的需要，研究了从大量仿真计算数据中获取设计知识的方法，并采用自组织特征映射神经网络，对输入样本进行了概念聚类，获得了概念性的设计知识，且利用计算机自动搜索算法获得产生式规则知识．     

矩阵码的自组织特征映射识别研究

基于Ｋｏｈｏｎｅｎ自组织特征映身网的自组织性、自适应性及对输入信号的高容错能力，运用无导师动态竞争学习方法对较模糊的矩阵码进行识别，取得了较好的效果，对网络的训练采用了采用带噪声的矩阵码数据，大大提高了系统的辨识能力，试验表明，该方法为矩阵码的识别提供了一有效的途径。     

基于自组织映射与概率神经网络的增量式学习算法

为解决传统学习算法不能有效利用新可用数据这一不足,提出一种基于自组织映射(SOM)和概率神经网络(PNN)的增量式学习算法——增量式模块化自组织映射概率神经网络(IMSOMPNN)。使用模块化SOM对每类训练数据进行学习,以训练后SOM的原型向量作为此类别的模式神经元来构建PNN。IMSOMPNN可以方便地实现对不同类型的新数据进行增量式学习,并且在进行增量学习时,不再需要利用到原始的训练数据,仅使用新的数据对已有模型进行局部调整;最后,IMSOMPNN还具有较强的抗噪能力。在UCI Landsat Satellite数据集上的实验验证了该文所述方法的有效性。     

基于自组织特征映射的属性离散化方法

基于粗糙集理论,用K-W方法初步评价各连续属性的重要性,用自组织特征映射的聚类方法进行离散化,以决策表相容性为判决标准.试验表明,这是一种令人满意的离散化方法.     

改进的自组织特征映射网络及应用

在自组织特征映射网络研究的基础上,对其网络结构进行了改进,利用改进后的自组织特征映射网络算法进行油气检测.根据已知井位的油气属性,验证了该方法的有效性,并将其运用于未知井位的油气属性的预测.     

自组织特征映射神经网络的区域经济发展聚类分析

自组织特征映射(SOM)神经网络是无教师自组织、自学习网络,具有优良的数据聚类功能.基于选取的区域经济发展评价指标,对2006年我国31个省(地区)的综合经济实力进行聚类分析.结合主成分得分对聚类结果综合评价,实证效果较好.     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

自组织神经网络算法的原理及其应用

本文介绍了自组织神经网络算法（以下简称SOM）的原理,并对其应用进行了阐述,指出了SOM算法的应用领域和不足之处。     

基于自组织映射网络的流量分类算法

网络流量分类在QoS、流量控制及网络安全等领域发挥了重要作用. 有监督型的机器学习方法对新流量的识别往往依赖于先前的人工分析;自组织映射网络算法模拟生物神经元,通过自组织行为对数据进行分类学习;实验表明,该无监督型算法能够对新流量进行自动识别,提高了流量识别的准确率.     

基于自组织特征映射神经网络的聚类分析的应用

介绍了自组织特征映射神经网络结构和算法,并将此神经网络用于葡萄酒化学成分产地的聚类分析,实验结果表明：该网络的聚类准确率达到了87％,具有一定的科学性和适用性。     

基于同态加密的电网隐私数据多维聚合优化算法

针对智能电网实时采集用户用电数据聚合上传通信过程中存在的计算效率低、传输不安全、泄露用户隐私等问题,提出了一种基于同态加密的电网隐私数据多维聚合优化算法。利用基于盲因子技术的Paillier加密算法对多维数据进行整体加密和签名,并向聚合器报告加密后的密文和签名;采用双线性配对方案,对签名后的数据进行签名验证分析;利用Paillier加密算法的同态特性实现数据聚合。安全性分析证明,该算法解密安全且能抵抗外部攻击和内部攻击,批量验证也具有安全性。实验结果表明,提出的算法与其他4种对比算法相比不仅计算效率较优,而且通信效率也较优;与基于身份的同态方案相比,该方案的数据签名和签名验证所花费的时间分别可平均降低约510 ms和187 ms,在数据通信过程中所花费的时间平均降低了约449 ms。     

