检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于图信息的自监督多视角子空间聚类

计算机系统应用 2022年第5期31卷 377-381页

作者：吴峰刘改刘诗仪西安工程大学计算机科学学院西安710600

多视角子空间聚类方法通常用于处理高维度、复杂结构的数据.现有的大多数多视角子空间聚类方法通过挖掘潜在图信息进行数据分析与处理,但缺乏对潜在子空间表示的监督过程.针对这一问题,本文提出一种新的多视角子空间聚类方法,即基于图... 详细信息

多视角子空间聚类方法通常用于处理高维度、复杂结构的数据.现有的大多数多视角子空间聚类方法通过挖掘潜在图信息进行数据分析与处理,但缺乏对潜在子空间表示的监督过程.针对这一问题,本文提出一种新的多视角子空间聚类方法,即基于图信息的自监督多视角子空间聚类(SMSC).它将谱聚类与子空间表示相结合形成统一的深度学习框架.SMSC首先通过挖掘多视角数据的一阶图和二阶图构成潜在图信息,其次利用聚类结果监督多个视角的公共潜在子空间学习过程.通过在4个标准数据集上进行的广泛实验,结果验证本文所提方法相较于传统的多视角子空间聚类方法更具有效性.

关键词：多视角聚类子空间聚类自监督学习空间聚类算法机器学习算法

在线全文

学校读者我要写书评

暂无评论

基于航空影像的高陡边坡突岩识别方法

地球科学 2023年第9期48卷 3378-3388页

作者：崔溦高德宇王轩毫张贵科杨弘天津大学水利工程仿真与安全国家重点实验室天津300350 武汉大学水资源与水电工程科学国家重点实验室湖北武汉430072 雅砻江流域水电开发有限公司四川成都610051

高陡边坡上的突岩容易在自重、地震、开挖卸荷等作用下失稳,威胁到水利工程的安全.因此,对突岩进行早期调查具有重要意义,但由于水利枢纽区域面积较大,交通不便,人工调查耗时且危险.本文提出了一种基于航空影像的高陡边坡突岩快速识别方... 详细信息

高陡边坡上的突岩容易在自重、地震、开挖卸荷等作用下失稳,威胁到水利工程的安全.因此,对突岩进行早期调查具有重要意义,但由于水利枢纽区域面积较大,交通不便,人工调查耗时且危险.本文提出了一种基于航空影像的高陡边坡突岩快速识别方法.该方法主要包括3个步骤:(1)通过无人机摄影测量生成边坡点云模型;(2)使用核密度估计方法(KDE)对点云模型的赤平投影结果进行统计分析,以将点云模型分割成平滑区域和非平滑区域;(3)用一种基于密度且对噪声鲁棒的空间聚类算法(DBSCAN)对非平滑区域的点进行聚类,以识别代表突岩的点簇.该方法可以从整个边坡识别多个突岩,有效减少人工工作量,将该方法应用到两河口水电站某自然边坡的突岩识别中,可较为方便地得到岩体的边界和几何要素,为下一步稳定分析提供基本数据.

关键词：高陡边坡突岩航空影像点云核密度估计方法空间聚类算法工程地质边坡稳定性

在线全文

学校读者我要写书评

暂无评论

基于数据融合的水泥生产过程能耗标杆的建立

信息与控制 2015年第4期44卷 422-429页

作者：刘钊苑明哲王卓于海斌中国科学院沈阳自动化研究所辽宁沈阳110016 中国科学院大学北京100049 中国科学院网络化控制系统重点实验室辽宁沈阳110016

为分析水泥生产过程各环节的实际能耗水平,提出了一种改进的基于密度的带有噪声的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法,并结合线性最小方差融合算法建立了水泥生产过程各能耗变量的实际... 详细信息

为分析水泥生产过程各环节的实际能耗水平,提出了一种改进的基于密度的带有噪声的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法,并结合线性最小方差融合算法建立了水泥生产过程各能耗变量的实际标杆.针对大时间尺度下能耗数据的聚类数目因工况变化和噪声数据而无法直接获得的问题,采用改进的DBSCAN算法对水泥生产过程各环节的能耗历史数据分别进行聚类分析,获得了各能耗变量的分类、聚类中心及其方差.利用各聚类的中心及其方差,采用线性最小方差融合算法分别对各能耗变量的数据进行优化融合,得到包含综合影响因素的各环节实际能耗标杆值.应用实例表明:改进的DBSCAN算法能减少核心对象的查询次数,有效降低算法的执行时间;通过数据融合得到的能耗标杆能够合理反映水泥生产过程实际能耗水平,揭示企业节能潜力.

