大规模数据集谱聚类并行优化算法

为解决传统谱聚类算法在应用于大规模数据上时,复杂度较高且资源占用较大,导致算法聚类效果不好甚至无法聚类的问题,提出基于并行框架和采样相结合的改进谱聚类算法,算法在自适应相似矩阵计算基础上,通过数据分块和单向节点并行,提高算法相似矩阵的计算效率,通过Nystr(o)m加权抽样逼近,减少拉普拉斯矩阵特征向量的计算复杂度,最后通过KD树结构避免k-mean聚类过程的距离计算,从而提高了聚类效率.仿真实验结果表明,文中算法在取得与传统算法相近的聚类性能的同时,取得更好的加速比,验证了算法对大规模集的良好适应性.     

基于人工萤火虫的模糊聚类算法研究

模糊C-均值(FCM)聚类算法是数据挖掘中常用的方法之一,但往往受到初始聚类中心影响,收敛结果易陷入局部极小值的问题。该文提出了一种基于人工萤火虫(GSO)的模糊聚类算法(GSFM)。该算法引入了全局寻优能力强的人工萤火虫算法来求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效克服了FCM算法的缺点。实验结果表明,新算法与FCM聚类算法相比,提高了算法的寻优能力,并且迭代次数更少,收敛速度更快,聚类效果更好。     

面向智能仓储的Kiva机器人拣货策略优化算法

针对电商仓储中Kiva机器人拣选存在效率低下和订单分配不合理等问题,构建了以Kiva机器人拣货总行驶距离最小为目标的订单分配优化模型,设计基于差异聚类和邻域搜索的优化算法来求解模型。以电商实际订单数据为例,分析了不同规模算例下该算法的性能和稳定性。结果表明：针对不同规模算例,基于差异聚类和邻域搜索的优化算法相比与Gurobi和基于差异聚类的算法能够在更短的时间内获得更优的结果,并且算法的稳定性较好。通过本项研究,决策者们可以将订单合理分配至各拣货单,从而提高仓库拣货效率。     

自适应NWFE-KFCM算法在旋转机械故障辨识中的应用

为提高故障辨识准确率,提出一种专用于故障数据集自适应确定聚类类别数目的非参数加权特征提取(NWFE)和模糊核C-均值(KFCM)相结合的算法。以一个双跨度转子实验台作为实验研究对象,在将核函数与模糊C-均值方法相结合的基础上,采用NWFE算法中加权聚类中心的计算实现了为每个样本分配不同的权值,并引入聚类评价指标PBMF自适应地确定出最佳聚类数目。用Iris经典数据集对算法进行验证表明,所提算法能够克服传统算法中存在的同等对待不同样本特征和完全靠先验知识确定聚类数目的弊端。将该算法应用到转子实验台模拟故障的特征数据集中,进一步表明了其在转子故障数据集聚类分析中的有效性和实用性。     

基于历史数据聚类的火电机组工况划分

针对调峰背景下火电机组非稳态工况增多,以及常见运行工况偏离设计工况等问题,提出了基于历史运行数据聚类的工况划分模型。首先,考虑到运行数据中非稳态工况与稳态工况并存的情况,以功率作为特征变量,提出基于功率差值期望区间估计的稳态判别算法,筛选出历史数据中的非稳态工况;其次,由于稳态工况下外部边界条件变量的分布差异性,提出改进的多步K-均值聚类算法进行稳态工况的划分,并利用silhouette评价准则确定每步条件下的最佳聚类数;最后,采用某实际发电用重型燃气轮机的历史运行数据进行模型验证。通过与传统K-均值聚类算法比较,所提出的模型能够有效解决工况分类数目较少以及样本分布不均的问题。     

正交频分多址接入系统子载波和功率联合分配算法

提出了一种基于队列和信道状态的准最优的跨层子载波和功率联合分配算法,其优化目标是在保证时延敏感用户服务质量(quality of service,QoS)的条件下,最大化所有时延不敏感用户平均速率的对数效用函数值之和。根据时延敏感用户的队列和信道状态进行子载波和功率联合分配,以满足其QoS要求;然后根据比例公平准则将剩余系统资源分配给时延不敏感用户。为了满足时延敏感用户不同的平均时延要求,引入了时延控制因子。仿真结果表明,该算法不仅可以保证所有时延敏感用户的QoS(平均时延和比特溢出率),还可以在保证时延不敏感用户间平均速率的公平性同时,使时延不敏感用户的吞吐量最大;通过调整时延控制因子可以在用户QoS和系统吞吐量间取得不同的折中,从而满足不同的系统设计要求。     

