基于协议分析的并行聚类入侵检测模型

模糊c-均值聚类(FCM)的算法是在硬c-均值算法(HCM)发展而来的,虽然改进了硬c-均值算法的聚类效果,但带来了时间复杂度的增加.提出了一种基于协议分析分类的并行入侵检测模型,根据协议分析将大的数据集进行分类,构成不同的数据集,先对各个数据集进行FCM聚类,然后对每个FCM聚类的结果再次进行FCM聚类,构成并行处理系统.采用协议分析技术结合高速数据包捕捉、协议解析等技术来进行分布式入侵检测,可以提高入侵检测的速度.     

一种CDRWPCA网络故障特征提取算法

针对主元成分分析(PCA)在网络故障特征提取过程中可能丢失分类信息的问题,提出了一种中心距离比值加权主元成分分析(CDRWPCA)算法。算法计算样本每维特征的中心距离比值来衡量特征间的差异，并根据特征差异构造权重因子,对更具有鉴别性的特征赋予更大的权重,得到加权数据集;然后对加权数据集运用PCA进行特征提取后将提取后的数据集送入支持向量机(SVM)验证算法的有效性。算法相比较与PCA算法增加了时间复杂度,但相对于PCA算法本身的时间复杂度,增加不多。在网络故障诊断中的实验结果表明算法能在提取特征维数更少的情况下,提高了故障识别率。     

数据包络分析法评价房地产上市公司绩效

运用数据包络分析(DEA)模型评价房地产上市公司绩效,以我国房地产业23家具有代表性的房地产上市公司为研究对象,通过设立多输入和多输出的指标进行综合评价,找出相对有效的行业标杆,同时分析行业整体和单个公司的资源配置效率,并提出了优化资源配置和提高上市公司绩效的途径.     

基于DEA的我国公路运输行业上市公司业绩评价研究

运用数据包络分析（DEA）模型评价公路运输类上市公司绩效以我国公路运输行业17家具有代表性的上市公司为研究对象,通过设立多输入和多输出的指标进行综合评价,找出相对有效的行业标杆,同时分析行业整体和单个公司的资源配置效率,并提出了优化资源配置和提高上市公司绩效的途径．     

基于绩效改进的供应商群及其采购量的选择

以供应链管理中供应商群及其采购量选择为背景，利用数据包络分析(DEA)方法中的绩效来评价一组供应商；为使供应商绩效水平提高而更具有竞争力，给出了卖方绩效改进目标；利用数学规划模型选择满足买方需求水平的非合作供应商群及其采购量的方法具有明显优点：1)：考虑了买方需求偏好；2)：定量分析绩效改进买卖博弈过程目标；3)：克服了DEA方法中当卖方数量少而不适用的问题；模型仅需运行一次。     

采用改进回归型支持向量机的滚动轴承剩余寿命预测方法

为准确评估滚动轴承运行状态、预测其性能退化趋势以及剩余寿命,提出一种改进回归型支持向量机(SVR)的滚动轴承寿命预测方法。提取轴承信号的时域和时频域特征,通过主成分分析(PCA)方法将特征指标融合成一个归一化综合指标来表征轴承运行状态;利用特征指标和综合指标构建训练和预测向量数据集,结合差分进化灰狼群算法(DEGWO)确定最优惩罚参数和径向基函数(RBF)核参数并构建回归型支持向量机模型;将预测数据集输入到DEGWO算法优化的SVR模型中得到轴承状态评估指标的预测值,实现轴承剩余寿命的预测。利用IEEE PHM 2012数据集验证所提方法的有效性,并将其结果与灰狼群算法(GWO)优化的SVR、网格搜索算法(GSA)优化的SVR和长短期记忆神经网络(LSTM)模型所得结果进行对比分析。仿真结果表明：与其他方法相比,采用所提方法得到的轴承剩余寿命预测均方误差分别降低了44.74%、66.67%、77.27%,决定系数则分别提高了7.25%、20.72%、11.94%,该结果说明了所提方法在轴承剩余寿命预测应用方面的优越性。     

随机蚕食快速Inc-SVDD算法及其应用

针对SVDD处理大数据样本时存在时间复杂度较大的问题,提出一种随机蚕食快速增量式支持向量域数据描述(RGInc-SVDD)算法.RGInc-SVDD首先利用随机抽样定理将样本训练集分割为多个子集,然后将其中一子集用于建模Inc-SVDDi分类器,最后利用迭代蚕食算法合并增长Inc-SVDDi分类器,以生成整个训练集的SVDD分类器.RGInc-SVDD算法使得SVDD的时间复杂度从O(N3)降到O(N2r/Gn2).实验结果验证了RGInc-SVDD算法的正确性和有效性.     