关键词：水泥基于密度的带有噪声的空间聚类算法数据融合能耗标杆

《广西师范大学学报:自然科学版》第27卷(2009年)目次

在线全文

学校读者我要写书评

暂无评论

广西师范大学学报（自然科学版） 2009年第4期27卷 I0001-I0012页

网约车出行特征分析与载客热点区域需求预测研究

在线全文

学校读者我要写书评

暂无评论

网约车出行特征分析与载客热点区域需求预测研究

作者：林亦南西南交通大学

学位级别：硕士

随着中国城市化进程的不断推进和“互联网+”概念在国内社会的普及,加之智能手机行业的迅猛发展使移动互联的概念深入人心,网约车作为“互联网+交通”的实践产品开始参与城市居民的日常出行,并迅猛发展。截至2019年6月,网约车业务已在全... 详细信息

随着中国城市化进程的不断推进和“互联网+”概念在国内社会的普及,加之智能手机行业的迅猛发展使移动互联的概念深入人心,网约车作为“互联网+交通”的实践产品开始参与城市居民的日常出行,并迅猛发展。截至2019年6月,网约车业务已在全国31个省（区、市）普及,可见使用网约车出行在我国已十分普遍。本文基于海口市网约车出行数据,在对网约车出行特征进行深入分析的基础上,挖掘载客热点区域,进而对典型载客热点区域进行需求预测研究。首先,基于处理后的原始数据,分析快车与专车在出行时长、距离和费用三个方面特征的差异,发现网约车用户使用快车时更倾向于中短程出行,而使用专车时更倾向于进行短途或长距离出行;对于出行量变化特征的分析发现,快车与专车全天出行量时变特征大致相同,并与相应时段的居民出行规律相适应。其次,以快车数据为例对工作日全天的出行量进行统计,识别出3个出行高峰时段T1:08:00～11:59、T2:12:00～15:59和T3:16:00～19:59,分别代表上午时段、午间时段和傍晚时段的出行。选取DBSCAN聚类算法对工作日出行高峰时段的载客点进行聚类分析,挖掘各个高峰时段的载客热点区域并进行可视化,结合实际地图分析载客热点区域的时空特征,分析发现网约车出行早高峰的载客热点多分布于住宅区,而晚高峰和夜高峰则更集中在商务办公区和商业广场。最后,基于载客热点区域挖掘的结果确定预测研究区域,构建包含历史需求量和天气条件等因素在内的影响因素集。构建了随机森林回归预测模型、BP神经网络模型和基于Stacking方法的组合预测模型,在多种影响因素共同作用下对海口市典型载客热点区的网约车需求进行预测,并结合多项评估指标对模型的性能进行评估,结果表明本文构建的基于Stacking方法的组合预测模型在全部研究区域中都展现出比单一模型更高的预测精度。

关键词：出行需求预测出行特征分析空间聚类算法网约车出行数据

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向传染病监测的时空聚类算法研究

面向传染病监测的时空聚类算法研究

作者：赵翌僮国防科技大学

学位级别：硕士

传染病监测是对传染病进行预防和控制的一种方法,是在传染病暴发早期扼制其传播的关键。利用聚类算法可以在传染病暴发初期发现疫情,并预测其传播趋势与原因,为采取疫情防控措施提供支持,因此在传染病监测领域具有重要意义。目前用于传... 详细信息

