加权数据融合算法及其应用举例

建立了一种基于格罗贝斯(Grubbs)准则和聚类分析的加权数据融合算法，即先用格罗贝斯准则剔除所测数据中的疏失误差数据，再用聚类分析的方法对剔除疏失误差数据后的测量数据进行聚类，并由此确定各类别的权数(加权因子)，最后利用所得权数进行加权融合得出被测对象的融合估计值。实验证明，该算法简单有效，且适合计算机编程。     

基于自适应算法的电力系统可靠性评估

针对电力系统可靠性评估中Monte Carlo方法存在的计算效率低下的问题,提出应用自适应算法对系统状态进行概率分析。该算法采用变分运算分析和区间拟合的方法,实现在最优密度函数下抽样,降低计算方差。应用该方法对IEEE-RTS标准系统的发电部分进行了可靠性评估,并与采用常规抽样方法和重要抽样方法的评估结果做了比较,表明该算法在保证计算精度的前提下分别减少了87%和68%的抽样次数,对大型电力系统可靠性评估具有实用价值。     

基于并行计算的高效图稀疏化处理算法

针对目前的图聚类分析方法存在的不足,在分析研究MapReduce架构理论、最小哈希算法以及图聚类分析中的数据抽样和稀疏化处理机制的基础上,提出了一种基于并行计算的高效的图稀疏化处理算法。该方法以MapReduce架构理论为基础,通过Minhash算法进行并行化分析,利用MapReduce框架结构对图聚类分析稀疏化操作过程中的多个任务进行了高效的推算分析与处理,并在Hadoop计算环境下,通过模拟实验对提出的高效图稀疏化处理算法的性能进行了测试。测试结果表明:基于并行计算的高效图稀疏化处理算法可行,能对图聚类数据信息进行快速稀疏化处理。     

基于拟蒙特卡罗法的电力系统抗震可靠性研究

针对电力系统抗震可靠性评估中蒙特卡罗方法误差收敛相对较慢的特点,将以低偏差序列抽样的拟蒙特卡罗方法应用于可靠性评估中,并结合了在求解传递闭包中能够减少计算量的三角形算法,建立了结合低偏差序列抽样与三角形算法的抗震可靠性计算模型.基于川北地区110 k V发电站与变电站的可靠性分析,分别进行了三种算法下的标准蒙特卡罗方法模拟和Sobol序列拟蒙特卡罗方法模拟.模拟结果表明:在电力系统抗震可靠性求解中,与伪随机数序列相比,Sobol序列的解算结果具有更高的收敛速度.当抽样次数为5 000次时,拟蒙特卡罗(QMC)方法的计算结果为0.6689,误差不超过0.1%,而蒙特卡罗(MC)方法的计算结果为0.6659,误差为0.389%;在相同抽样次数下,三角型算法相对于其他算法具有更高的运算效率,将三角形算法与拟蒙特卡罗方法结合既提高了精确度又提高了运算速度.     

数据分类的两步矩阵投影算法

化工过程的数据分类是进行数据校正和协调计算的基础。常用的两层次矩阵投影变换算法在对未测数据进行分类时,可能无法识别出所有的不可估计型数据。为了准确地将可估计型和不可估计型数据分开,采用Crowe等人提出的投影矩阵,引入矩阵的绝对线性无关列的概念,提出了新的数据分类方法。数学推导证明,此方法对化工过程未测数据分类彻底,并用一个示例将新旧算法对未测数据的分类结果进行了对比,验证了新算法作数据分类的正确性。     

一种基于路测数据的传播模型校正方法

为了提高无线网络规划中传播模型校正方法的实用性,针对连续波测试传播模型校正方法所存在的低效率和低准确性等问题,提出了一种利用现网路测数据进行传播模型校正的方法.从理论上证明了路测信号可以替代连续波测试信号用于传播模型校正,通过增加路测次数和利用历史数据、邻区数据等方法增加了有效数据量,从而解决了路测终端采样速率低的问题,给出了路测数据的过滤方法以形成可用的采样数据,最后分析了使用路测数据所带来的误差.在中国移动的网络上实际测试证明所提出的方法是准确和有效的,可用于不同标准或制式的移动通信网络.     

