基于人工免疫有序聚类的视频关键帧提取方法

针对现有的基于无监督聚类的视频关键帧提取方法没有考虑镜头内容的时序性、对初始类的划分较敏感、易陷入局部最优等问题,提出了一种新的基于人工免疫的有序样本聚类算法.在传统人工免疫聚类算法的基础上引入了抗原记忆识别机制及改进了抗体的克隆与超变异机制,并在此基础上给出了基于人工免疫有序聚类的视频关键帧提取方法.该方法将镜头帧序列看成一个入侵机体的抗原序列,然后基于首次应答与再次应答机制依次为每个抗原产生记忆细胞池,最终每个记忆细胞池能识别的邻近抗原对应一个类别并选取距其类中心最近的帧为关键帧.对大量不同类型的视频进行了试验.结果表明,该方法能得到较高的保真度和压缩率,能够十分有效地提取出反映镜头内容变化的关键帧.     

一种基于生物免疫原理的识别算法

提出了一种人工免疫识别算法.该算法将所识别的数据作为抗原,利用抗体、抗原的亲和作用,通过刺激/抑制有关抗体的活动建立一个抗体记忆集合,识别和表示数据结构组织,它具有识别多样性、自我调节功能等特点.通过对二维实数空间的数据和Iris数据进行实验,结果表明该方法聚类效果好,识别率高,且具有较好的泛化能力.     

基于有限资源人工免疫系统(RLAIS)的K-中心点聚类算法

文章提出了一种基于有限资源人工免疫系统的K-中心点聚类算法,把K-中心点聚类算法生成的簇看作有限资源人工免疫系统(RLAIS)中的人工识别球(ARB),通过免疫学习获得全局最优解。该算法是可行的、有效的。     

基于目标进化的aiNet聚类算法

针对aiNet算法中没有定义目标函数、记忆网络动态无规律变化等问题,提出了基于目标进化的人工免疫网络聚类新算法,将人工免疫网络压缩聚类抽象为多目标规划问题,定义了记忆网络的整体进化目标,并采用疫苗注射策略提升免疫学习质量.中心聚类和非线性聚类的仿真结果表明:新算法的聚类质量、压缩质量、参数敏感性等优于原aiNet算法;新算法的平均类散布矩阵迹为4.1420,低于原aiNet的4.2575;样本压缩率比原aiNet算法高8.42%;聚类正确率对压缩阈值的敏感性比原aiNet算法弱.     

基于云模型与凝聚型层次聚类的失效模式与影响分析方法

针对传统失效模式与影响分析(failure mode and effect analysis,FMEA)的不足,提出了一种基于云模型和凝聚型层次聚类算法的改进FMEA方法。首先,运用云模型对专家评估信息进行描述与集结;然后,结合凝聚型层次聚类算法识别云模型评价信息,利用聚类子簇确定失效模式间关联关系,利用聚类结果确定失效模式风险等级。最后,以在线教学失效风险评估为例,验证了该改进FMEA方法的可行性和有效性。     

基于局部线性嵌入的能量耗损故障模式识别

针对基于能量耗损的齿轮故障模式识别问题,将监督学习与局部主成分分析结合,提出了一种改进的能有效提取数据低维流形结构与分类特征的局部线性嵌入算法.然后,分析了齿轮摩擦学系统能量耗损与能量耗损的故障模式识别方法.最后,以齿轮箱能量监测实验台为例,获取不同齿轮故障下输入能量耗损功率的变化,应用改进的局部线性嵌入算法进行故障的功率耗损降维与模式识别,通过多类支持向量机分类的准确率来判断分类的效果.研究表明,改进的局部线性嵌入算法有较高的识别率,是一种有效的齿轮能量耗损故障模式识别方法.     

基于小波包无量纲免疫检测器的故障诊断模型

为可靠地检出并识别旋转机械设备轴承故障,提出了一种基于小波包分解和无量纲免疫检测器的轴承故障模式识别方法.该方法采用小波包对原始时域信号进行预处理,分别提取原始时域信号和各频带范围内时域信号的无量纲指标,并计算其敏感因子,根据敏感因子选取敏感特征,结合人工免疫阴性选择算法,生成多个敏感特征无量纲免疫检测器,实现对故障进行识别和分类.仿真实验结果表明,所提方法能有效地识别各种轴承故障.     