基于最佳中继选择的认知网络功率分配

在认知无线电场景下,提出一种基于最佳中继选择的认知中继解码转发(decode-and-forward,DF)传输方案,且认知节点(包括源和中继节点)均采用正交频分复用(orthogonal frequency division multiplex,OFDM)调制方式,并在此基础上提出了一种针对认知源节点和中继节点的联合优化功率分配算法,以使认知用户的信息传输速率达到最大,且同时满足主用户的干扰门限(interference threshold)认知节点的最大和发射功率2个约束条件。理论分析和仿真结果表明:提出的基于最佳中继选择的优化功率分配方案可获得比其他方案更为优越的系统性能。     

基于和速率最大化的以用户为中心可见光通信最优预编码设计

本文针对可见光通信系统中以用户为中心协作联合传输的预编码技术进行了深入研究。首先,利用信息论工具,在以用户为中心的协作策略中推导出和速率表达式。然后,考虑发光二极管的光功率限制以及光信号非负性等约束条件,得到最大和速率优化问题,在此基础上,将最大和速率最优波束形成设计问题转化为凸优化问题,并利用CVX标准优化包对其进行有效求解。最后,将所提出的以用户为中心的传输方法与传统的以网络为中心的传输方法及非协作传输方式进行比较。仿真结果显示,采用迫零预编码(Zero Forcing,ZF)技术在系统总和速率方面有较大提高,约提高2 nats/s/Hz。以用户为中心的协作方式相比较于非协作、以小区为中心传统协作方式,系统性能更优。     

密度蚂蚁思想的K-Means算法的研究

遗传算法具有快速良好的全局搜索能力,而蚁群聚类算法具有良好的分布式并行性和正反馈能力.K-Means、基于密度的聚类是常见的基于分割的聚类方法,它在处理空间数据时具有快速、有效处理噪声点和发现任意形状的聚类等优点.聚类算法概述聚类分析是数据挖掘领域中的一项重要的研究课题,本文主要研究是将遗传算法,蚂蚁算法、K-Means算法、密度思想结合在一起,提出了一种基于密度蚂蚁思想的K-Means算法,采用密度函数法的多中心聚类并结合小类合并运算的聚类结果明显优于K-means的聚类结果,提高了聚类的质量.再结合密度思想,使蚂蚁有选择地遍历,提高了算法效率,并克服了基于密度的算法不能发现任意形状聚类的问题.     

基于谱聚类和隐语义模型的智能协同推荐方法

随着云计算及移动互联网技术的迅速发展,网络中可选服务信息呈爆炸性增长,信息过载问题日益严重.针对推荐系统中存在的数据稀疏性问题及冷启动问题,提出一种基于谱聚类和隐语义模型的智能协同推荐方法.该方法基于提取的用户标签特征信息,利用谱聚类算法对相似用户进行聚类,将原始高维评分矩阵转化为多个较低维的子评分矩阵.然后在子评分矩阵中利用隐语义模型对缺失评分进行局部预测.最后在获得缺失评分后利用改进的基于邻域的协同推荐算法对目标用户进行全局评分预测.所提算法有效解决了数据稀疏性问题和冷启动问题,在提高预测准确度的同时加快了推荐算法效率.     

面向B2C电商订单的自动小车存取系统动态储位优化

为提高B2C电商订单拣选速度,分析单一订单和多个订单的情况下,品项在自动小车存取系统(AVS/RS)中的货位变化对系统出库作业时间的影响;提出基于节约时间的多层次启发式聚类算法,利用订单品项间的相似系数进行聚类;从商品价格折扣和被定频次两个角度提出品项物流价值模型,并以此为货位优化的依据;构建了仿真模型,对聚类方法及储位优化策略的有效性进行验证。结果表明,基于节约时间法的多层次启发式聚类算法效果较好,和传统的全周转率货位分配策略相比,考虑商品价格折扣的品项物流价值的动态储位优化策略可以明显提高订单出库效率。     

动态多目标优化的运动物体图像分割

对小区背景下运动物体图像进行分割时多使用单目标或多目标优化方法,这类方法不能有效适应目标的动态变化,因此本文提出一种动态多目标图像分割优化方法。该方法将时间及环境动态因素作为动态因子,利用K均值(KMeans)算法和和模糊C均值(FCM)聚类算法构造多目标函数;结合动态多目标粒子群算法(DMPSO),使用背景差分法定义环境变化规则,实现动态多目标的图像分割。根据DMPSO算法优化后的聚类结果,分别与K-Means和FCM聚类方法得到的结果进行了对比。结果表明,动态多目标优化的Pareto最优解集分布均匀,图像分割准确率可达到95%,对图像识别的准确率可达到90%,具有较高的识别能力,能满足确定背景下运动物体的准确识别。     

一种K-均值脸谱图聚类新算法

Chernoff脸谱图简单,类似卡通画,能图形化地表示多元数据。但脸谱图聚类算法具有主观性的巨大的对比工作量,脸谱特征分配困难。因此,本文提出一种新的脸谱图聚类算法,它合并了K均值聚类或模糊G均值聚类算法。IRIS和蔬菜油数据集的实验结果表明新算法优于传统的聚类算法。     

