基于滑动窗口KECA-SVM的非线性过程故障检测

为了有效地提高支持向量机(SVM)在工业过程中的故障检测性能,提出一种基于滑动窗口的核熵成分分析(KECA)和支持向量机(SVM)结合(MWKECA-SVM)的非线性过程故障检测方法.运用核熵成分分析(KECA)提取包含非线性特征信息的得分向量作为SVM的输入.运用正常和故障数据的非线性特征向量训练SVM模型获得判别分...     

基于MPI的并行K-Means算法研究

聚类分析中处理数据量的急剧增加,面对大规模数据,传统K-Means聚类算法面临着巨大挑战.K-means聚类算法在面对海量数据时,时间和空间的复杂性已成为K—means聚类算法的瓶颈;在传统的K均值算法的基础上,详细介绍了基于大规模集群环境下的并行K-means聚类算法,给出了计算速度和效率的方法,并通过实验证明了该算法的正确性以及对传统算法在速度的上优势;研究结果可以为以后设计更好的大规模数据快速并行聚类划分算法提供研究依据.     

基于核聚类的K-均值聚类（英文稿）

为处理线性不可分、结构复杂的数据集,提出基于核聚类的K 均值聚类(Kernel Clustering based K means Clustering,KCKC).该方法先在原始空间中对模式进行聚类,再由径向基函数(Radial Basis Function, RBF)核把它们映射到核空间,从而保持大部分模式之间的关系.把提出的方法应用到基于RBF的神经网络(RBF based Neural Network,RBFNN)、基于RBF的支持向量机(RBF based Support Vector Machine, RBFSVM)和核最近邻分类器(Kernel Nearest Neighbor Classifier,KNNC)中,结果表明本文提出的算法可以生成更有效的核,节省在核空间中的核生成时间,避免核数目设置的敏感性,并提高分类性能.     

基于动态K均值聚类算法的SAR图像分割

针对SAR图像的分割问题,对K均值聚类算法进行研究.分析动态K均值聚类算法,用聚类样本数的正比函数对该聚类适应度函数进行平均,改进适应度函数的计算.毫米波SAR图像分割实验结果表明,对于城区建筑及路、桥场景的分割,改进后的动态K均值聚类算法和自适应动态K均值聚类算法的分割质量与改进前相同,但是分割时间有一定的减少,改进适应度函数后分割效率得到了提高.     

基于稀疏求解的改进PCA方法在SAR目标识别中的应用

针对实际军事情况下车辆目标为非合作目标,提出改进的主成分分析方法（IPCA）。它首先利用稀疏求解方法得到与测试样本最相关的部分训练样本以及它们对测试样本的表示系数。然后结合主成分分析（PCA）得到最优投影矩阵,使投影后不同测试样本能更好地利用训练样本信息进行分类。利用美国运动和静止目标获取与识别数据库中3类目标进行识别实验,结果表明基于改进的PCA方法比传统的PCA方法能够得到更高的识别率,并对稀疏方位角训练样本有更好的鲁棒性。     

EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断

针对船用往复式二级空压机振动信号非线性、非平稳性问题,利用振动信号辨识故障,综合集成经验模态分解（ensemble empirical mode decomposition, EEMD）和支持向量机（support vector machine, SVM）的信号处理优势,提出一种将EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断方法。模拟正常状态和4种故障状态进行故障诊断实验。采集的振动信号用小波降噪法进行处理。为模拟船用空压机实际工作环境,在EEMD处理过程中加入加性高斯白噪声（信噪比7.5 dB）。以相关性为评价指标选取各状态下本征模态函数（intrinsic mode function, IMF）,并以每个IMF的能量熵和奇异值熵作为特征值,采用SVM分类器识别故障。实验表明：与基于经验模态分解（empirical mode decomposition, EMD）和SVM等故障诊断方法相比,该方法能更有效地识别故障。该方法在实船应用中获得较好的诊断效果,可为现代船舶智能故障诊断研究提供参考。     