基于人工免疫聚类算法的电梯交通流分析

采用人工免疫聚类算法对某大楼一周内的电梯交通流进行了分析．利用人工免疫算法的免疫激励和免疫抑制机制，对电梯交通的5分钟原始客流数据进行压缩，得到了特点鲜明的电梯交通流人工免疫记忆数据集．以最小支撑树为工具，采用最短距离法对记忆数据集进行分类，所得结果清晰地体现了电梯交通流的实际特性．该算法为电梯群的控制与调度提供了有力的理论支持．     

基于点密度的半监督CA算法在图像聚类中的应用

经典竞争凝聚(CA)算法具有自动寻找聚类总数的特性,避免了预判参数对聚类结果的影响,但在聚类过程中,该算法并未利用样本数据中普遍存在的少量已知信息,而这些已知信息往往能够对整个聚类过程提供有益的帮助;此外算法在相似度度量函数上采用了最为常见的欧氏距离,该距离仅适用于球状的聚类,且存在等划分的趋势,这就制约了算法的应用范围.针对上述问题,通过引入具有半监督学习能力的半监督项,增强隶属度矩阵的划分能力,并利用样本数据的点密度信息,生成距离调节因子修正欧氏距离,最终得到了基于点密度的半监督CA算法.在人造模拟图像和真实图像上的聚类分割结果,以及与其它算法的性能比较,表明了所得算法,能得到较为准确的中心值,有更佳的聚类效果.     

基于黄金分割法的ISODATA算法的大样本特征数据提取方法

如何从样本量大、数据结构复杂、离散度大的样本数据中提取有效的特征数据是模式识别的重点和难点,而ISODATA算法是处理大样本数据聚类的常用算法之一,其不足之处是需要预先确定初始聚类参数.提出了基于黄金分割法来度量聚类的有效性,该方法能动态计算聚类度量参数,可实现大样本数据的有效聚类.实验证明,该方法能够从原始特征中挑选出最有代表性、分类性能最好的特征.     

基于密度聚类和样本加权信息熵的特征选择算法

特征选择是机器学习和模式识别领域中的一个重要问题.本文提出一种非监督的特征选择算法,称为基于密度聚类和样本加权信息熵的特征选择算法(DCWIE).不同于传统的基于信息熵的特征选择算法,DCWIE使用一种加权的信息熵计算方法,增加对分类贡献大的样本的权值,并通过与聚类结合,实现无监督学习.实验结果表明了本文算法的有效性.     

基于支持向量机的小样本数据概率分布模式自动识别

在装备可靠性工程领域,小样本数据概率分布模式识别是亟需解决的一个难题.统计学习理论是专门研究小样本情况下机器学习规律的理论,支持向量机是当前最新的、基于统计学习理论的机器学习算法.根据现代统计学原理提取了数据分布特征参数,采用支持向量机分类算法构建了小样本数据概率分布模式自动识别模型.测试结果表明,模型对小样本数据概率分布模式具有较强的识别能力.     

基于人工免疫的故障诊断模型及其应用

提出了一种基于免疫原理的故障检测及诊断系统模型. 通过对检测对象正常工作状态下获得的自己模式串的阴性选择,随机产生初始检测器;利用基于人工免疫的进化学习机制,实现对检测对象异常工作状态下获得的非己模式串进行学习和记忆;利用进化学习结果和系统故障信息库知识,区分和标记不同故障在状态空间上对应的区域. 将抗原学习过程中抗体集合变异所产生的各代抗体集合看作随机序列,给出了序列的收敛条件及证明,证明了所提出的动态免疫进化学习算法是概率弱收敛. 应用于机床齿轮箱故障检测和诊断问题的实验结果表明了所提出方法的有效性.     

基于生物免疫系统克隆选择机理和免疫网络理论的免疫算法

提出一种基于生物免疫系统克隆选择机理和免疫网络理论的免疫算法.该算法通过抗体的克隆选择和变异过程,完成对入侵抗原的清除,实现免疫防御的功能;利用免疫网络调节的思想选择抗体记忆细胞,完成知识的学习和积累,实现免疫自稳的功能;利用所建立的抗体记忆矩阵实现对类似入侵抗原的快速应答,行使免疫监视识别功能.该算法利用生物变异机制实现抗体的自适应调节,使系统具有自适应、自学习能力.在加热炉状态识别的应用研究表明,本文所提出的算法在解决数据识别方面具有较好的效果.     

