两阶段混合粒子群优化聚类

为解决数据集样本维数较高时已有粒子群优化K均值算法计算速度较慢且聚类结果不稳定的问题,利用第1阶段聚类层次凝聚聚类获得准确率较高的子簇集合,作为粒子群优化K均值聚类算法初始聚类中心的搜索空间,进行第2阶段聚类.提出了一种简化的粒子编码方法,以减小样本维数对计算复杂度的影响;引入混沌的思想,以保持粒子种群的多样性,从而避免粒子群优化算法可能出现的早熟现象.通过两阶段聚类,有效地融合了粒子群优化、层次聚类与划分聚类算法的优点.在多个UCI数据集上的聚类结果表明,与几种对比算法聚类结果的最优值相比,其纯度分别提高了1%~8%,且耗时减少50%以上.      

基于改进聚类方式的牵引负荷分类方法

为得到更为准确的牵引负荷分类结果，基于大量的牵引负荷实测数据，提出了一种改进后的自适应模糊C均值聚类方法. 该方法能够自动获取最佳聚类数，以馈线电流带电有效系数、最大值、平均值、95%值以及1～5阶样本矩作为聚类指标对实测牵引负荷进行聚类；然后采用非参数核密度估计方法对牵引负荷概率密度函数进行拟合，得到了每一类馈线电流概率分布模型. 结果表明:聚为一类的牵引负荷特征参数相近、概率分布相似.      

含有调和数的无穷级数恒等式

利用Abel分部求和引理证明了一些关于调和数的无穷级数恒等式,其中几个新的有趣的求和公式主要是以π2、ln2和卡塔兰常数作为结果建立的.     

区间数灰色聚类模型

基于区间数的运算规则及区间数排序方法，提出了一种聚类对象的指标数据为区间数的灰色聚类模型，并通过一个应用实例，给出了该模型的求解方法。     

基于簇形均衡评估的高速公路收费数据聚类

高速公路收费数据是一种高维、海量、分布特征未知的数据集,因此难以选择 何种算法和参数最适合此类数据的聚类.针对此问题,提出一种基于簇形均衡的聚类评估 指标IBCS,对各簇的形状、分布、密度和尺寸等多种形态进行均衡综合评估.该指标根据 数据集稀疏程度自适应调整邻域置信区间来度量簇结构的分散度和分离度;度量密度使 得IBCS 具有面向数据集的算法选择能力;度量簇大小避免簇划分过于悬殊的问题.UCI 数据集上多种候选算法评估比较实验验证了该指标灵活有效,能获得准确簇数并合理划 分.最后,基于IBCS 评估的西宝高速公路收费数据聚类结果表明,采用K-means 算法,簇 数为5时聚类模式最佳.     

残数在组合计算中的应用

本文利用复变函数的积分表示组合公式，并通过残数的计算来处理组合数的求和问题。     

基于两次聚类的PWARX驾驶行为辨识模型

针对传统基于聚类的PWARX模型依赖先验知识和子空间划分精度不高的问题,提出一种基于两次聚类的PWARX辨识模型改进算法,并将其应用于驾驶行为建模。首先通过近邻传播算法在样本空间上进行聚类,在所得类簇上用线性模型进行拟合,并通过K-means算法在线性模型的参数空间上进行聚类,以获得PWA子模型的区域划分,最后在各个子空间上对PWA子模型进行求解。该算法合理利用了近邻传播算法和K-means算法的特点,通过在样本和参数空间上的两次聚类获得了良好的子模型区域分割效果。并对10名驾驶员的驾驶行为的建模实验结果表明,所提算法的模型辨识的平均准确率达到了91.5%。     

指数分布在第二类Stirling数中的应用

采用概率的方法,把第二类Stirling数S（n,k）表示成服从指数分布的随机变量的矩,利用该表示得到了第二类Stirling数S（n,k）的一些特殊值,推导出了第二类Stirling数S（n,k）满足的递推关系式,并得到了新的递推关系式.     

两类冠图的邻和可区别全染色

若图G的一个k全染色?满足:任意相邻两点u和v[uv∈E(G)]的色集合C_?(u)、C_?(v)中的所有元素之和互不相同,则称G存在一个k-邻和可区别全染色.k的最小值称为图G的邻和可区别全色数.研究了两类冠图C_m。P_n和C_m。C_n的邻和可区别全染色方法,得到了它们的邻和可区别全色数.     

基于MFCM的改进聚类算法及其在交通中的应用

在交通流状态模糊化的过程中,对已有的交通模糊控制研究引入了太多的主观因素.为了解决这个问题,提出了一种基于MFCM算法的分级递减聚类算法,利用MFCM算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类别数数据集的聚类.将改进算法应用到交通流状态聚类中,可以更科学地确定交通流状态的聚类数和各类模糊隶属度函数的结构等,最后,通过算例,说明了该算法对于未知聚类数及服从高斯分布的数据集具有聚类效果好、收敛速度快的特点.     

