一种改进的基于密度和网格的高维聚类算法

提出了一种改进的基于密度和网格的高维聚类算法,并对算法有效性进行了验证.该算法通过减少样本点数量的方法达到减少稠密子空间数量.在发现高维稠密子空间时,对样本库进行精简.这些样本点的求得能有效减少求解最小聚类的时间复杂度.     

模糊C-均值聚类算法及其在船舶故障诊断中的应用

船舶设备故障的早期诊断和预测,对船舶的安全运行具有非常重要的意义。由于船舶设备繁多,运行环境特殊,各种设备的故障症状与故障原因之间的关系十分复杂,致使传统诊断方法在实际应用中效果不理想。因此,研究采用模糊C-均值聚类算法来实现船舶故障的诊断乃是非常必要的。将被诊断对象间故障和症状的特征通过建立模糊关系矩阵进行故障分类,用当前所得的故障征兆群与过去该设备故障征兆结果相对照,找出最相似的结果,从而确定其故障。通过船舶主机轴系诊断的实例,证明了该方法的有效性。     

后疫情时代公交车身媒体广告价值复苏的路径思考——以宁波公交为例

公交车身媒体是公交企业一个非常重要的资源板块,也是公交企业一项重要的收入来源。三年疫情对公交车身媒体广告经营带来了深远影响,后疫情时代,公交车身媒体广告价值如何复苏,是一项值得研究的课题。本文试以宁波市公共交通集团有限公司(以下简称“宁波公交”)为例,简述公交车身媒体广告的概念及特点。     

基于UWB定位的邮轮乘员伴随关系发现算法

准确发现邮轮内部空间乘客之间的伴随关系, 在室内环境安装UWB定位设备开展室内人员定位实验。根据UWB定位的位置数据特点, 提出结合室内位置语义的Hausdorff-DBSCAN算法以聚类邮轮乘员轨迹, 并利用LSTM神经网络对疑似伴随关系对象进行相似度变化趋势的预测。传统的Hausdorff算法在计算轨迹相似度时未考虑轨迹时序一致的问题, 引入位置语义序列能够较好地解决这个问题。改进后的Hausdorff-DBSCAN算法的输入为乘员轨迹数据集, 根据轨迹整体相似度阈值选定聚类半径, 输出具有伴随关系的乘员轨迹聚类结果; LSTM神经网络以定长时间窗口的点邻近度序列为输入, 预测后1个时刻点邻近度值, 结合轨迹相似度阈值和预测结果分析乘员伴随关系的时序变化。利用Anylogic建模单层邮轮室内环境进行乘员仿真得到的轨迹数据验证算法的有效性。改进的Hausdorff-DBSCAN算法的准确率为0.920, 召回率为0.950, F₁值为0.934, 准确率高出对比算法至少5.7%, 召回率高出对比算法至少8.0%, F1值高出对比算法至少6.7%。同时LSTM在预测邮轮乘员之间相似度变化时, 收敛后的误差值能保持在3%~4%左右, 预测结果具有较高的准确性。      

粒料类基层沥青路面动力响应研究

基于新版沥青路面设计规范中对粒料类基层的重视,采用有限元软件ANSYS建立粒料类基层沥青混凝土路面的结构模型,通过两种方式加载进行动力学瞬态分析,得到:①在车辆行驶轨迹线上,同一深度、不同位置的观测点上波动荷载作用下的应力时程曲线形状、峰值相差较大,而均布荷载作用下的应力时程曲线形状、峰值几乎完全相等,但两种加载方式得到的应力极值基本相同;②不论哪种加载方式,路表向下越深,应力峰值越小、扩散作用越强,观测点对荷载的反应越滞后;③垂向应力由表向下递减;水平应力总是纵向大于横向。此结论可为粒料类基层沥青路面在不同动载作用下的应力工况提供参考依据。     

铁路绿色施工节地与土地资源保护措施评价

为了更好地促进绿色铁路建设,进而促进国家实现建设资源节约型环境友好型社会的目标,必须对施工阶段铁路的节地与土地资源保护措施进行评价。通过研究相关技术标准及铁路施工特点,建立一套完善的铁路绿色施工节地与土地资源保护措施评价指标体系。然后,利用三角模糊数层次分析法确定各指标权重,应用灰色聚类法确定评价指标体系的综合绿色等级。最后,结合实例证明三角模糊数层次法与灰色聚类法结合可以对铁路绿色施工节地与土地资源保护措施进行很好的评价,并能找出铁路施工阶段节地与土地资源保护的不足之处并进行改进。     

基于存储论的城市轨道交通车站回收类票卡库存管理

为提高票卡管理效率,利用车站回收类票卡历史数据,构建时间序列预测模型,对票卡使用量和流动量进行预测。引入存储论的思想与策略,制定科学合理的票卡库存管理方案,以优化车站回收类票卡库存管理,减少运营成本,提高效率及服务质量。     

一种全部属性聚类和特征属性聚类相结合的无监督异常检测模型

为提高无监督异常检测系统的检测率、误报率和检测效率,将数据集划分为不同的服务集,然后对每个服务集数据包进行全部属性聚类和部分相关属性聚类(即特征属性聚类)并比较训练结果,取其中训练性能较优的方法建立对该服务的检测模型。检测实验表明,本文模型的检测率达到99.21%,误报率降低到2.2%。与不加服务划分的模型相比,本文模型的训练时间和检测时间分别降低为相应模型的21.17%和21.98%。与其他检测算法的比较结果也表明,本文模型在检测率和误报率方面具有更优的性能。