一种基于动态模糊Kohonen网络的聚类模型及应用

提出一种基于动态模糊Kohonen神经网络聚类模型,针对传统的Kohonen神经网络(KNN)聚类需要预先确定聚类数的问题,提出采用树形动态自组织映射网络算法(TGSOM)来确定聚类数,并且利用模糊Kohonen神经网络(FKNN)聚类结果与输入顺序无关的优势进行网络优化,得到更优的聚类结果。该模     

COVID-19物资知识图谱的构建

新型冠状病毒肺炎(corona virus disease 2019,COVID-19)由于其高传染性和长潜伏期受到世界各地的广泛关注。为了更好地服务医疗问答系统等相关领域,本文结合自顶向下与自底向上两种方式半自动化构建了COVID-19物资知识图谱。首先,根据实际需求讨论确定了物资的主体结构,主要包括医用防护装备、医用防护设施、日常防护用品、医用诊疗设备以及治疗用药五大类,然后通过政府公文、医学网站、百科类网站以及各大电商网站等权威数据细分知识图谱本体层,并添加物资实体,同时,为了使世界各地的研究者们能方便地使用COVID-19物资知识图谱,所有中文都通过机器翻译成了英文并由人工校验。为了保证数据的可靠性,将通过随机采样对知识图谱进行人工审查,准确率为98.73%。最后,通过WebVOWL对COVID-19物资图谱进行可视化展示,并根据前沿科技应用介绍本知识图谱的优秀应用场景。     

基于相关向量机的网络舆情情感趋势预测

对网络舆情事件中网民评论的情感发展趋势进行准确预测具有非常重要的意义和价值.本文提出将网民评论的情感值作为预测指标,通过对评论的句式分析,利用短语模式计算单句及复句的情感值,构建情感值时间序列,建立基于相关向量机的网络舆情情感趋势预测模型,对网络舆情事件中网民评论情感趋势进行预测.选择新浪微博中关注度较高的头条新闻中微博评论的舆情事件作为实验对象,运用本文模型与基于BP神经网络、Elman神经网络等预测模型进行对比.实验结果表明,本文模型具有较高的预测精度,平均绝对百分误差(MAPE)和均方根误差(RMSE)均优于基于BP神经网络和Elman神经网络的预测模型,能较好地预测出网络舆情事件中网民评论情感趋势.     

基于加权平均樽海鞘群算法和BP神经网络的COVID-19预测

新型冠状病毒肺炎以其高传染性和高致病性成为全球关注的问题之一.有效预测COVID-19的累计确诊人数对COVID-19的防控具有重要价值.本文提出加权平均樽海鞘群算法(AVSSA),通过23个基准函数验证了AVSSA的有效性,进而利用AVSSA优化BP神经网络建立预测模型AVSSA-BP,实现COVID-19的预测.实...     

传染病垂直传染的传播动力学分析：以COVID-19为例

为准确全面地分析新型冠状病毒肺炎(corona virus disease 2019,COVID-19)的传播特性和传播动力学行为,揭示病毒传播的内在规律,本文基于其传播特性,利用传染病动力学建模理论,提出了一类考虑潜在垂直传染风险及潜伏者感染性的SEIR传播动力学模型,给出了在垂直传染风险和潜伏期传染性的影响下COVID-19的基本再生数表达式,推导出垂直传染率和基本再生数线性正相关,潜伏者的转变率对基本再生数的影响比垂直传染率要大。通过构造Lyapunov函数和构造迭代序列的方法,分析了模型的全局稳定性,为COVID-19的防控以及类似传染病的传播研究与防控提供一定的理论依据。     

一种新的基于分布式入侵检测的警报聚类方法

针对大量的异构入侵检测传感器产生的警报泛滥问题，提出了一种在线警报聚类融合模型．该模型根据自我学习和调节，建立元警报作为警报聚类融合的基础，对新产生的警报进行分类、聚类，最终将警报特征与元警报融合，扩充元警报的特征信息．实验结果表明该方法能够有效地减少警报数量，提供具有指导意义的入侵响应，并且聚类结果可被用来进行进一步的网络态势评估．     

