多元宇宙优化算法应用于聚类分析

[目的]聚类是数据分析和数据挖掘技术中最重要的概念,其中,k-均值聚类算法是最常用的方法之一.然而,k-均值聚类算法高度依赖于初值,容易陷入局部最优解.为了克服k-均值聚类算法存在的不足,[方法]本研究提出一种利用多元宇宙算法(MVO)解决聚类分析问题的新算法,并进行一些数据集测试实验.[结果]数值模拟实验表明多元宇宙算法解决聚类问题效果优于人工蜂群(ABC)算法,布谷鸟搜索(CS)算法、粒子群优化(PSO)算法等.[结论]在大多数测试数据集的情况下多元宇宙算法解决聚类分析问题具有收敛速度快、聚类精度高和稳定性好的优点.     

多元宇宙优化算法改进SVM参数

针对支持向量机(SVM)参数难以选择和确定的问题,采用一种新式元启发式优化算法——多元宇宙优化算法(MVO).并在传统多元宇宙优化算法(MVO)的基础上针对TDR值下降速度慢而导致旅行距离增加的问题,提出改进多元宇宙优化算法(IMVO),将改进多元宇宙优化算法用于支持向量机的参数优化和选择问题上.使用UCI标准数据库中的数据进行数值仿真实验.研究结果表明:采用改进多元宇宙优化算法优化的支持向量机有较强的寻优性能,稳定性较好.     

基于特征点统计特征的人脸识别优化算法（英文）

当计算人脸特征点相似度时,弹性图匹配算法认为每个特征点对于人脸识别都起到相同的作用,因此分配相同的单位权值.然而,事实并非如此.基于特征点的统计特征,提出一种新的人脸识别优化算法.利用统计理论和提取的HOG特征,可以把特征点分成主要和次要两类,并且赋予不同的权值.仿真结果表明所提出的方法不但性能较好,而且识别率较高.     

离散混沌系统参数估计的生物地理学优化算法（英文）

基于混沌控制的方法,建立了离散混沌系统参数估计问题的非线性方程组模型.将此方程组模型转化为多峰连续函数优化问题并设计相应的生物地理学优化算法进行求解.通过对两个典型的离散混沌系统进行仿真实验,数值结果表明该方法具有测量数据少、参数估计精度高的优点.     

具有差分进化算子的社会蜘蛛群优化算法（英文）

【目的】社会蜘蛛群优化算法(SSO)是一种新颖的元启发式优化算法,自从它被提出之后就受到该领域学者的广泛关注,并且也被成功应用到许多领域。但是由于社会蜘蛛群优化算法还处在算法的研究初期,该算法的收敛速度与收敛精度还需要进一步提高。【方法】将差分进化算子引入到社会蜘蛛群优化算法(SSO-DM)中,并将改进的算法应用于函数优化问题中,通过5个标准测试函数来验证基于差分进化算子的社会蜘蛛群优化算法(SSO-DM)的优化性能。【结果】差分进化算子增强了社会蜘蛛群优化算法的收敛速度与收敛精度。【结论】本研究中所提出的算法能够获得精确解,并且它也具有较快的收敛速度和较高的算法稳定性。     

重症监护病人脑电数据的自动聚类分析（英文）

癫痫性发作、持续状态及痫样节律性活动是常见的病理性脑部放电状态,通常会在急性脑损伤患者的脑电图(EEG)中表现出来。完成此类病理性波形的有效标记,是进一步诊断与治疗相关疾病的重要前提。为辅助神经内科专家对不同病理波形进行快速标记,文中提出了一种全新的辅助检测标记系统。该系统分别采用特征提取、PCA降维和LE映射可视化等技术,实现EEG中同质模式簇的自动检测。所提方法对哈佛医学院/麻省总医院中10例ICU患者的长时程连续脑电图进行了系统分析。数值实验结果表明,海量脑电数据能够被有效地自动聚类为多种ICU典型标准波形,而且仅通过观测类中心及若干同类成员就能够达到有效标记的目标。同时,LE可视化结果也进一步证实了"发作间期-发作期"连续统假设是成立的。     

优化RFID网络的含云生成算子的粒子群优化算法（英文）

RFID网络规划问题是一个优化难题,文章给出一个含云生成算子的粒子群优化算法用于求解该问题.在该算法的子代生成框架中,新粒子通过云方式或PSO方式产生.(1)应用反向云生成算子,PSO认知种群被用于估计好解区域的期望、熵和超熵;(2)利用正向云生成算子,估计的期望、熵和超熵被用于生成云粒子;(3)来自PSO粒子的局部信息和来自云粒子的全局信息共同引导算法的下一步寻优.该算法优化文献中一些著名的RFID网络基准测试实例,实验结果显示该算法比原始的PSO有好的优化能力.     

