WSN中传感器节点的弹性神经网络任务分配方法

为解决WSN多目标跟踪节点任务分配的竞争冲突问题,提出一种融合了模糊聚类的多弹性子模自组织神经网络节点任务分配方法.通过模糊聚类估计目标数量,建立节点任务分配跟踪精度和能量消耗的综合性能指标,采用非全连接的环形弹性结构自组织神经网络优化监测联盟,用最近邻法对神经元弹性子模进行初始化,根据胜者为王原则动态调整子模的感受域,以快速锁定最优监测联盟,实现多目标的精确跟踪.实验结果表明:文中方法能有效解决多目标跟踪节点任务分配的竞争冲突问题,以及竞争冲突时的系统能耗增加与实时性问题;在随机均匀部署节点拓扑和目标直线运动模式下,文中方法的能耗较最近邻法降低了48.2%~55.9%,较未改进弹性神经网络法降低了37.4%~42.5%,且运算速度提高了19.0%~27.4%.     

广义实型密度加权平均中间算子及应用

针对普遍存在的向量、矩阵等多维的数据形式,将面向点值的密度加权平均中间(DWA)算子拓展为广义实型密度加权平均中间(GR-DWA)算子.给出了通用的数据元素聚类过程,该过程能够对点、向量、矩阵等3种类型的数据进行有效分组.研究了一种兼顾"规模"与"功能"信息的密度加权向量设置方法,并给出了3种参数确定思路,以支持主观、客观或主客观结合等多种决策方式.定义广义实型密度算术平均(GR-DWAAA)算子,并探讨了GR-DWA算子在多属性群决策中的多种运用途径.最后,给出了GR-DWAAA算子处理多属性群决策问题的一个应用算例,算例的结果验证了算子的有效性.     

基于模糊聚类和粗糙集的仿真可信性模糊综合评估

为客观有效地解决仿真可信性评估问题,提出基于模糊聚类和粗糙集的仿真可信性模糊综合评估方法。阐述了基于模糊传递闭包法进行模糊聚类分析的基本步骤,分析了粗糙集中属性重要性的相关原理;提出了基于模糊聚类和粗糙集的可信性模糊综合评估模型,利用模糊聚类和粗糙集中的属性重要性原理客观地进行各因素权重分配,结合模糊综合评判进行仿真可信性综合评估;以某飞行视景仿真系统为例,进行可信性综合评估。结果表明,该方法具有一定的合理性和可行性。     

基于系统聚类的北京气温变化过程遍历特征分析

气温变化过程遍历性研究是中长期气象预报的基础.以北京地区气温过程为例,分别研究了北京月最高气温、最低气温、平均气温序列的遍历特征.首先,基于系统聚类分别将各类气温以月为个体进行聚类;其次,以类为单位通过自相关图排除周期性序列,利用ADF检验其余序列的平稳性;再次,对通过平稳性检验的序列进行遍历性分析,包括均值遍历与协方差遍历两方面.研究结果表明,北京6、7、8月份最高气温月际年变化序列有均值遍历性特征,4、10月份最低气温序列则有过程遍历性.从长期趋势看,两类气温序列都围绕其均值上下波动,在4、10月份最低气温的月际年变化序列中,前期气温值对后期气温变化的影响是相对稳定的.最后,还开展了印证性分析和挖掘性分析,从遍历性的角度,佐证了前人的一些研究成果.     

内蒙古林西县生态经济分区与发展对策研究

以位于北方农牧交错带的内蒙古林西县16个乡镇为样本,利用因子分析方法对所选指标体系进行筛选,从26项指标中筛选出7项综合指标,消除了由于各因子的相互作用引起的噪音干扰,降低各因子之间的重叠性.在此基础上,根据生态经济区划分的相似性原则、区域共轭性原则和自然区域完整性原则,运用灰色星座聚类法对研究区生态经济系统进行聚类分区,林西县生态经济系统可以划分为3大区域:中东部河谷平川粮食经济作物区、中南部低山丘陵牧粮综合发展区及西北部中山牧粮果水保林区.排序检验的结果表明聚类结果基本正确,能较好地反映研究区农业生态经济类型的客观状况.最后,根据各分区不同的生态经济特征,对各区的开发对策及今后的发展方向进行了详细的分析与评述.图1,表5,参6.     

基于自适应模糊推理系统的柴油机故障诊断

为解决柴油机故障诊断问题,采用自适应神经模糊推理系统(ANFIS)建立其故障诊断模型.利用减法聚类方法确定模型初始结构,并采用由梯度下降算法和最小二乘算法所组成的混合学习算法优化模型参数.经文中试验数据检验,所建模型故障识别值与实际值之间的最大误差为10.16%,最小误差为0.115%,平均误差为2.26%,识别精度达到了97.74%.仿真结果表明,与BP网络模型相比,该模型收敛速度快,拟舍能力强且诊断识别精度高,能够有效识别柴油机放障.     

向量矩阵迭代自组织XML辅助聚类算法

为了提高海量XML文档集的聚类质量,提出了一种基于向量空间模型的矩阵迭代自组织XML辅助聚类算法。该算法以XML键为基础,把XML文档转化为向量矩阵,通过矩阵迭代自组织学习对XML文档实施取消、分裂与合并等优化措施。为了加速算法的收敛性,在算法中引入辅助策略,虽然不一定达到矩阵向量分类间隔最大化的目标,却在尽可能分类的情况下使得运算时间缩短,其XML键权重调整更有利聚类效果。对比其它向量聚类算法,一系列仿真实验表明所提出算法具有一定的有效性及合理性。     

基于动态贝叶斯网的时变样本空间无监督学习

提出了针对概率分布参数时变的样本空间的参数估计问题,由于一般的聚类和EM算法等参数估计方法是针对概率分布时不变的样本空间的问题所采用的。因此,对于概率分布时变的样本空间而言,这些方法均不能有效、准确地估计实时变化的样本参数。通过构建动态贝叶斯网,利用先验和后验的知识进行预测和滤波,结合贝叶斯增量式学习方法并充分利用了其学习所获得的样本空间概率模型变化演进的规律,这样可以较准确、平滑地学习实时概率模型及其分布参数。     

一种基于网格密度与空间划分树的聚类算法

基于密度的聚类是聚类分析中的一种,其主要优点是发现任意形状的聚类和对噪音数据不敏感.文章提出了一种新的基于网格密度和空间划分树的CGDSFF(Clustering based on Grid - Density andSpatial Partition Tree)聚类算法.其创新点在于,将数据空间划分成多个体积相等的单元格,然后基于单元格定义了密度、簇等概念,对单元格建立了一种基于空间划分的空间索引结构(空间划分树)来对数据进行聚类.CGDSPT算法保持了基于密度的聚类算法的上述优点,而且CGDSFF算法具有线性的时间复杂性,因此CGDSPT算法适合对大规模数据的挖掘.理论分析和实验结果也证明了CGDSPT算法的优点.     

基于二维几何特征的微地形快速识别算法

为满足水下超声波准确、实时探测海底微地形的需要,研制出一种摆动式单波束探测系统.该系统在探测实验过程中,因出现高程奇异值而造成数字"伪"地形产生,由此提出一种基于二维几何特征的水平、斜坡和凹凸不平三种微地形模式的快速识别算法.该算法建立在现代统计分析与模糊聚类的理论基础上,具有准确性高、实时性好以及抗干扰能力强等优点;并由物理模拟实验证明,利用该算法能有效消除高程奇异值的影响,识别出来的微地形模式准确可靠,为下一步快速重构逼真的数字微地形提供了保障,能够应用于真实的海底微地形探测.