第二类Stirling数S2（n，n-k）的一个公式

本文给出了广义第二类Stirling数的一个定义,并由此得到一个有关第二类Stirling数的一个更一般公式。     

第二类stirling数S2(n,n - 6)的一个公式

运用组合理论对第二类stirling数开展了分析．第二类stirling数S2（n,n-6）表示把含有n个元素的一个集合分成恰好有n-6个非空子集合的分拆数目,根据第二类stirling数S2（n,n-6）的定义,利用组合数的计算公式,给出当n≥12时的第二类stirling数S2（n,n-6）的一个公式．     

结合类可分性和遗传算法的核ICA特征选择

核独立分量分析(KICA)可以实现特征提取,但当数据量较大时,特征的数量也随之增加.针对这种情况,提出了一种结合类可分性和遗传算法来选择特征并降低其维数的方法.对数据进行KlCA处理后得到特征向量及权值矩阵.对于权值矩阵.使用类问类内距离比来进行特征初选.保留权重矩阵中类间类内距离比大的列,及其对应的特征向量.对这些特征向量使用遗传算法来选择最优特征组.两个实验验证了该方法的有效性.     

第二类Stirling数S2(n,n-κ)的一个公式

本文给出了广义第二类Stirling数的一个定义,并由此得到一个有关第二类Stirling数的一个更一般公式.     

广义第二类Stirling数S3（n，n—tk）的一个公式

根据广义第二类Stirling数的定义,得到一个有关第二类Stirling数S3（n,n—tk）的公式。     

基于层次聚类的我国沿海VTS分类问题研究

为了更好地对我国迅速增长的VTS（vessel traffic service）中心进行管理,同时为未来VTS中心的建设与管理提供指导,应用层次聚类分析方法,综合考虑VTS需求程度、规模大小、信息服务强度、助航服务强度、交通组织服务强度与辖区航行环境安全性等因素对我国21个沿海VTS中心进行分类,并对每类VTS中心的特点进行了总结.通过对不同聚类方法的比较,最终选择了ward法,通过对不同聚类数对应的聚类结果的方差分析,最终将聚类数确定为4类.     

两类弱非线性振动问题的新解法

用插值摄动法[1] 求解两类弱非线性振动问题 .其一是保守系统的非线性自由振动 ;其二是参数振动 .前者由于把求解微分方程的问题转化成为求解二次代数方程 ,计算过程十分简单 ;后者由于把一个二阶微分方程的求解转化成为两次积分问题 ,也使计算过程简化 .有算例、算例表明 ,本文结果是可靠的     

交通状态划分的参数权重聚类方法研究

由于交通流量、速度、占有率或密度等参数在交通状态划分中作用不同,本文提出了基于参数权重聚类的交通状态划分方法.根据交通参数数据的相似性,应用基于加权欧氏距离的相似性度量方法构建了交通参数评价函数,并用梯度下降法极小化评价函数对交通参数权重进行求解.将交通参数权重应用于模糊C均值聚类算法（FCM）,得到基于参数权重的FCM道路交通状态划分方法.应用提出的模型对选取的实际交通参数数据进行交通状态划分,并与基于欧式距离的FCM状态划分结果对比.研究结果表明,本文提出的方法提高了交通状态划分精度,更接近交通实际运行状况.     

基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究

通过收集大数据对汽车驾驶员的疲劳特征和疲劳参数进行学习,根据学习的参数将驾驶员的疲劳程度进行分类,提出了蚁群优化的模糊C均值聚类算法。在初步聚类中运用蚁群聚类产生聚类中心和簇的个数,提供给模糊C均值聚类;利用模糊C均值聚类再次进行聚类,克服了单个聚类算法的缺点。仿真结果表明:文中方法比一般方法具有更好的性能和聚类效果。利用BP神经网络模式识别功能可以识别疲劳驾驶类别。     

基于减法聚类模糊神经网络高速公路混沌控制

研究了基于减法聚类的高速公路混沌系统模糊神经网络控制方法.提出通过数据挖掘技术建立交通流混沌控制器知识库的思想,设计了以密度、上游流量和最大李亚普诺夫指数作为输入,红灯时间作为输出的T-S模糊神经网络混沌控制器.采用减法聚类确定控制器结构提取模糊规则、控制器初始参数;应用模糊神经网络方法对控制器参数进行优化;结合遗传算法对聚类半径进行优化.仿真实验分析了该控制方法的控制效果,证明了该混沌控制方法的有效性.