用于转子故障诊断的改进小波聚类算法

为了快速准确地实现转子故障的模式识别与分类,提出了改进小波聚类方法。首先,从转子振动信号中提取峭度指标、功率谱重心和小波能谱熵三个特征向量;其次,量化特征空间,提取显著网格单元信息;然后,对显著网格单元内数据信息进行小波变换实现去噪处理;最后,应用广度优先搜索方法实现聚类。在改进小波聚类过程中,信息储存表的建立降低了空间复杂度,并使得原始数据与聚类结果建立了映射关系。应用广度优先原则搜索相邻的显著网格单元实现聚类,降低了聚类算法的复杂度。实验验证与比较说明,改进小波聚类算法能够扩展应用到高维数据空间,并且降低了高维数据空间的算法复杂度,提高了转子故障诊断的效率和正确率。     

全自动芯片键合机中多目标图像识别算法

在全自动芯片键合机图像识别系统的开发中,芯片数目自动确定是一个亟待解决的问题。提出了一种新的基于聚类遗传算法的多目标图像识别算法。将聚类思想引入遗传算法的搜索机制中,结合模板语义以及遗传算法进化过程中形成的适应度图景构造聚类规则,将遗传群体有效的划分为不同的小生境。实际应用表明,算法有效地解决了自动确定目标图像数目的问题,一次可以准确识别场景图像中的多幅目标图像,减少了单幅图像的识别时间,提高了系统效率,实现了多目标图像识别的自动化。     

下行链路MIMO-OFDM系统中的动态资源分配

研究了多用户MIMO-OFDM系统中的下行链路子载波和功率分配问题.为了在保证用户公平性和服务质量(QoS)要求的同时,实现基站发射功率最小化的目标,提出了一种新的子载波分配准则,并且根据该准则,提出了一种新的动态资源分配方案,能够充分利用多用户分集.所提出算法中采用了自适应子载波分配,自适应调制和特征波束赋形等技术.仿真结果表明,提出算法能够显著提高系统性能,从而降低所需发射功率.     

基于最邻近法的注塑产品设计事例检索策略

针对注塑产品特点,提出了基于粗糙集和模拟退火算法的事例最邻近检索策略。基于粗糙集对事例属性进行约简,获得了事例属性的重要度排序,以此建立了事例库的层次聚类模型和分配特征属性权重值。根据约简后的结果,将事例库组织成层次结构,可有效缩小事例搜索空间,提高检索效率。基于模拟退火算法对特征属性的权重值进行优化,通过在相似度检索模型中加入权值分配的指导信息,防止检索出的相似度系数最大的事例并非最佳事例,提高了检索的质量。应用实例表明,该方法能够有效提高基于事例的推理系统整体的检索效率与质量。     

面向用户需求的制造资源服务模糊聚类研究

通过分析用户需求偏好和资源灰色关联度,建立资源模糊相似矩阵并构建资源模糊聚类树。以复合值模糊聚类树为基础,以资源类内聚合度、资源类间分离度和用户需求满意度为目标,构建资源聚类优化数学模型,然后运用遗传算法进行优化。算法采用了交叉概率和变异概率自适应的重构策略和保优操作,避免了算法的早熟,增强了算法的寻优能力和搜索效率。通过实例仿真验证了算法的有效性。     

分块自适应加权改进大规模模糊聚类

为解决传统模糊C均值聚类(Fuzzy C-means,FCM)算法在处理大规模数据集时遇到的时间复杂和内存不足等瓶颈,提出基于大数据集抽样分块的多视角自适应模糊聚类算法,算法通过邻域正则约束提高传统FCM算法的抗噪性,通过低秩与熵加权约束提高多视角一致性,以提高算法对多样化数据聚类的适应性,最后通过Canopy算法初始聚类中心提取、数据抽样分块和自适应加权优化算法对大规模数据聚类的适应性.实验结果表明,算法在继承传统多视角FCM算法良好聚类性能基础上,减少了计算复杂度,提高了聚类准确率,适于大规模数据集聚类.     

基于高维空间聚类的集中供热末端数据异常检测

因集中供热建筑结构、住户行为习惯等差异,末端住户供暖数据具有特征差异大、非线性强、数据量大、响应时间长等特征,在原数据空间中利用聚类分析进行异常检测造成类间数据交叉,精确性无法保证。本文提出高维高斯混合聚类算法,将数据集映射到高维空间进行聚类,利用核函数映射、内积运算与高维特征空间分解等计算方法,提高精确度,规避维数灾难。搭建工业大数据分析平台,对比K-Means、高斯混合、恒虚警率、高维高斯混合算法聚类结果与异常检测精确度,本文所提算法将准确性提高到90.72%,误报率降低到5.92%,结合该算法完成4类异常用热数据集的解释与辨识。高维高斯混合聚类可以有效分析用户用热特征、检测异常数据,辅助降低采暖能耗,实现建筑节能。