基于全局的即时垃圾邮件过滤模型的研究

基于贝叶斯模型,提出了一种更为灵活的、有效的、基于全局的即时分类模型的垃圾邮件分类模型,pValue优先邮件过滤模型。该分类模型着眼于全局的实例,在所有邮件中选取最需要得到评估的实例进行计算,反复进行该过程并在需要的时候中断进程,最终得到实例的全局最优化。我们使用UCI提供的邮件样本进行验证。实验结果验证了该分类模型比FCFS即时分类模型的性能更优。在即时分类的早期较好的改善分类效果降低分类的0-1损失错误率和RMSE错误率,并伴随着计算资源的增加得到更好的分类准确率。     

基于粗糙集理论和朴素贝叶斯分类算法的汽轮发电机振动故障诊断

汽轮发电机组结构及振动的复杂性使其故障具有多层次性和随机性,以及故障信息不完整性等特点。对此,提出了一种基于粗糙集理论与朴素贝叶斯分类算法的汽轮发电机组振动故障诊断方法。通过粗糙集理论求取最小属性约简集,并在此基础上利用朴素贝叶斯分类算法诊断出故障概率最大的区,最后针对具体的故障设定值对该方法进行验证。实际算例结果表明,该方法能在故障信息不完整甚至丢失核心属性的情况下得到较好的诊断结果,提高了系统诊断的容错性。     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

基于PSO-KNN的变电站设备三维点云识别方法研究

针对传统的三维重建方法因数据缺失而造成的精度差、效率低等问题,在三维激光扫描点云的基础上,提出了一种将粒子群优化算法和k-近邻分类算法相结合的变电站设备三维点云识别方法。通过粒子群优化算法对各子空间特征的系数权重进行优化,k-近邻分类算法完成分类。通过实验分析点云子空间的大小和丢失率对识别效果的影响,并与改进的迭代最近点算法进行比较,验证该方法的优越性和准确性。实验结果表明,该方法具有较好的识别准确率和效率,识别准确率达到95%以上,平均识别时间为0.19 s,具有一定的应用价值。     

具有显著提高准确率和鲁棒性的基于极限学习机的流量分类

流量分类是网络管理员进行网络流量监控从而实现有效管理的重要手段。因此,准确地对流量进行分类具有重要意义。流量分类的两个重要评判标准是分类器的准确率和效率。本文提出了一种准确率高、鲁棒性强的流量分类方案,该方案第一次将最近几年提出的一种新的机器学习算法 极限学习机引入网络流量分类领域进行研究并进行针对性优化。同时也提出了一种自动生成流量分类器训练集的方案,使该系统对新的网络应用具有更强的自适应性和扩展性。本文使用VoIP和WWW流量作为流量分类的两个类别。实验结果表明该方案相比其他文献提出的C4.5,RandomForest,NaiveBayes和KNN具有更高的准确率、稳定性和鲁棒性。其中当测试数据集在训练数据集后当天收集时,本文分类器具有93%的高准确率,其他算法具有类似的准确率;当测试数据集在训练数据集后1月和2月收集时,本文分类器仍保持85%的高准确率,而其它算法的准确率只有大概60%左右,具有较大偏差无法应用到实际的流量分类系统中。实验结果表明,提出的流量分类方案具有准确率高,鲁棒性和扩展性强,可应用到流量分类实践中。     

基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

基于减法聚类的FCM算法在电力负荷分类中的应用

针对目前在电力负荷分类中应用较多的模糊C均值聚类算法(FCM)的不足之处,提出了一种基于减法聚类改进的算法(SUB-FCM)。该算法运用减法聚类来初始化聚类中心矩阵,解决了FCM算法随机初始化的问题,且提高了算法的全局搜索能力,避免陷入局部最优解。由实验算例分析发现,该算法还能加快收敛速度,且收敛效果也较好,能有效应用于电力负荷分类。     

基于改进随机森林的电力用户欠费风险分析预警

针对当前电网企业电费回收风险,提出了一种基于改进随机森林的电力用户欠费风险分析预警方法。首先,针对欠费用户、正常缴费用户的类别分布不均衡问题,采用SMOTE算法优化原始用户样本分布;接着,选择信息值计算各属性与目标类别属性的相关性,进而优化节点属性的选择;然后,针对影响随机森林分类准确率和性能的主要参数：树的规模nTree、叶子节点的最小样本数minLeaf和属性子集的数量K,采用加温模拟退火算法搜寻最优参数组合;最后,采用改进的随机森林算法对用户未来是否欠费进行分析预测,得到潜在欠费高风险用户。将该方法与逻辑回归、决策树等常用分类算法进行了对比分析,结果验证了该方法的有效性。#$NL关键词：电力用户;欠费风险预测;随机森林算法;SMOTE;信息值;参数组合;加温模拟退火算法     

基于改进的SVM的电能质量复合扰动分类

本文利用支持向量机对电能质量复合扰动进行分类,解决其多重分类问题,为了提高其整体分类的准确率,对支持向量机中的核函数进行了改进。考虑到特征向量在核函数中心位置的聚集程度会影响支持向量的数目,本文在核函数中引进一个径向宽度因子和一个幅值调节因子,从而解决传统核函数存在的问题,减少支持向量数目,降低计算复杂度。将改进后的算法应用到电能质量复合扰动分类中,验证所提方法对于电能质量复合扰动分类不仅具有可行性,并且有较高的分类准确率。从仿真实验结果可以看出,改进的方法对常见的7种单一电能质量扰动信号和5种电能质量复合扰动信号能够进行分类,相对原算法提高了分类准确率。     