宇宙暴涨之后（上篇）

2006年度诺贝尔物理学奖决定授予对宇宙学的发展做出过巨大贡献的两位科学家，他们的成果是利用美国宇航局的天文卫星COBE（Cosmic Background Explorer，宇宙背景辐射探测器）获得的。通过对COBE以及后来发射的探测器的观测结果进行分析，如今的看法是．在大爆炸以前宇宙曾发生过一次惊人的急剧膨胀，即发生过“暴涨”。 在暴涨期间，宇宙的大小在比一秒钟远短得多的一瞬间膨胀扩大了好几十个数量级。一时间，空间的膨胀速度超过了光速。这真是匪夷所思，然而暴涨宇宙论如今却正在成为天文学的基础理论。 不仅如此，由膨胀宇宙论还引出一种令人震惊的宇宙观，即所谓“宇宙生出子宇宙”。宇宙中也许存在着无数个宇宙家族呢! 本专辑分几个部分来介绍什么是暴涨宇宙论．同时也要谈到最新科学所揭示的“大爆炸前的宇宙”。[编者按]     

宇宙暴涨之后（下篇）

暴涨宇宙论的出现 暴涨宇宙论出现，一举解开了谜团 进入上世纪80年代，前两页介绍的那种大爆炸模型面临的谜团一下子就被刚出现的暴涨宇宙论解开了。“暴涨宇宙论”认为，“初期宇宙曾经发生过膨胀速度高到无法想象的超急剧膨胀”。     

飞行器概念设计中的多学科优化模型（英文）

多学科优化技术的发展有效地提高了飞机的设计水平,同时提高了设计人员对非常规布局飞机的设计能力。以一种双后掠飞翼布局飞机为研究对象,建立新的优化模型对其进行气动、结构优化。优化过程分为系统级优化和学科级优化。在系统级优化中,航程定义为飞机全局性能指标。在学科级优化模型中,把升阻比和展向气动载荷分布的综合气动性能作气动学科优化目标,结构重量作为结构优化目标。优化结果表明,优化模型可以高效地运行,优化方案更接近最优解。     

基于XGBoost的房价预测优化（英文）

客观来说，房价受到诸多因素的制约，正因如此，房价预测仍然是数据分析中一个非常经典且具有挑战性的问题.本文针对房价数据冗余，在实际场景中很难确定重要特征，提出了一种创新的数据预处理方式，并通过双模型迭代拟合的方式进行数据预测.首先从数据意义、数据形式和数据关联性三个方面进行初始数据预处理，然后根据数据选择适合的模型进行训练.在传统机器学习中，Random Forest和XGBoost是两种常用的方法.RF模型通过其Bagging过程，能够准确地评判“冗余”特征，而XGB模型在提高预测效果的同时，也囿于其泛化能力下降，无法稳定地反映特征重要性.因此，本文利用RF模型处理冗余数据，并使用XGB模型对新数据集进行拟合提高预测效果.本文在Kaggle竞赛的数据集（"House Prices-Advanced Regression Techniques"）上进行了实验，测试结果显示，XGB回归模型最终的回归精度R²为87%,而单独的RF模型或XGB模型的R²分别为79.2%和78.7%.实验证明，该数据预测方法能够明显提高房价预测效果.同时，为充分体现模...     

智能优化算法在聚类分析中的应用

聚类是数据挖掘领域中的一个重要研究课题,聚类分析应用广泛,既能作为一个独立的工具来进行数据分析,也可以作为其他算法的预处理步骤.本文介绍了智能优化算法在聚类分析中的应用,着重分析了基于蚁群算法的聚类算法和基于微粒群算法的聚类算法.     

应用于高速可见光通信系统的专用集成电路研究（英文）

提出了1种应用于可见光通信的预加重电路来提高可见光通信系统的带宽.该芯片采用TSMC0.18μm标准CMOS工艺实现,实现了对LED的预加重目的,达到了展宽LED带宽的设计目标.最终通过测试对电路进行了验证,分析波形、-3 d B带宽等实验数据,结果显示,采用预加重电路后,LED的3 d B带宽得到了明显提升,从补偿前的12 MHz在提高到了补偿后的102 MHz,增大了8.5倍.因此,预加重电路可以有效地扩展可见光通信系统的物理带宽.整个芯片面积600×800μm~2,功耗为1.41 mW.     