基于多源数据的北极东北航道冰情示警方法

为减少船舶在北极东北航道航行时发生事故的概率,基于德国不莱梅大学发布的海冰密集度数据和美国国家冰雪数据中心发布的海冰厚度、海冰类型数据建立海冰风险预警模型,对不同空间分辨率海冰数据进行空间投影转换,将北极海域划分为网格并与海冰特征进行对应。将船舶与海冰的位置关系作为聚类特征向量,使用高斯混合模型(Gaussian mixture model, GMM)对网格进行聚类,引入高斯分布重叠率作为评价网格可分性的指标。根据类间可分性较大、类内相似性较高的原则,将海冰网格分成3类,并与其他聚类方法进行对比。实验结果表明,GMM可以很好地根据网格特征差异划分出高风险海冰网格,相比邻域网格聚类方法,其类间可分性更好,精度和稳定性也更好。     

基于核聚类的K-均值聚类（英文）

为处理线性不可分、结构复杂的数据集,提出基于核聚类的K-均值聚类(Kernel Clustering-based K-means Clustering,KCKC).该方法先在原始空间中对模式进行聚类,再由径向基函数(Radial Basis Function,RBF)核把它们映射到核空间,从而保持大部分模式之间的关系.把提出的方法应用到基于RBF的神经网络(RBF-based Neural Network,RBFNN)、基于RBF的支持向量机(RBF-based Support Vector Machine,RBFSVM)和核最近邻分类器(Kernel Nearest Neighbor Classifier,KNNC)中,结果表明本文提出的算法可以生成更有效的核,节省在核空间中的核生成时间,避免核数目设置的敏感性,并提高分类性能.     

基于主成分分析的图像自适应阈值去噪算法

图像进行传输过程中,图像噪声成为影响图像质量的重要因素,因此,对图像去噪是各类图像处理领域广泛研究的内容。对图像实施去噪要点要保留图像的重要信息,并获得良好的去噪效果。借助匹配法找出相似块作为训练样本,通过主成分分析提取信号的重要特征,根据最小均方误差方法建立线性自适应阈值方程,对图像展开自适应阈值去噪处理。本次研究表明,这种方法能有效去除图像的高斯白噪声,保存图像的细节信息,从而获得最佳的视图。     

基于K-modes聚类分组的大数据相似重复记录检测研究

相似重复记录检测是数据清洗的重要环节,大数据环境下对相似重复记录检测方法的效率和精度提出了更高的要求。文章针对大数据环境下对相似重复记录检测提出了一种聚类分组检测的KCG算法。该方法首先采用改进的K-modes聚类对大数据进行有效的分组,然后在各分组中采用Pair-wise比较算法检测出所有相似重复记录检测。实验分析结果表明,该方法对大数据环境下的相似重复记录检测的效率和精度有明显提高。     

基于复熵理论的群组决策风险控制方法研究

通过扩展决策信息的定义域,利用复熵概念,对特尔斐咨询法中每轮的群组决策结果进行传递熵的后验分析,获得了最优信息矩阵,在最优信息对应的轮次上集中意见,使群组决策的一致性分析更加科学可靠．也为群组决策的优化分析与风险决策研究提供了一种新的方法．     

船舶机械故障诊断专家系统

对船舶机械特别是其主柴油机的故障诊断技术,本文提出了一种新的研究探索方向,即“自学习专家模糊诊断系统”。本文探讨了应用最大化最小策略即用最小数据取得最大信息的想法,并提出了应用模糊数学中的综合评判方法来进行故障诊断的数学模型,同时应用贴近度分析方法及择近原则对故障预测进行分析。笔者还提出了应用人工智能中的专家系统来研究故障诊断。这些设想原则上都是基于用常规仪表测得的数据和轮机员们的知识和经验上的。     

基于改进区位熵法的佛山物流产业集聚度多角度分析

文章在对产业集聚度的五种测量方法进行述评的基础上,提出了改进区位熵测算方法,同时结合传统区位熵计算指标,从"整体水平"和"区域视角"对佛山市物流产业集聚度进行多角度测评,得出了在珠三角九市中,佛山市物流产业集聚整体水平较高,区域水平中等的结论,由此,提出了以政府规划引导物流园区发展,打造特色物流集群等产业集聚措施。     

基于改进K中心点聚类的船舶典型轨迹自适应挖掘算法

针对目前船舶典型轨迹的挖掘多以轨迹段作为基本单元,导致聚类对象较为复杂且聚类参数难以确定的问题,本文提出一种基于改进K中心点聚类的船舶典型轨迹自适应挖掘算法。算法以轨迹点作为聚类对象,分析船舶的航速、航向特征并对轨迹点进行压缩;将分段均方根误差引入K中心点聚类算法,实现聚类参数的自适应选择;提取其中的聚类中心点作为轨迹特征点,得到不同类别船舶的典型轨迹。以天津港主航道船舶自动识别系统（automatic identification system, AIS）数据为例,基于地理信息系统平台ArcGIS实现聚类结果的可视化展示。实验结果表明,运用该算法得到的船舶典型轨迹与实际相符,自适应程度较高。研究结果对于辅助船舶轨迹异常检测及挖掘海上交通特征具有重要意义。     