基于帝国殖民竞争算法优化支持向量机的电力变压器故障诊断模型

提出了一种基于帝国殖民竞争算法优化支持向量机的变压器故障诊断模型。对支持向量机进行了非线性和多分类变换,构建了k-折平均分类准确率目标函数,建立了帝国殖民竞争算法优化支持向量机的非线性多分类模型,结合交叉验证原理对变压器进行了故障诊断。故障诊断结果表明,所提方法的平均测试准确率优于标准支持向量机和粒子群优化算法优化支持向量机(准确率分别为77.08%、57.97%和61.96%),验证了所提模型的有效性。采用UCI基准数据集对所提模型进行分类测试,结果表明所提模型在解决分类问题上具有较好的泛化性。     

基于XML文档的文本隐藏算法与实现

提出了一种基于XML语言的文本信息隐藏方法,该方法利用属性和子元素等价的特性来进行信息隐藏.利用JAVA语言编程实现了该隐藏算法,结果表明此算法具有较强的隐蔽性.     

基于改进粗糙集约简算法的配电系统在线故障诊断

针对在实际的配电系统故障诊断中，往往要面对从海量数据中找到真正对于诊断结果有帮助的关键数据问题，提出了一类基于遗传算法的粗糙集约简算法，可以在较少信息的情况下获得正确的诊断结果。在分析了遗传算法中各个主要参数对算法结果的影响基础上，重点讨论了适应值函数中目标函数、惩罚函数以及惩罚因子的构造方法，并对于其他关键参数及算法进化过程针对粗糙集约简特点进行了修正。与传统的粗糙集约简算法相比，文中的方法能够有效找到最优的属性约简结果，同时大大提高了算法的效率和实用性。将算法应用于美国PG&E的69节点配电系统进行仿真，对于202个属性，319条记录的复杂数据进行了有效的约简，结果表明算法对于实际的复杂配电系统能够进行故障诊断。     

均匀圆形阵列互耦系数的测量与校正

提出了一种利用一个辅助源估计均匀圆阵互耦系数的算法.该算法首先基于ILSP算法求出包含互耦系数信息的信号子空间向量,然后根据互耦系数矩阵与理想阵列流型之间的转换公式对互耦系数矩阵进行变换,进而用一个列向量表示出互耦系数矩阵的全部独立元素.求出这个列向量后就可以恢复出整个互耦系数矩阵.仿真结果证明了本文算法的正确性.     

基于地理信息系统的电力网络拓扑分析

提出了一种基于地理信息系统(G IS)的电力网络拓扑算法。G IS是实现电力系统数字化和信息化的新技术,其应用十分广泛。针对现有G IS在网络分析应用程序中的局限性,对G IS拓扑功能和特点进行了分析,研究了如何基于G IS的拓扑数据,构建满足电力网络分析需要的拓扑数据。该算法利用G IS连通性功能,在开发的基于G IS的电网图形编辑平台上,对网络元件的属性表和拓扑做了处理,简单实用。该算法拓展了G IS拓扑分析在电力系统中的应用,使得基于G IS拓扑分析的高级应用程序得以实现。     

基于互信息和LSTM的用户负荷短期预测

相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。     

面向属性的决策规则挖掘算法的研究与应用

粗集理论是一种新型处理模糊和不确定知识的数学工具,其中属性约简是它的核心内容。粗集理论的主要思想是在保持分类能力不变的前提下,通过属性约简,导出问题的决策或分类规则。深入研究粗集理论,在属性约简过程中加入了启发式信息,大大提高了挖掘效率,得出了一种新的决策规则挖掘算法。实例分析表明,该算法能够发现良好的决策规则。     

基于经验模式分解和互信息的图像配准研究

针对基于互信息的配准方法具有精度高、鲁棒性强的特点,提出了一种基于经验模式分解和互信息测度的图像配准方法。该方法将经验模式分解扩展到二维．并利用其自适应性分解图像得到近似分量（子图像）,然后用最大互信息作为相似性测度对子图像进行逐层迭代计算,最终实现图像配准。试验结果证明了该方法的可行性与有效性,且具有更高的时频分辨率,配准精度高,可靠性好,不需要进行图像分割和特征提取等预处理。     

基于Random Walks算法的心脏双源CT左心房分割

针对在传统的CT介入式治疗过程中,胸腔中软组织较多软组织的厚度和注射的造影剂在心脏中呈现的不均匀分布,导致在采用CT成像的图像中胸腔内部各组织之间存在边界模糊或者确实等状况,本文提出一种采用形态重构和随机行走相结合的分割方法。首先利用形态学开闭运算对图像进行化简,并使得心脏 CT腔体边界分离,进而使得各个组织组织分离,再结合Random walks算法。从而使得不需要标记太多种子点的情况下提高了分割的速度和准确性,实验证明该方法能够达到预期的目标。     

基于稀疏加权重构的互耦阵列方位估计算法

为降低阵元互耦对目标方位估计的影响,提高估计精确度,提出了一种基于稀疏信号加权重构的多目标方位估计算法.该算法将空间以1.为间隔,划分为网格.利用空域目标方位的稀疏性,给出了基于Capon谱函数的加权值选取方法.然后,运用稀疏重构方法和奇异值分解方法对信号进行降维处理.最后,通过L1范数约束优化模型进行DOA估计.仿真结果表明,相比于传统算法,所提出的算法具有更高的方位估计精度、更低的均方根误差,能更好地抑制阵元互耦对目标方位估计的影响.