基于EEMD-Transformer模型的舆情分析：以COVID-19舆情为例

现有的舆情分析模型,存在滞后性和不准确性,个体选择影响舆情预测的特征具有一定的主观性和不确定性。本文将集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法和Transformer注意力机制相结合,提出一种组合模型EEMD-Transformer。该模型利用EEMD分解技术,将原始舆情事件的热度值进行分解,将分解后的数据通过特征提取器Transformer进行特征提取,然后通过一个全连接神经网络做预测。以新型冠状病毒肺炎(corona virus disease 2019,COVID-19)疫情的舆情为例,用训练好的模型预测COVID-19的舆情走向。实验结果表明,本文提出的模型可以较准确预测舆情趋势,对于辅助政府和企业引导舆情事件发展有重要的作用。     

基于云环境K-means聚类的并行算法

K-means聚类算法只能保证算法收敛到局部最优,从而导致聚类结果对初始点的选择非常依赖,同时在面对海量数据时容易因运算次数增多而使聚类过程耗时增加.针对上述问题及结合海量数据的特性,本文提出了一种基于云环境的并行聚类算法,该算法利用Canopy聚类算法思想并结合二分查找思想对K-means算法进行优化,同时采用"极限点"原则使之避免了聚类过程中的局部最优,然后利用顺序组合式MapReduce编程模型实现了算法的并行化扩展.实验结果表明:在大数据集上,该算法比同样部署在Hadoop集群上运行的K-means算法,在加速比、准确率、扩展率、算法效率方面具有较大的优势.     

一种基于非参数贝叶斯模型的聚类算法

鉴于聚类分析是机器学习和数据挖掘领域的一项重要技术, 并且与监督学习不同的是聚类分析中没有类别或标签的指导信息, 所以如何选择合适的聚类个数(即模型选择)一直是聚类分析中的难点. 由此提出了一种基于Dirichlet过程混合模型的聚类算法, 并用collapsed Gibbs采样算法对混合模型的参数进行估计. 新算法基于非参数贝叶斯模型的框架, 能够在不断的采样过程中优化模型参数并形成合适的聚类个数. 在人工合成数据集和真实数据集上的聚类实验结果表明: 基于Dirichlet过程混合模型的聚类算法不但能够自动确定聚类个数, 而且具有较强灵活性和鲁棒性.     

模糊聚类支持向量机的区域空气PM_(2.5)浓度预报

在分析模糊C均值聚类算法与支持向量机回归的特点后,将二者结合,提出了模糊聚类支持向量机回归(FCM-SVR)算法,对空气中颗粒物浓度PM2.5进行预测.该方法首先利用模糊C均值聚类算法把一个复杂的数据集分成多个群体,再在每个群体上建立支持向量机回归(SVR)模型,然后进行集成,对区域空气的PM2.5浓度进行预测.预测结果分别与自组织竞争神经网络支持向量机回归(SOM-SVR)模型和单一的支持向量机回归(SVR)的结果进行比较.结果表明,FCM-SVR模型的预报准确率高于SOM-SVR模型和SVR模型.     

基于时空上下文正则的孪生网络目标跟踪

在视频目标跟踪任务中,负样本缺乏、背景混杂会造成目标丢失。为解决上述问题,提出一种基于时空上下文正则的孪生网络目标跟踪算法。该算法将空间上下文信息引入到孪生网络中,并利用目标物体正样本以及背景负样本训练跟踪器,通过正则化约束,抑制跟踪器对背景的响应,突出对目标的响应,从而得到鲁棒性更强的目标跟踪器;采用时间序列多组件匹配机制,在目标外观模型受到干扰的情况下动态调整目标模型学习率,从而保证目标模板不受污染。在OTB100标准数据集上的实验表明,在混合干扰条件下,本文算法的准确率(0. 885)和成功率(0. 615)均优于其他主流跟踪算法。特别是在遮掩、运动模糊、光照变化、背景聚类和快速运动等干扰因素影响情况下,本文算法均具有较强的鲁棒性。     