2021年世界交通运输大会水运学部会议 基于改进K中心点聚类的船舶典型轨迹自适应挖掘算法

针对目前船舶典型轨迹的挖掘多以轨迹段作为基本单元,导致聚类对象较为复杂且聚类参数难以确定的问题,本文提出一种基于改进K中心点聚类的船舶典型轨迹自适应挖掘算法。算法以轨迹点作为聚类对象,分析船舶的航速、航向特征并对轨迹点进行压缩;将分段均方根误差引入K中心点聚类算法,实现聚类参数的自适应选择;提取其中的聚类中心点作为轨迹特征点,得到不同类别船舶的典型轨迹。以天津港主航道船舶自动识别系统(automatic identification system, AIS)数据为例,基于地理信息系统平台ArcGIS实现聚类结果的可视化展示。实验结果表明,运用该算法得到的船舶典型轨迹与实际相符,自适应程度较高。研究结果对于辅助船舶轨迹异常检测及挖掘海上交通特征具有重要意义。     

高斯混合模型算法提取复杂网络社团

基于复杂网络中的社团划分问题,提出了一种基于主成分分析的高斯混合模型社团提取算法.利用主成分分析对网络的邻接矩阵进行降维处理,假设一个网络中的社团由不同高斯模型生成,用期望最大化算法对模型的参数进行了求解.结果表明,当主成分的贡献率达90%以上时,网络的划分和实际网络非常吻合,所用时间也较短,表明该算法与以往方法相比具有明显优越性.     

多云协同构架云数据分区并行挖掘算法研究

传统数据并行挖掘算法忽略了对数据特征的聚类,数据边界特征点无法得以融合,导致数据挖掘收敛性较差、精度偏低。文章提出基于并行挖掘的多云协同构架云数据分区挖掘算法,建立多云协同构架云数据的特征数据聚类模型,采用边界特征点融合和阈值分割方法,实现多云协同构架云数据的信息融合和聚类处理。     

基于改进K近邻算法的船舶通航环境智能识别

为实现船舶能效的智能优化,从船舶通航环境出发,研究船舶通航环境的智能识别方法。基于所获得的船舶通航环境大数据,建立基于改进K均值聚类算法的船舶通航环境类别知识库,设计相关系数加权的K近邻算法,实现船舶通航环境的智能识别。实例分析结果表明,此基于改进K近邻算法的智能识别方法的识别准确率可达97.25%,相对于未改进的K近邻算法,准确率提高7.81%。所提出的智能识别方法可为基于通航环境智能识别的船舶分段航速智能优化方法的研究奠定基础。     

可见光视频图像中的船舶目标自适应检测

为降低海事监控视频图像背景中运动物体引起的杂波和噪声对船舶目标检测的影响,根据采集的可见光视频图像特性,提出一种海天背景下船舶目标自适应检测算法。将待检测图像进行预处理,使用自适应中值滤波和均值漂移(mean-shift)滤波对图像进行滤波去噪。采用密度峰聚类对传统K均值聚类算法进行改进,自适应确定初始聚类中心及其数量。对海面船舶进行自适应聚类分割。仿真实验显示:该算法的检测准确率为90.3%,验证了其准确性和可靠性;单帧视频图像的船舶目标检测用时可控制在100 ms以内,满足实时检测的要求。结果表明:该算法可以实现海天背景下船舶目标的准确、快速检测,为海上船舶目标跟踪奠定了可靠的基础。     

主成分分析法在大学生综合素质评价中的应用研究

根据高职院校人才培养特点,构建了具有高职特色的综合素质评价体系,提出了基于主成分分析法的综合素质评价方法。根据各主成分和综合因子得分,对学生的综合素质与动手协调能力进行了量化评价;利用第一、第二主成分的得分聚类图,对综合素质进行定性评判。结果表明,主成分分析法为综合素质评价提供了一种科学、有效的评价方法。