传染病监测是对传染病进行预防和控制的一种方法,是在传染病暴发早期扼制其传播的关键。利用聚类算法可以在传染病暴发初期发现疫情,并预测其传播趋势与原因,为采取疫情防控措施提供支持,因此在传染病监测领域具有重要意义。目前用于传染病监测的聚类方法主要有时间聚类算法、空间聚类算法以及时空聚类算法。由于疫情暴发时间以及范围的不确定,要求聚类算法必须具备可以准确高效的返回监测结果。然而,当前的面向传染病监测的聚类算法,由于采用规则的空间范围确定疫情的地理分布,难以发现疾病分布更为复杂和多样的情况,导致监测准确性较低。尽管一些学者提出了可以生成不规则形状的空间范围以发现疫情的准确分布,但受计算效率的影响只能用于小型区域的监测。此外,在真实的传染病监测过程中,由于传染病与普通疾病在早期具有相似的症状,难以区分,使得对聚类算法监测效果的分析存在困难。上述问题严重影响了面向传染病监测的聚类算法的实际应用。为解决当前面向传染病监测的聚类算法中存在的问题,本文通过对传染病时间聚类和空间聚类算法的深入研究,建立了面向传染病监测的时空聚类算法研究框架;提出了用于发现传染病不规则分布的空间聚类算法,并引入时间因素,将其扩展为可以精确发现传染病时空聚集性的时空聚类算法,然后通过启发式方法提高算法的运行速度,解决以往时空聚类算法面临的监测准确性与运算时间方面的矛盾;最后利用仿真数据对提出的算法进行验证。论文的主要工作总结如下:(1)对监测传染病暴发需要解决的关键性问题进行了分析,分别从时间、空间两个方面概括和分析了当前聚类算法的理论和技术难点。选择空间聚类算法为主要研究切入点,对具有代表性的监测方法进行了对比分析,论证了传染病时空聚类算法在理论上和技术上的可行性,并提出了面向传染病监测的时空聚类研究框架。(2)通过对以往空间聚类算法的优势与缺点进行分析,提出了可以精确监测不规则疫情暴发范围的空间聚类算法。算法首先将按照行政区域划分的地理区块转化为网络结构,以降低计算复杂度,方便问题的解决。然后,通过对疫情范围的初步定位,缩小问题的规模,在保证监测准确性的情况下,提高算法的运行速度。然后,基于似然比函数,提出判定空间聚类是否存在的检验统计量。最后,依据图论相关知识确定空间聚类问题解集的约束条件,将问题抽象为具有约束条件的优化问题,并通过简单图表明了算法的监测效果。(3)根据提出的时空聚类研究框架,将监测不规则疫情暴发范围的空间聚类算法扩展为时空聚类算法用于精确发现时空数据中的聚集现象。其基本思路是,首先利用时间聚类算法确定疫情的暴发时间范围,并将时空数据转化为按时间片(天)划分的空间数据。然后通过分析算法的计算复杂度,发现时空聚类问题属于NP问题,提出利用遗传算法提高算法对于大规模监测的计算效率。最后,利用仿真生成的北京市暴发甲型H1N1流感数据与真实门诊数据混合,模拟疫情暴发的实时监测数据,对其分别进行空间以及时空聚类。仿真数据由于可以获得患者在各时刻对应状态,并且明确得知数据来源,进而可以对算法的监测准确性进行可信的评价。通过与以往算法进行对比,检验了本文提出的算法在空间聚类以及时空聚类上的监测效果。

关键词：传染病监测空间聚类算法时空聚类算法基于Agent的建模与仿真方法遗传算法

基于Multi-Agent和数学形态学结合的图像聚类研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Multi-Agent和数学形态学结合的图像聚类研究

作者：路红太原科技大学

学位级别：硕士

聚类分析是一种无指导的学习过程，又称分割，是按照一定的要求对数据集进行划分，使数据集中类内模式间的相似度尽量大，而不同类间相似性尽量小。聚类分析是数据挖掘中的重要研究领域，它决定着最终挖掘结果和质量。由于空间数据复杂... 详细信息