基于小波多分辨率分析的机动目标跟踪算法

研究了一种基于多分辨率分解的机动目标跟踪算法,该算法利用小波中的经典算法——Mallat算法对单一分辨率的量测数据进行多尺度分解,将分解得到的多分辨率量测数据用于目标状态更新。仿真结果表明,该算法具有较好的跟踪性能。     

基于LQI的链路评估算法及其在WSN中的应用

在实验的基础上对一些链路质量评估参数进行对比之后,提出了一种基于LQI均值的链路评估算法.该算法能够在保障评估准确度的前提下减少冗余数据,从而降低能耗;采用该链路评估算法对ETX路由度量进行了修改,提出了一种IETX路由度量,并最终在Micaz节点上对该度量的选路性能进行测试.结果验证了基于LQI链路评估算法的IETX度量的选路可靠性与节能效果.     

一种基于Kriging模型的机械结构可靠性分析方法

通过分析现有机械结构可靠性抽样方法存在的不足以及影响失效概率估计精度的主要因素,提出了一种基于Kriging模型及自适应抽样方法的机械结构可靠性分析方法.该抽样方法将随机抽样与聚类算法相结合,能够在概率上保证新增样本点落在对失效概率贡献较大的区域,避免对非重要区域的不必要抽样.以大数定律及中心极限定理为基础,推导了所提出的Kriging模型的收敛条件.通过两个算例说明所提出方法的迭代收敛过程、准确性及稳定性,结果表明,该方法能够在较少调用结构功能函数情况下得到失效概率较准确的估计值.     

带有量测数据丢失的虚观测鲁棒卡尔曼滤波算法

针对传感器量测数据丢失的卡尔曼(Kalman)滤波问题进行了研究,提出了一种基于虚观测值的鲁棒卡尔曼滤波算法,针对伯努利(Bernoulli)分布描述的量测数据丢失的模型,充分利用当前时刻的先验信息,应用趋势移动平均法来预估构造丢失数据时刻的虚观测值,建立了等效的传感器量测模型.利用鲁棒卡尔曼滤波方法来消除预测偏差较大的虚观测值对目标跟踪的影响,从而达到对目标的稳健跟踪.仿真实例说明了该算法能在量测数据丢失的情况下对目标进行有效的跟踪,跟踪精度高于跳变线性系统的卡尔曼滤波算法.     

基于抽样学习的关联挖掘算法设计

将抽样技术引入关联规则挖掘以提高算法的执行效率是进行有效挖掘的捷径,但几乎所有关于该方法的研究都无法避免在抽样的过程中重复执行关联分析,这可能会使抽样过程产生的开销大于其为挖掘带来的益处.为了克服这一传统做法所带来的弊端,引入了二元分类评估的混淆矩阵,以解决随机抽样引起的样本1-项集频繁性变动问题.在未对抽样过程执行关联分析的前提下,设计了一个新公式以刻画累进抽样的学习曲线,并由学习曲线快速找到代替总体进行关联挖掘的最优样本.通过对该抽样方法的有效性和可靠性进行评估,以及其在人口普查数据中的实现,证明了该方法提高关联规则挖掘效率的效果明显.     

VoIP在对等网络中的应用研究

在对传统P2P路由算法分析研究的基础上,根据VoIP在P2P网络中的可靠性要求,提出了基于DHT(Distributed Hash Table)的改进P2P路由算法,并通过仿真验证了该算法的正确性和可行性。     

现役高速公路隧道监控量测及其结构可靠性分析

分析了传统应力场方法进行隧道结构可靠性分析存在的问题,介绍了运用超声波法和探地雷达法对公路隧道混凝土衬砌质量进行检测评定的应用情况.基于东北某现役隧道运营期间的监控量测数据,提出了一种新的结构可靠性评价方法,综合评价了该隧道的可靠性.应用表明,该方法具有实用和推广价值.所提现役隧道结构可靠性分析方法对于延长隧道使用年限,降低维护和加固费用切实可行.     

