Kernel Factor Analysis Algorithm with Varimax

Kernal factor analysis （KFA） with vafimax was proposed by using Mercer kernel function which can map the data in the original space to a high-dimensional feature space, and was compared with the kernel principle component analysis （KPCA）. The results show that the best error rate in handwritten digit recognition by kernel factor analysis with vadmax （4.2%） was superior to KPCA （4.4%）. The KFA with varimax could more accurately image handwritten digit recognition.     

基于广义城熵聚类模型的城市节点分类方法

从传统城熵的缺点出发,提出广义城熵聚类模型并运用于整个城市圈的城市节点分类,该模型从城市发展的差异性角度进行科学合理地分类,可以更好地指导城市的长远发展,促进相关政策措施的有效落实。     

噪声源分析方法及其应用

本文通过对噪声源一般诊断方法的探讨,以发动机噪声源的分析为应用对象,论述了汽车主要噪声源──发动机噪声的鉴别分析技术和各种控制措施,为发动机噪声的降噪工作提供参考。     

基于模糊聚类和识别的出租车合乘算法研究

针对目前部分大城市出租车合乘效果差,合乘效率低等现状,本文采用模糊聚 类和模糊识别方法,研究出租车行驶路线模糊聚类,并利用行驶路线、行驶时间和合乘人 数创建隶属函数,实现合乘乘客与出租车的合乘模糊识别.通过随机生成的多组出租车出 行和合乘乘客样本数据,发现在假定的出租车合乘条件下,出租车样本数量决定了合乘 的成功率,但同时也发现,在合乘人数固定的情况下,无限制的增加出租车样本数量会增 加合乘乘客的搭载成功率,平均每辆合乘出租车的收入并不会随着样本数量的增大而增 大,而是趋于稳定值.仿真结果说明,该算法适合于大样本的出租车合乘问题,是一种可以 提高出租车合乘成功率的有效方法.     

基于灰关联测度的分裂式层次聚类算法

为估计数据集的聚类数目及获得较好的聚类性能,提出了一种基于灰关联测度的分裂式层次聚类算法.该算法用灰关联测度衡量数据对象之间的相似程度,以基于密度扩展的方式自顶向下分裂成不同层次的数据集划分;然后,根据灰关联测度定义聚类有效性指标;最后将有效性指标曲线极值点对应的聚类划分用于估计最佳聚类数目.实际数据和合成数据集的实验表明,与FCM聚类相比,该算法的聚类正确率平均提高3.7%,并且能够识别任意形状的簇.     

基于阈值和蚁群算法结合的聚类方法

为了改善聚类分析的质量，提出了一种基于阈值和蚁群算法相结合的聚类方法．按此方法，首先由基于阈值的聚类算法进行聚类，生成聚类中心，聚类个数也随之初步确定；然后将蚁群算法的转移概率引入K-平均算法，对上述聚类结果进行二次优化．实验表明，与尽平均算法等相比，该聚类方法的F-测度值（F-measure）更高．     

淮安市城区交通噪声控制对策研究

淮安城区的噪声源主要有生活噪声、工业噪声和交通噪声三种,其中交通噪声是噪声污染的主要来源。在分析淮安城区交通噪声现状的基础上,从集中交通噪声、合理选择线位和形式、临交通干道旁建筑物的性质和布局形式以及交通噪声管理几方面提出噪声控制思路,以期将解决交通噪声的手段由被动变为主动,促进城市可持续发展。     

噪声背景下语音识别中的端点检测

整个实验系统主要研究的是语音识别中在噪声背景下的端点检测.在实际环境中,加性背景噪声对语音识别的影响非常大,在信噪比小的情况下,无法进行端点检测.在此研究过程中,首先进行加性噪声模型的建立,而后通过滤波对带噪语音信号进行预处理,这里采用维纳滤波和自适应LMS滤波进行滤波.在进行语音信号的预处理后,使用VAD算法进行端点检测.建立整个实验系统后,通过试验比较维纳滤波器和自适应LMS滤波器的优劣,找出最佳方案.     

快速查找初始聚类中心的K_means算法

传统的k_means算法对初始聚类中心十分敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优.为消除这种敏感性,针对k_means算法,提出了一种新的基于数据样本分布选取初始聚类中心的方法,对公共数据库UCI里面的数据实验表明改进后的k_means算法能产生质量较高的聚类结果,并且消除了对初始输入的敏感性.     

一种自动获得k值的聚类算法

针对k均值算法局限于k值和初始中心点选取的情况,提出了一种基于k均值的自动获得k值的KDM算法.该算法整体沿用k均值算法的思想,利用最大最小距离法选择初始聚类中心,并且选择聚类中心与划分对象同时进行.通过不断改变类中心,来达到较好的聚类效果.     