聚类分析是一种无指导的学习过程，又称分割，是按照一定的要求对数据集进行划分，使数据集中类内模式间的相似度尽量大，而不同类间相似性尽量小。聚类分析是数据挖掘中的重要研究领域，它决定着最终挖掘结果和质量。由于空间数据复杂多变，数据量庞大，数据分析任务繁重。现今利用分布式计算和人工智能技术来加强传统数据挖掘算法的分析能力是当前数据分析领域的研究热点。用多智能体和数学形态学相融合的方法来处理复杂图像的自动聚类是极具挑战性的问题并且具有很高实用价值。本文基于多智能体与数学形态学的各自优势，充分地将多智能体对环境的感知和反作用于环境的能力与数学形态学并行性有机结合。多智能体技术利用分布并行计算优势，着眼局部模型的前提下，为复杂问题解决方案提供了新的思路，其基本思想是“简单智能体通过合作表现出智能行为特性”。本文研究的聚类分析算法主要应用于数字高程图像（DEM）和医学图像。主要的工作及创新点概述如下：(1)论文在深入分析国内外有关Multi-Agent技术的聚类方法相关文献的基础上，综述了聚类分析的基本方法，并针对灰度图像的特点，阐述了基于多主体技术与数学形态学结合实现智能聚类的可行性和必要性。(2)给出了一种基于Multi-Agent和数学形态学灰度形态运算的聚类AMMC算法。算法采用agent技术和灰度数学形态学结合的模式，用结构元素做智能个体，agents根据其所处空间位置环境的Moore Neighborhood值或VN Neighborhood值，采用OCC算子并自主选择做灰度膨胀或腐蚀运算从而实现空间聚类。算法具有分布式并行计算功能和初步的自主分析能力。实验结果表明该算法在空间数据挖掘方面具有显著的准确性、可靠性和灵活性，并且能对任意聚类形状进行快速聚类。(3)考虑到图像一般都存在空间异质性，对AMMC算法进行改进，每个不同类型的agents随机散布在离散空间格点上，在同一时钟驱动下agents根据其自身结构元素的类型用给出的ONA算子自主选择做相应的运算，而后随机移动到其Moore Neighborhood未聚类的空间位置，在所有agents不断游走的过程中使得聚类自动生成。由于各智能体是异构类型因而在聚类操作过程具有无可比拟的表达力。算法不需要先验知识和预处理操作，对初始聚类点不敏感勿需事先输入聚类簇数，具有分布式并行计算功能和初步的自主分析能力。一般聚类方法直接应用于医学图像不一定获得理想的分割效果，本实验数据为脑部MR图像，实验结果表明该算法能准确地对医学图像中不同组织结构进行快速聚类并且兼具可靠性和灵活性。

关键词： agent技术数学形态学灰度膨胀灰度腐蚀空间聚类算法结构元素

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于滴滴数据的网约车出行特征及需求预测

基于滴滴数据的网约车出行特征及需求预测

作者：宁立进长安大学

学位级别：硕士

居民出行行为分析是城市综合交通系统规划和城市建设规划中非常重要的基础性工作,也是制定交通政策的有效依据。因此,研究城市居民出行活动的特点具有十分重要的意义。本文基于西安市网约车GPS数据,通过研究网约车出行的时空特征规律,... 详细信息

居民出行行为分析是城市综合交通系统规划和城市建设规划中非常重要的基础性工作,也是制定交通政策的有效依据。因此,研究城市居民出行活动的特点具有十分重要的意义。本文基于西安市网约车GPS数据,通过研究网约车出行的时空特征规律,然后对载客热点区域进行数据挖掘,使网约车司机寻找客源更加便捷,为政府部门对交通规划与管理提供数据支撑。首先,在网约车GPS数据预处理的基础上,在My SQL数据库中使用C#编程语言提取网约车上下客的时间和位置数据,然后对不同时间的总出行量、各时段出行量、出行早晚高峰时间、出行时长等方面进行统计分析居民的出行规律。其次,挖掘网约车载客热点区。根据网约车出行需求空间分布特征,对工作日不同时段内网约车载客热点区域的空间分布进行分析,并对网约车上下客点位置信息进行DBSCAN空间聚类,得到工作日不同时段的载客热点区域,计算出质点坐标,对居民出行的载客热点区域进一步分析。第三,居民出行量的短时预测研究,以出行需求量作为网约车出行需求短时预测的目标,并对影响预测的因素进行相关性分析,结合需求预测特点构建基于改进的GA-BP神经网络模型,对居民出行进行短时预测,并进行了误差分析验证了模型有效性。最后,给出了一些政府对网约车的监督和管理建议,并对未来的研究方向和内容进行展望。