所有顶点对间的最大可靠路网络

通讯网络的可靠性是研究两个端点信息交流时建立联接的可靠性。任意一对节点,当他们之间建立联接时,由于相邻端点之间的联结有一个可靠性,人们希望选择一条具有最大可靠性的路进行联接。然而任一对节点间的路具有指数阶条,因此有必要寻找有效的算法来找出节点对间的最大可靠路网络。本文给出一个0(n2m)的算法来找出节点对间的最大可靠路网络。     

基于免疫模糊聚类算法的电网抗差状态估计

提出了一种基于免疫进化模糊聚类算法的电网抗差状态估计方法.该方法首先计算出量测数据的标准残差rN和相邻采样时刻量测值之差Δz,初步将量测数据划分为可疑数据和可靠数据.分别在0.5～1和0～1之间随机生成可靠数据和可疑数据的隶属度,形成初始分类矩阵,克服了整个分类矩阵在0～1之间随机生成的缺陷,并大大加快了算法的收敛速度.之后以γN和△z为特征值,应用免疫进化算法对分类矩阵进行模糊聚类,以获得各个量测量的良数据隶属度.依据各个量测量的良数据隶属度,进一步将量测数据划分入淘汰区、降权区、保权区进行状态估计.该方法能获得较高的抗差能力和状态估计精度,且数值稳定性较好.对IEEE14节点系统的算例仿真表明了该方法的有效性.     

数据挖掘中的聚类分析研究

数据挖掘是信息产业的热门研究方向,聚类分析作为其核心技术,早已经被深入的研究。本文探讨了聚类分析的统计量,对聚类方法和算法进行了比较和分析,以便在日常应用中能准确快速的选择特定的算法。     

基于粒子群优化算法的交通数据流聚类分析

针对交通数据流聚类分析过程中生成顺序的不确定性,提出了采用基于网格和密度的D-Stream算法对交通数据流进行聚类分析,并将粒子群优化算法引入聚类过程,从而对数据流聚类分析方法进行了改进,使数据聚类能够根据本身的密度极大值有序生成,增强了用户对聚类过程的控制能力.通过昆明市实测交通数据流进行聚类分析,得到了能够反映交通状况不同特征的聚类结果和动态的控制策略,并对交通数据流的相关研究工作提供决策支持.     

基于改进模糊聚类算法的城市快速路交通状态分类

文中从城市快速路实时交通信息发布和缓解拥挤出发,对快速路交通状态进行有效分类,在选取分类指标时,在传统分类指标流量、速度、占有率的基础上引入了一个宏观分类指标——路网宽裕度。运用改进的模糊聚类方法对所选取指标进行聚类分析,以北京市五环路部分路网样本数据为例进行交通状态分类评估,同时与其他分类算法的分类结果及误差进行对比分析。结果表明,改进的模糊聚类算法在平均运行时间、目标函数值及分类误差上都低于其他算法的,由此验证了研究中所提算法的可靠性。     

三种网络可靠性仿真方法研究及比较

网络可靠性是评估网络性能的重要指标。本文深入研究了网络可靠性三种仿真方法,即蒙特卡罗仿真方法(Monte Carlo Method,简称:MC),模块化抽样(Blocking Sampling Method,简称:BS)和几何抽样(Geomtretic Sampling Metho,简称:GS),并对三种方法的实现结果进行了比较。实验结果表明,BS和GS比较适用于大型网络,易于实现,且效率很高。     

基于模拟退火算法对K-means聚类算法的优化

K-means聚类算法是近年来数据挖掘学科的一个研究热点和重点,该算法是基于划分的聚类分析算法.目前这种算法在聚类分析中得到了广泛应用。本文将介绍K-means聚类算法的主要思想,及其优缺点。针对该算法经常陷入局部最优,以及对孤立点敏感等缺点,提出了一种基于模拟退火算法的方法对其进行优化,可以有效地防止该算法陷入局部最优的情况。