高斯模糊核聚类的模拟电路在线故障诊断算法

为提高模拟电路故障在线诊断的运算速度与可靠性,采用高斯模糊核聚类算法对模拟电路故障进行非监督学习。该故障诊断算法的关键是利用已知故障数据类中心点确定故障类。利用模糊核聚类的高效识别树型结构减少训练样本规模、处理模糊类中的野值点,以提高分类器的训练速度和精确度。根据每一类故障数据得到的故障参数均值,设其为故障判断阈值,并赋予类标。在三种不同故障条件下,对Sallen-Key低通滤波器电路进行故障诊断的仿真实验。结果表明：与RBF监督学习方法相比,β-MKFCM方法能够高效地辩识已知故障与未知故障。该研究为电路在线故障诊断提供了参考依据。     

一种模糊人工免疫网络故障诊断策略

基于免疫系统与故障诊断系统在作用机制上的相似性,在建立通用的人工免疫网络故障诊断模型的基础上,提出一种基于模糊人工免疫网络的故障诊断算法.文中的免疫系统故障诊断模型,把故障诊断问题建模为抗体-抗原识别和作用问题;设计克隆选择,免疫记忆等故障诊断的免疫规则;并基于故障诊断问题的先验知识,提出一种模糊人工免疫网络故障诊断算法.UCI(University of California,Irvine)标准数据集和一个四级压缩机故障诊断试验表明,该算法能充分利用故障数据的先验信息,快速准确地获得数据样本特征,实现数据的聚类,从而完成故障诊断.     

基于目标进化的aiNet聚类算法研究

针对aiNet算法中没有定义目标函数,记忆抗体网络动态无规律变化等问题对算法进行改进,提出了基于目标进化的人工免疫网络聚类新算法,将人工免疫网络压缩聚类抽象为多目标规划问题,提出了免疫网络的整体进化目标和疫苗注射策略,仿真结果表明,新算法的聚类质量、特征压缩质量、参数敏感性等优于原有aiNet算法。     

一种基于量子机制的分类属性数据层次聚类算法

受物理学中量子机制特性的启发,结合层次凝聚思想,通过引入新的相异性度量测度以及聚类度量尺度步长sβtep概念,重新定义以紧致性指标AIAD和离散性指标AIED为基础的聚类有效性函数CVF,提出一种针对分类属性数据的基于量子机制层次聚类算法CQHC.该算法首先在不同粒度水平上划分数据样本产生初始类(簇),然后以聚类有效性函数CVF为评价标准,动态地合并初始类(簇)完成聚类.仿真实验采用2个真实数据集,即:线性可分的大豆疾病样本数据集和线性不可分的动物园数据集.实验结果表明,该算法与已有的其他几个算法相比,不仅具有更高的聚类准确率,而且能够准确地检测出最佳类别数,是有效且可行的.     

一种改进的模糊人工免疫网络数据分类方法

针对现有人工免疫网络算法对先验知识应用不足的问题，提出一种基于模糊人工免疫网络的有监督学习数据分类方法．首先采用模糊C均值聚类算法为免疫网络提供疫苗（初始种群），将此疫苗作为免疫网络的初始抗体群，种群再经过克隆选择、网络压缩、免疫成熟、记忆等算子的不断扩展和压缩，形成一个由浓缩后的训练数据构成的抗体网络，最终基于该抗体网络采用“邻近原则”构造分类器．由于各算子的协调作用，该方法能够在高浓缩率的情况下更好地代替样本空间．UCI（University of California，Irvine）数据集的仿真实验证明，与aiNet方法相比，该方法在分类准确率和数据浓缩率上分别高出7．26％和11．16％，而且更稳定、可靠．     

城市供水管网片区用水异常模式识别

对区域用水的异常模式识别可以为自来水公司实施科学化运行管理提供重要的依据.基于密度的聚类算法与k均值算法相结合,对城市供水管网片区用水进行异常模式识别.首先提取时间和瞬时用水量2个特征,通过k均值算法将所有数据样本分离为不同模式,然后分别对不同模式构建基于密度的聚类算法进行异常点识别.对某地两分区的监测数据进行实验,得到用水异常模式的识别结果与分析.与现有异常检测方案相比较,提出的融合算法所得到的检测结果更具有完整性和准确性.