关键词： GPS数据时空特征分析空间聚类算法 GA-BP神经网络短时预测

面向拥挤控制的智能交通前端系统资源动态配置方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向拥挤控制的智能交通前端系统资源动态配置方法

作者：左科西南交通大学

学位级别：硕士

目前以及在未来较长的一段时期内,由于信息技术的不断更新和完善,交通信息采集、传输和发布设备及相关技术将日趋先进,交通管理部门所面临的将不再是如何获得实时的交通数据问题,而是如何从大量静态和动态交通数据中提取出能够更加直观... 详细信息

目前以及在未来较长的一段时期内,由于信息技术的不断更新和完善,交通信息采集、传输和发布设备及相关技术将日趋先进,交通管理部门所面临的将不再是如何获得实时的交通数据问题,而是如何从大量静态和动态交通数据中提取出能够更加直观、准确、有效地反映交通状态,或是解决交通问题的信息,以满足决策需要。由于单一监测数据信息的片面、不完整、错误率高、不确定性大、信息量小的特点,交管部门一般采用并行处理多个前端系统数据信息的手段。但在实际应用中反映出了一个突出的问题,在前端系统资源的后台管理配置过程中,交通工程领域的理论技术仍然处于从属位置,决策时所调取区域数据采集点、前端摄像头大多仍主要依靠历史数据和人工经验,实际的应对效果难以应对复杂多变的交通环境。本文以路网发生拥挤后,前端系统数据信息源的有效、精准选择为主要研究对象,将其定义为后台对前端系统资源的管理配置,以空间区域作为配置的基本单元,研究基于前端系统实时数据的路段空间相关性特征,对路段进行空间数据挖掘,假设路网多处发生不同程度拥挤的情况下,通过对路段的空间交通关联性分析和空间聚类,实现后台对多个拥挤区域现场采集数据资源配置范围的确定,并给出依据数据源对路网管理控制贡献度的排序,研究旨在帮助确定科学的数据信息来源,排除无效数据,为管理者提供管理决策参考。主要包括以下研究内容:(1)基于检测原理和检测参数,对比分析了不同检测器的数据信息采集特征;研究了固定检测器的数据采集流程、数据在系统的集成计算方法,引用Hurst指数来判断交通参数是否符合时间序列趋势;研究了前端系统资源的平台管控方法;基于检测器的空间信息度和路网数据的空间效益,定义了以空间区域为单元的资源管理配置方法,引用莫兰指数进行全区域、区域单元的空间相关性验证。(2)研究了前端系统状态识别模块的判定机理,建立了基于历史数据模糊聚类的交通判别算法;定义了前端系统检测的拥挤的类型,结合管理后台资源配置的具体需求重新界定了拥挤的预警标准;基于DBSCAN聚类算法构建了路网拥挤区域划分算法。(3)改进了K-means算法并引入自然邻居搜索规则,在此基础上定义了路段的聚类算法;结合前端系统数据提出了一种基于速度和占有率的路段拥挤指数计算方法,并基于欧式距离和拥挤指数建立了拥挤点距离计算模型;分析了基于聚类的资源点位配置方法,通过建立资源与路段的匹配属性表,能够根据路段聚类确定对应资源的配置单元;依据交通态势环境建立了一种资源配置优先级的确定方法;以爱达荷州(Idaho)博伊西(Boise)市中心区建立仿真路网,验证本文模型算法的可行性。本文所研究的城市智能交通系统前端资源配置方法能够依据路网中的多处拥挤状态,确定以区域为配置单元的,后台精准调取的数据检测和视频监控对应点位,及管理配置顺序。

关键词：前端系统区域拥挤空间相关性空间聚类算法资源配置