排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
传统K-means 算法对于聚类初始点的选取和距离度量的计算异常敏感,因而很可能导致K-means 算法只能收敛得到局部最优解。为此,提出一种改进的K-means 算法,即K-means 聚类算法最优匹配算法,并进行了相关的算法实验分析。该改进算法首先对传统的K-means 聚类算法进行初始点的选取,并分析聚类结果。然后,分别从初始聚类中心的选择和距离算法的确定进行实验测试,引入轮廓系数评价聚类效果,分析实验结果可知,K-means 聚类算法最优匹配算法具有较好的稳定性和较高的聚类准确率。 相似文献
2.
为解决云制造过程中云平台经营方与需求方之间的不完全信息以及相互竞争制约的关系导致制造服务难以抉择的问题,提出了一种基于不完全信息博弈模型的云制造群智能优化方法。以各自理性追求自身收益函数最大化为目标,针对需求方与云平台之间的利益竞争关系建立了基于不完全信息的静态博弈模型,并提出了需求方与云平台之间的竞争规则,通过海萨尼转换引入自然,将其转换为完全信息下的动态博弈得到贝叶斯扩展式,并证明了贝叶斯纳什均衡的存在性和唯一性。提出了一种基于高斯函数与扰动策略更新的粒子群算法对上述模型进行求解。仿真结果表明:改进算法相对其他算法有较快的收敛速度与较高的云制造系统总收益,不完全信息博弈模型能够兼顾不同类型的需求方提高云制造系统的总收益。 相似文献
3.
针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer(graph transformer,Graformer)的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络(graph isomorphism network with edges,GINE)和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络(long short-term memory,LSTM)对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。 相似文献
4.
针对复杂机械产品快速设计过程中流程无驱动、数据无载体等问题,提出了基于一致性产品信息模型和全设计流程理论的多平台产品快速设计新方法.基于骨架模型的Top-Down参数化建模原理,详细阐述包括规范计算、分析优化、参数化模型驱动及设计数据存储在内的多平台软件无缝集成技术以及数据模型规划方法.构建了产品快速设计平台软件架构.最后运用该方法构建了塔式起重机快速优化设计平台,完成了某塔机设计实例.实例表明,该塔机的研发周期大幅缩短,轻量化效果明显,验证了本文提出的多平台产品快速设计方法和技术的先进性和实用性. 相似文献
5.
采用砂土模拟围岩,以实验的方法确定不同跨度的隧洞开挖后围岩的分区规律.采用基于Drucker-Prager(D-P)屈服准则的有限元数值模拟和鲁宾涅特一般圆形隧洞的塑性区半径公式,比较实验与2种计算方法下的塑性区大小.结果表明:在选用土质隧道较不利围岩材料(砂土)条件下,塑性区的厚度约为隧洞跨度的一半,松动区的厚度约为跨度的1/5,洞顶松动区占塑性区的比例最大.实验条件下确定的围岩塑性区厚度最大,基于D-P屈服准则条件下有限元模拟所确定的塑性区次之,鲁宾涅特公式所确定的塑性区最小. 相似文献
6.
针对自动驾驶运动规划中预测周围交通参与者(如车辆、自行车、行人)未来轨迹的问题,提出了一个基于Transformer的轨迹预测模型(Trajectory Prediction Transformer,TPT)来帮助自动驾驶车辆预测周围交通参与者的未来运动轨迹。首先,为了有效地考虑交通参与者和交通环境之间的交互信息,将交通参与者建模为交通智能体。并将交通智能体的历史运动轨迹和周围交通环境信息编码为多通道图,作为模型的输入。然后,利用改进的Transformer对交通环境进行建模,并捕捉交通智能体与交通环境之间值得关注的交互信息,预测其未来运动轨迹。最后,在大规模自动驾驶数据集Lyft进行的实验表明,TPT模型能够在不同预测时长下取得优于其他对比模型的预测结果,且用时更短。 相似文献
1