基于种群划分与变异策略的粒子群优化算法

粒子群算法因其形式比较简洁，参数设置灵活，操作简便易行，并且能够快速收敛，从而引起广泛关注。但是传统的粒子群算法也有缺陷：收敛速度慢以及容易陷入局部最优等。针对这些问题，本文借鉴小生境的方法，在进化初始阶段，对种群进行划分，将初始种群分为子种群，对不同的子种群进行不同的变异策略；在进化过程中，针对不同的子种群，设置不同的惯性权重因子ω，用来增强全局搜索能力与局部搜索能力。实验结果表明，本文提出的算法较传统的粒子群算法具有较快的收敛性以及找寻的全局最优解更接近真实解集，收敛精度比较高。     

基于LBP纹理特征和Canny算子的视频分割方法研究

针对目标区域和背景区域交界处颜色相似度较高的图像分割问题,提出基于LBP(Local Binary Patterns)纹理特征和Canny算子的视频分割算法。构造能量函数的数据项颜色模型和光滑项对比度模型;根据当前block直方图与LBP背景模型直方图的相似度调整全局颜色模型和局部颜色模型的比例来改进颜色分量;通过Canny边缘检测方法对改进后颜色模型生成的图像进行检测,将得到的边缘检测结果应用到对比度分量模型中来增加前景和背景对比度;使用Graph Cut算法对能量函数进行求解,得到最终分割结果。实验结果表明,当背景光照发生变化且前景和背景交界处颜色相似时,该算法具有明显优势。     

如何运用数据挖掘算法进行投诉预测分析

文章主要描述如何运用数据挖掘算法,通过对未预知的价值场景(如重复投诉、质差小区投诉、隐性故障等)的关联关系的分析,提前发现有投诉倾向的用户,对潜在投诉用户主动关怀,预防用户进行投诉行为,降低万用户投诉比,提升用户满意度。     

基于INTLBO-SVR的低压断路器热脱扣时间预测

热脱扣时间是低压断路器的关键指标,利用断路器生产过程中可检测数据可以实现热脱扣时间的预测。针对支持向量回归(SVR)进行热脱扣时间预测,参数的选择对预测的精度和泛化性能影响较大问题,提出一种基于隔离小生境教学算法(Isolated Niche Teaching-Learning-Based Optimization Algorithm,INTLBO)优化支持向量回归的热脱扣时间预测方法。该方法针对教学算法易陷入局部最优的缺点,采用隔离机制的小生境技术对其进行改进,然后利用INTLBO寻优找到最优的SVR参数。根据低压断路器生产历史数据,建立基于INTLBO-SVR的热脱扣时间预测模型。仿真结果表明,与TLBOSVR和常规SVR等方法相比,INTLBO-SVR模型具有较好的预测性能。     

图书情报数据挖掘处理平台设计

针对传统平台一直存在对图书情报数据挖掘处理效果差、运行耗时长的问题,提出并设计了基于K-means算法的图书情报数据挖掘处理平台。该处理平台主要分为3部分进行设计:对硬件的数据挖掘模块、数据存储模块、数据分析模块进行设计,并在数据挖掘模块中引入K-means算法提高数据挖掘模块性能;给出软件设计流程及部分源代码;对设计平台的运行耗时进行验证。实验结果表明,采用改进设计平台可有效缩短运行耗时,且数据挖掘结果精度更高,具有一定的优势。