基于贝叶斯优化模型的涡轮增压4缸发动机故障诊断

为提高故障诊断方法的精度并减少评估时间,通过对涡轮增压4缸发动机的声信号分析,提出了一种新的发动机故障诊断方法。利用小波包变换（WPT）进行时频分析,并从小波包变换的高、低系数中提取统计特征;然后,利用提取的特征对标准分类模型、贝叶斯优化模型和主成分分析（PCA）结合贝叶斯优化模型进行分析比较。结果表明：与标准模型相比,后2个模型都具有更高的准确度、精密度、灵敏度、特异度和F1值（调和均值）;在相似的准确度水平下,PCA结合贝叶斯优化模型比贝叶斯优化模型减少了20%左右的总评估时间和19%的测试时间。PCA结合贝叶斯优化模型在降低计算复杂度和减少评估时间的同时保证了良好的精密度,可为发动机实时故障诊断提供参考。     

基于主元分析和线性判别分析降维的稀疏表示分类

为解决传统的稀疏表示分类(SRC)算法在小样本人脸识别过程中的过大时间开销问题,该文提出2种基于降维的SRC算法。扩展主元分析(EPCA)算法利用PCA算法构造约束优化稀疏模型,对测试样本进行线性表示,通过比较测试样本和每类训练样本的重构PCA系数进行决策分类。EPCA+线性判别分析(EPCA+LDA)算法在EPCA算法的基础上增加LDA约束模型,提高重构样本的稀疏表示的鉴别性。将该文算法应用于AR和FERET人脸数据库,与扩展SRC(ESRC)、SRC、SRC_PCA、协同表达分类(CRC)算法相比,该文算法有较高的识别率和较低的时间复杂度。将EPCA算法和EPCA+LDA算法应用于FETET数据集,识别率分别为61.46%和59.17%,运行时间分别为383.02 s和220.62 s。     

基于自然梯度的概率主组件分析在线学习算法

对于主组件分析模型,传统方法利用特征值分解的方法求解,其计算复杂度为O(ND~2),其中N表示数据规模,D表示数据的维度.概率主组件分析是从概率的角度理解主组件分析模型,此时可以使用期望最大化算法迭代求解,其计算复杂度为O(NDM),其中M表示选取的维度,对于大规模高维数据可有效提高模型效率.但是,在参数更新过程中,概率主组件模型的期望最大化算法需要遍历整个数据集才能更新一次参数,参数更新较慢,同时该算法很难扩展到大规模数据集.本文提出基于自然梯度的概率主组件分析在线学习算法,通过结合概率主组件分析的自然梯度,实现在线增量学习模型.进一步将降维后的数据通过全连接神经网络进行分类,并通过实验证明,该方法在降维效果及算法运行效率上有明显提高.     

一种新的决策单元的评价和排序方法

利用非径向DEA模型和扩展DEA(C2GS2)模型组成两阶段DEA评价模型,对带有独立子系统的决策单元的有效性进行评价·将被评价单元分为有效单元集和无效单元集·对于有效单元,利用子系统有效性指标的权重和对有效决策单元进行排序·方法反应了子系统对决策单元有效性的影响,能够为绩效改进提供更为详细的、具有针对性的管理信息·利用该方法对我国26个省市医药商业企业的运行绩效进行了评价分析,对其中有效的10个省市进行了排序·     

二型模糊C均值聚类算法及其应用

提出一种简化的、带有确认程度的隶属度的二型模糊集,利用其设计二型FCM聚类算法,推导出其迭代求解公式。研究发现,二型FCM算法的目标函数和迭代求解公式是原有FCM算法的推广,数学表达简洁。在人工数据集和黄瓜数据集上的应用表明,该算法可以通过确认程度的影响,得到更加精确的FCM算法聚类中心的位置,可有效甄别出异常点,说明算法的有效性。     

ECOC多分类算法在慕课数据挖掘中的应用

收集并整合多所高校学生的慕课学习行为数据,设计基于数据复杂度的纠错输出编码(ECOC)多分类算法.该算法利用数据复杂度降低多类之间的分类难度,从而提高算法的预测准确度.实验结果表明,在不同高校的慕课数据集的测试中,所设计基于数据复杂度的ECOC分类算法比传统的ECOC算法具有更高的分类准确度和鲁棒性,实现了学生学习成绩...     

