一种适用于不均衡数据集分类的KNN算法

传统的K-最邻近(K Nearest Neighbor,KNN)分类算法在处理不均衡样本数据时,其分类器预测倾向于多数类,少数类分类误差大。针对此问题从数据层的角度改进了传统的KNN算法。先通过K-means聚类算法将少数类样本聚类分组,将每个聚类内的样本作为遗传算法的初始种群;再使用遗传交叉和变异操作获取新样本,并进行有效性验证。最终获取到各类别样本数量基本均衡的训练样本集合。实验结果表明此方法有效改善了KNN算法对少数类分类效果。此法同时适用于其他关注少数类分类精度的不均衡数据集分类问题。     

WSN中低功耗路由协议LEACH的一种改进方法

在无线传感器网络中,针对节点有限的能量资源,路由的设计必须以节能为重要目标。这对整个网络的生存时间至关重要。对LEACH协议进行了深入的分析。针对LEACH协议在簇头选择算法上过大的随机性以及分簇次数过多的问题进行了优化。在簇头选择过程中加入能量影响因素,使剩余能量大的节点更有机会当选为簇头。另外在稳定运行过程中也加入了能量阈值防止下一轮分簇的过早发生。仿真结果表明,改进后的算法相比原LEACH算法能有效地平衡网络整体的能量消耗,延长网络的生存时间。     

基于反洗钱应用的一种有效的增量聚类算法

为了更及时、清晰地发现洗钱的踪迹,减少反洗钱的工作量,基于增量层次算法聚类以及划分算法聚类的思想,将中心点的思想应用到BIRCH算法中聚类特征(CF)的计算,用核心树代替CF树,可以更加适用于类似金融数据这样数据类型复杂,含有“噪音”的大型数据集合．     

基于核方法的分类型属性数据集模糊聚类算法

针对分类型属性数据的聚类问题．将核方法的思想推广到快速、高效率的模糊c-均值算法,构造了基于核函数的模糊核c-均值聚类算法．该算法通过使用经验核矩阵充分利用了数据间的“相异性”信息,并且避免了模糊k-modes算法中每次迭代均要直接计算类中心的缺点,提高了聚类的精确度和稳定性．同时该算法对模式(类中心)的初始值选择不敏感．时实际的线性可分的和线性不可分的分类型属性数据集的仿真实验证明了该算法的有效性．     

基于K中心点的文档聚类算法

K中心点算法是一个常用的聚类算法,它的主要缺陷是容易陷入局部极值,计算代价太高.本文先构造一个运用余弦相似度的K中心点文档聚类算法,然后提出一个改进算法,该算法不增加计算的复杂性,显著改进文档的聚类结果.最后,将该改进算法作为局部搜索过程嵌入到迭代局部搜索结构中,构造一个基于K中心点的迭代局部搜索文档聚类算法,进一步改进了文档聚类结果.试验结果表明该算法显著改进了文档聚类结果.     

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.     

移动Ad hoc网络中的分簇算法

分簇算法即根据系统要求将节点组成可管理的集合,继而形成满足系统要求的合理的网络结构,它直接影响Ad hoc网络的各种性能指标。首先阐述了Ad hoc网络的体系结构和存在的问题,然后介绍了与分簇算法相关的一些定义和分簇算法的目标。拉着Ad hoc网络中的分簇算法进行了详尽的分类和比较分析。     

一种基于动态更新神经网络的无监督雷达退化故障预测方法

为了克服传统雷达故障检测方法对专家经验依赖性强、耗费大量人力物力、容易造成过度检修、无法对退化故障进行提前告警等缺点,提出了一种基于动态更新神经网络的无监督雷达退化故障预测方法。首先通过微波测量设备采集峰值功率和工作频率历史数据,其次利用动态更新神经网络对历史数据进行动态更新并预测后续数据,最后采用孤立森林方法对预测数据进行无监督故障检测,以此实现雷达退化故障预测并提前告警。结果表明,本文提出的方法可至少提前10个时间步(100 min)预测退化故障并实时告警,能够在小样本、无故障样本、无特征提取、无人工阈值的情况下实现雷达退化故障预测。     

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解（VMD）搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。本文提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与LSTM的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization,NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明：该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。     

阵列多孔式辅助喷嘴和异型筘组合流场特性

为了改善喷气织机单圆孔辅助喷嘴的引纬速度、能耗和织物质量,阵列椭圆孔得到两种不同出口形状的辅助喷嘴.通过数值模拟结合实验方法研究了阵列式辅助喷嘴和主喷嘴射流汇入异形筘内组合流场特性.分析了异形孔辅喷结构参数和阵列方式对组合流场的速度、集束性和湍涡分布的影响.结果表明:阵列式多孔辅喷射流汇入异形筘组合流场核心速度区域更长...