基于遗传算法的高效聚类挖掘新算法

提出了一种基于遗传算法的聚类数据挖掘新算法，并在某钢铁集团CIMS工程的销售管理系统中成功进行了应用，新算法与已有算法进行了对比研究。新方法对其他类似的实际应用也有参考价值。     

一种自动获得k值的聚类算法

针对k均值算法局限于k值和初始中心点选取的情况,提出了一种基于k均值的自动获得k值的KDM算法.该算法整体沿用k均值算法的思想,利用最大最小距离法选择初始聚类中心,并且选择聚类中心与划分对象同时进行.通过不断改变类中心,来达到较好的聚类效果.     

基于CLIQUE的聚类算法研究

聚类分析是数据挖掘研究领域中一个非常活跃的研究课题.本文重点分析了高维度数据的自动子空间聚类算法(CLIQUE)及其各类改进算法,并对其未来发展方向进行了简要展望.     

A Fast Algorithm for Support Vector Clustering

Support Vector Clustering (SVC) is a kernel-based unsupervised learning clustering method. The main drawback of SVC is its high computational complexity in getting the adjacency matrix describing the connectivity for each pairs of points. Based on the proximity graph model, the Euclidean distance in Hilbert space is calculated using a Gaussian kernel, which is the right criterion to generate a minimum spanning tree using Kruskal‘s algorithm. Then the connectivity estimation is lowered by only checking the linkages between the edges that construct the main stem of the MST ( Minimum Spanning Tree), in which the non-compatibility degree is originally defined to support the edge selection during linkage estimations. This new approach is experimentally analyzed.The results show that the revised algorithm has a better performance than the proximity graph model with faster speed, optimized clustering quality and strong ability to noise suppression, which makes SVC scalable to large data sets.     

基于密度半径自适应选择的K-均值聚类算法

K-均值算法聚类速度快,易于实现,且对数据依赖度低,在文本聚类中得到广泛应用.然而,由于聚类初始中心点选择的随机性,传统K-均值算法以及其变种的聚类结果会产生较大的波动.文章对K-均值算法进行了改进,通过自适应选择最佳密度半径进而优化聚类初始中心选择的方法,得到一种适合文本数据聚类分析的改进算法.实验表明,该算法能够生成质量较高而且波动性较小的聚类结果.     

基于密度半径自适应选择的K-均值聚类算法

K-均值算法聚类速度快,易于实现,且对数据依赖度低,在文本聚类中得到广泛应用.然而,由于聚类初始中心点选择的随机性,传统K-均值算法以及其变种的聚类结果会产生较大的波动.文章对K-均值算法进行了改进,通过自适应选择最佳密度半径进而优化聚类初始中心选择的方法,得到一种适合文本数据聚类分析的改进算法.实验表明,该算法能够生成质量较高而且波动性较小的聚类结果.     

基于DENCLUE聚类算法的交通事故多发点鉴别方法

针对目前交通事故多发点鉴别常用方法存在的问题,引入了DENCLUE聚类算法用于事故多发点鉴别。对DENCLUE聚类算法的基本原理,基本定义及计算步骤进行了阐述,重点分析了该算法用于事故多发点鉴别的可行性。实例计算结果表明：与传统事故多发点鉴别法方法相比,该算法能有效的避免对排查位置进行事先划分,实现任意长度聚类;同时,在事故数据小样本的情况下,能充分凸显道路沿线的危险性,可以有效地应用于事故多发点鉴别的研究。     

广义关联规则基及其挖掘算法

为了解决传统的关联规则挖掘中产生大量规则的问题，提出了项目集上闭集和广义关联规则基的概念，并得出了闭项目集的上闭集是它本身、上闭集是惟一的等性质．基于这些性质，给出了事物数据库的广义关联规则基，不仅保留了数据库中所有关联规则的信息，而且规则有一致的结构，从而最大限度地减少了规则生成的数量．此外，还设计了广义关联规则基的挖掘算法，并通过实例验证了它的正确性．     

无线传感器网络中能量有效分簇路由算法

由于无线传感器节点的电源能量有限,提出了一种能量有效分簇路由算法(EECRA).该算法是基于最小能量的数据转发并运用于簇内路由中,簇头由基站根据节点的剩余能量和簇头之间的距离来选定,为了减小簇头节点的能量开销,簇头之间采用了多跳中继的方式将采集的数据发送到基站.仿真结果证明:该算法与LEACH协议相比,不仅提高了网络寿命,同时节点的能耗均衡性、网络扩展性和可靠性都大大的提高.     

��ͨ��Ϣ�ɼ���WSN�ִ��㷨�о�

无线传感网是采集实时交通信息的重要工具.因其节点能量有限,必须设计高能效的分簇路由算法以延长网络周期.本文通过建立一种智能交通中无线传感器网络的应用模型,根据其特点和要求分析LEACH协议的优缺点并提出一种能量负载均衡的分簇算法.该算法对LEACH协议当中的簇首机制进行改进,综合考虑候选节点的剩余能量和簇首节点的分布位置;建立簇间多跳路由机制以避免单跳通信的大能量消耗;创造一种簇重构方法,避免过于频繁的簇重构引起的不必要能量消耗.仿真结果表明,能量均衡算法可有效平衡节点能量消耗分布,延长网络生命周期,可很好的应用于基于WSN的ITS当中.