基于粒子群模糊聚类算法的边缘检测仿真

将粒子群优化算法与模糊C-均值(FCM)聚类算法相结合,并应用于图像边缘检测,以期解决标准FCM算法在图像边缘检测中对初始值敏感及容易陷入局部极小的两大缺陷.首先,基于数学测度概念构造一个描述边缘点信息的特征向量,将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成其边缘点信息特征向量,形成具有三维特征的数据集;然后对这个数据集应用粒子群模糊聚类算法进行分类,自适应地检测出图像的边缘点,达到提取边缘的目的.仿真实验表明,此算法具有良好的抗噪性能,能够得到较好的边缘效果,提高了边缘定位的精度.     

基于核PCA和DEA的政府绩效考核的数学模型

政府绩效考评系统中，DEA模型对输入指标个数有上限限制，传统的PCA对此无能为力。基于蘩变换方法，提出了一种新的KPCA和DEA有机结合的政府绩效考评模型，有效地解决了上述问题。采用高斯核函数，将模型应用于我市派出所的绩效考评实践，结果表明具有一定的应用价值。     

自然语言处理文本查重优化算法设计

为了探索高校学生实习时提交的实践报告文本存在着重复的问题,从高校教学管理部门收集到相关文本的分类数据,结合Jieba分词工具处理文本信息,利用Word2vec词向量转换技术,表现了自然语言精准的语义分析能力。考虑到主题词抽取、概率分布情况及时间复杂度三个方面,使用Python的OS库完成批处理去重、去停用词和去非中文词,运用重要采样思想优化LDA(latent dirichlet allocation),模型,提出了新的训练模型ISLDA (importance sampling latent dirichlet allocation)抽取主题词汇,并采用余弦相似度计算重复率。更好地实现了文本查重算法模型的优化,对比两个模型的主题词类别、各词汇分布概率,结果表明新训练模型优化了主题模型,提高了计算模型训练准确率及测试文本的查重能力,较理想地实现了文本查重分析设计方法。     

一种基于近似类抽样的组合聚类方法

FCM聚类算法具有线性的时间复杂度,但它对初始化非常敏感。而k-中心点轮换法对初始化不太敏感,但其缺点就是时间复杂度较高,不能直接应用到海量数据集的聚类分析中。为克服这两类聚类算法的缺点,而充分利用它们的优点,很自然地提出一种基于近似类抽样的组合聚类算法。这种组合聚类算法的时间复杂度是O（n2m）。仿真实验表明,它具有稳定的聚类结果。     

改进的FCM在人脑MR图像分割中的应用

为解决模糊C-均值聚类(FCM)算法在图像分割尤其是医学图像分割中存在的计算量大、运行时间过长的问题,提出了一种改进方法。利用收敛速度快的K均值聚类法得到的聚类中心作为FCM算法的初始聚类中心,减少FCM算法收敛所需的迭代次数;优化参与迭代运算的数据集,减少每次迭代过程的运算时间。该方法使FCM算法的运算速度提高了将近10倍,而且不会影响算法的分割效果。     

基于密度模糊C均值量测集划分的多扩展目标跟踪算法

针对多扩展目标跟踪中的量测集划分问题,提出一种自适应门密度模糊C均值(fuzzy C-means,FCM)量测集划分算法.首先,该算法利用自适应门对量测集进行预处理,滤除部分杂波量测,在降低算法计算复杂度的同时提高了量测集划分的准确度.然后,采用密度函数法产生FCM的初始聚类中心,并给出自适应门密度FCM多扩展目标量测集划分算法的详细过程.最后,采用容积卡尔曼滤波求解非线性框架下具有封闭解的扩展目标高斯混合概率假设密度(ET-GMPHD)滤波算法.仿真实验验证了算法的有效性.     

数据包络分析(DEA)模型及其在绩效评价中的应用综述

近年出现很多新的生产绩效评价方法,大多考虑到评估系统的整体性,从而克服了单纯依靠财务指标评价的很多弱点.然而,随之而来的是评价过程和指标系统的复杂化,以及实施成本大大增加.数据包络分析(Data Envelopment Analysis,DEA)是一种基于线性规划理论的模型,它将多输入指标和多输出指标综合成为单个评价指标.同时,该模型形成一个优化的效率前沿面,为评价者提供了提高绩效的目标,旨在综述数据包络分析模型的发展及其在绩效评价中的应用案例,以此作为论证,将DEA有效地引入制造企业生产管理过程中的可行性的理论准备,用以指导数据包络分析方法在制造生产领域的实际实施.