从大数据到大知识

从大数据获取大知识是未来人工智能要解决的重要科学问题。本文从大数据(BD)概念诞生谈起,回顾了大数据知识工程(BDKE)的提出和大知识概念的出现。然后从(1)大知识(BK)、大知识系统(BKS)、大知识工程(BKE)等概念的基本定义、(2)大知识规模及其演化、(3)大知识建模、(4)大知识计算、(5)大知识支撑平台、(6)大知识编程语言等六个视角对大知识进行了探讨。最后给出了有关未来研究方向的想法。     

一种改进的基于网格的数据过滤方法(英文)

数据分发管理是HLA/RTI中的一项服务,在大规模的分布式仿真中用来管理状态更新和交互信息的分发,以此限制数据交换的总量.介绍目前数据分发管理的基本方法的基础上,分析了它们的优缺点,提出了一种基于网格的双层数据过滤方法.通过探测数据分布情况,利用双层网格精细过滤数据,减少冗余数据发送量.实验表明,在大规模和复杂环境下此方法具有更好的适应性、可扩展性和更高的性能.     

基于代理的网格环境下数据管理设计

数据网格是针对于数据密集型运算提出的，本文从分析网格系统中的相关概念入手，分析了数据网格目前所面临的问题和应具备的功能，提出了基于代理的网格环境下的数据管理系统的设计过程和执行过程以及所涉及的关键技术。     

基于非均匀分布双融合节点的WSN数据融合算法

针对无线传感器网络中层次型融合算法的单跳路由造成网络能量消耗不均衡的问题,提出了一种利用非均匀思想在LEACH（low energy adaptive clustering hierarchy）算法基础上进行改进的混合型融合算法．该算法首先利用LEACH进行分簇和融合节点的选择,融合节点主要用于簇内数据的接收和融合处理．然后基于融合节点到基站距离的不同,非均匀的选择出网内的副融合节点,副融合节点主要用于转发网内融合节点发来的数据．仿真结果显示,该算法综合了平面型融合算法和层次型融合算法的优点,既均衡了网络能量的消耗又有利于网络的扩展,并且算法简单、适应性强．     

基于Spark和SimHash的大数据K-近邻分类算法

在笔者之前的工作中,提出了一种基于MapReduce和SimHash的大数据K-近邻算法(H-MR-K-NN).虽然该算法能够有效解决大数据K-近邻算法的计算效率问题,运行时间远远低于基于MapReduce的K-近邻(MR-K-NN)所用的运行时间.然而,用MapReduce处理大数据时,需要从磁盘读取数据,再将中间结果写回磁盘,导致系统的I/O开销极大,这大大降低了MapReduce的效率.与MapReduce不同,Spark是一种基于内存的计算框架,它将数据第1次从磁盘读入内存,生成一种抽象的内存对象RDD(resilient distributed datasets).此后,Spark只操作内存中的RDD,计算过程只涉及内存读写,因此大幅提升了数据处理效率.基于这一事实,对算法H-MR-K-NN进行了改进,提出了一种改进的算法(简记为H-Spark-K-NN),可以进一步提高大数据K-近邻分类的运行效率.     

面向教育大数据的知识追踪研究综述

介绍了知识追踪（KT）的相关概念与任务,梳理其发展脉络,综述KT的原理、相关算法和数据集,分析了不同结构的KT模型的优缺点.在此基础上,对KT领域未来发展方向进行了深入探讨,提出了数据表征、认知建模、模型可解释性三个重要的发展方向,并作出了一定的展望.     

大数据环境下朴素贝叶斯分类算法的改进与实现

朴素贝叶斯分类算法是一种简单并且高效的分类算法,但条件独立性假设在现实中很难满足,导致其性能有所下降.为了解决该问题,本文在关联规则和置信度的基础上对该分类算法进行了改进.通过挖掘出来的关联规则和该规则的置信度,对不同的属性赋予不同的权重,同时实现了该分类算法的MapReduce化,从而在保持简单性的基础上有效地提高了朴素贝叶斯分类算法的分类性能.动车组运维实验表明:该算法提高了分类的准确率和效率.     

基于数据融合技术的TDOA移动台定位方法

提出了一种移动网络条件下新的定位方法.该方法基于数据融合技术,对传统Chan算法的定位估计结果进行多层信息融合,使得仅利用多组到达时间差(TDOA)测量数据即可有效地提高移动定位的精度.方法简单实用,特别是在非视线路径(NLOS)干扰条件下,不仅定位精度高,而且显著地降低了定位失败的概率.计算机仿真结果表明,该方法对多种环境都是有效的.