李群特征的深度学习算法研究（英文）

由于真实世界中的复杂数据经常能够被表示成李群结构,文章设计了一个以李群特征作为输入的深度网络架构,以此利用深度学习强大的特征表示能力来进行模式识别等任务。在构建李群深度神经网络的过程中,为了保证在优化时李群特征能够被限定在微分流形的结构上,提出了适用于李群特征的深度学习算法。算法在特征学习的过程中不仅能够保证不损失数据流形结构的信息,同时也限定了参数优化的假设空间。基于李群特征的深度学习算法在CIFAR-BW和MNIST数据集上,通过为静态图像设计辐条模型的李群特征,实验结果表明算法在较少次数的迭代下就能够收敛到较为理想的结果。     

基于多元线性回归分析和随机森林算法的水稻贮藏霉变风险控制（英文）

阐明真菌的生长机理对于减少储粮损失具有重要意义。在影响真菌孢子生长的因素中,最重要的因素是环境温度、稻谷含水量和储藏时间。因此,本研究基于实验数据建立了孢子数和温度、含水率和储藏天数等几个重要因素之间的多元线性回归模型。为了建立更准确的模型,我们将随机森林算法引入稻谷储藏过程中的真菌孢子数目预测模型,用于预测储藏过程中不同温度、含水率和储藏天数下的孢子数。对于随机森林模型,99%的预测值和其对应的原始数据可以达到同一数量级,对于预测孢子数具有很高的准确性。此外,我们绘制了预测曲面图,将环境条件控制在低风险区域可以有效降低稻谷在储藏过程中的霉变风险。     

踏上宇宙边界之旅（下篇）

在上一期．我们离开地球进入了银河系，现在我们将逐渐离开银河系向宇宙的深处挺进。我们可能会遇到各种各样的星系团、黑洞、超新星爆发以及在我们面前诞生和死亡的恒星。     

踏上宇宙边界之旅（上篇）

我们准备启程去完成一次150亿光年的旅行。一站紧接一站，我们将拜访银河系，然后渐渐远行．直至到达宇宙的边界。这将使我们了解宇宙中某些最诱人的现象，其迷人的程度远远超出人们的想象。     

路与圈的优化t-pebbling数（英文）

图上的一个pebbling移动,是从图的一个顶点同时移除2个pebbles,并且在其某个邻点上放置1个pebble.图的优化t-pebbling数,记为f′t(G),是指图G中所需要的pebbled的最小数目,使得存在该f′t(G)个pebbles在图上的一种分布,可以在经过一系列pebbling移动后,t个pebbles可以移动到任意一个给定的目标顶点上.f′(G)=f′1(G)称为图G的优化pebbling数.这里给出了路Pn和圈C5的优化t-pebbling数,证明了f′9t(P2×P3)=20t;f′9t+1(P2×P3)=20t+3;当2≤r≤8时,20t+2r+1≤f′9t+r(P2×P3)≤20t+2r+2,其中,当5≤r≤8时,最后一个不等式取到等号.     

具有连续型目标函数的优化模型（英文）

把多目标规划(MP)和具有可数无穷多指标优化模型(CIP)推广并引进一种具有连续型目标函数的优化模型(CP).给出其有效解和真有效解的相关概念,介绍一些例子说明它在理论和应用方面都是有意义的研究课题.得到CIP模型与CP模型的有效解之间、真有效解之间的两个关系定理.     

一种应用于SRAM中的高速电压模型灵敏放大器（英文）

设计了一种应用于静态随机存储器(SRAM)读数据过程中的电压型灵敏放大器(SA).与传统交叉耦合结构SA相比,增加了由NMOS管构成的第二级交叉放大电路及由上拉和下拉电路组成的输出电路.改进的结构能在快速而且高增益地放大位线上电压差的同时,改善灵敏度低的问题,确保了SRAM在不工作时数据输出端口的输出不受内部干扰.仿真结果表明,与传统结构相比,本设计减少了为确保输出节点全摆幅而所需的95%的位线上电压,同时在相同差分电压输入的情况下,响应时间减少了80%.