面向维基百科服务计算领域的演化知识树

针对已有知识树知识热点不突出、知识分类不准确以及结构不断演化等问题,本文面向维基百科的中文数据库"服务计算"领域密集型数据,提出了扩展的中文分词算法,抽取、分类出多种主题知识及其结构化信息,结合服务计算领域文档提出基于LDA改进的DKHM(文档-主题-热点)模型,使用Gibbs抽样算法对数据集采样,并消除原词条歧义分类,以建立演化知识树.实验结果表明:基于DKHM的聚类准确度高于一般的贝叶斯聚类,通过聚类发现的热点与真实热点的匹配度达60%以上,从而验证了演化知识树比维基百科原有知识树结构更合理,热点趋势效果更明显.     

一种改进的k-中心点聚类算法及在雷暴聚类中的应用

传统k-中心点聚类算法初始中心点的选取直接影响算法效率和稳定性,易使算法陷入局部最优解,从而影响在带时序群体分析的聚类应用效果.本文提出了一种基于密度信息的k-中心点算法,通过获取样本密度信息来选取初始中心点,有效解决了聚类结果对初始中心点选择的依赖性问题,并应用于雷暴聚类中.雷暴聚类评估实验结果表明了改进算法的有效性.     

基于细粒度信息交互注意力的情绪分类方法

现有细粒度分析方法未能充分利用细粒度情绪信息来增强上下文与评价目标间的语义关联性,且对多词构成的评价目标仅平均化处理,损失了词间内容与关系信息,导致分类不精准。针对上述问题,本文提出了一种基于细粒度信息交互注意力（interactive attention with fine-grained information,FGIA）的情绪分类方法,通过采用更加细粒度的注意力机制来实现评价目标与上下文之间的充分交互,同时得到目标对上下文以及上下文对目标的交互注意力表示,进而辅助完成情绪分类。在本文构建的COVID-19网络舆情中文数据集上进行了实验验证,结果表明,FGIA能够有效地提升网络舆情数据情绪分类的准确性,相比于主流的分类方法,在各项评价指标上均取得了较高的提升。     

乌鲁木齐市水磨河水污染评价与污染因子分析

本文用内梅罗(Nemeron)污染指数法及综合污染指数法对水磨河的水质进行了评价,并用聚类分析法对污染因子进行了分析。     

基于决策图的三维模型无监督聚类算法

针对三维模型的无监督聚类问题,目前广泛采用基于词袋的方法具有两大缺陷,既无法准确知道聚类的数目,也不能适用于结构复杂(比如呈流形结构)的形状空间.为此,本文采用两大方法加以改进,其一利用有流形聚类功能的决策图方法取代K-means,其二使用核函数更加有效地衡量三维形状之间的差异.在SHREC2010库和SHREC2011库上的大量实验结果表明,两种技巧的有机结合使聚类的精确度和效率得到了显著的提升.     

气候因素与控制措施对COVID-19疫情传播的影响

COVID-19疫情的暴发对医疗机构、社会和经济带来了前所未有的挑战，因此有必要了解影响该疾病传播的潜在因素。首先，采用统计描述获取COVID-19日新增病例数和气候因素的时空分布特征。然后，基于纵向数据的Poisson回归模型和广义估计方程（GEE），研究了COVID-19病例数与气候因素、控制措施和人口密度之间的关系。结果表明，影响COVID-19疫情的因素是多方面的，控制措施对COVID-19疫情的影响最为显著，其次是平均温度、平均相对湿度、平均露点、气候因素的长期趋势和季节变化。在不同的时滞水平下，平均温度与平均相对湿度、平均温度与平均风速、平均温度与平均大气压强之间的交互作用具有统计显著性，这进一步说明，多种因素的相互作用引起COVID-19疫情的暴发。研究结果可为疫情防控部门制定有效的、强有力的管控措施提供一定的依据。     

统计方法在SD动态仿真中的应用

本文讨论并分析了系统动力学仿真模拟时，运用统计中的时间序列动态模型，经济计量模型，主成份，聚类等方法建立系统局部子模型的可能性．比较充分地考虑了系统动力学模型的动态反馈结构，使得系统动态仿真更符合实际。     

一种基于 k-means 聚类和半监督学习的医学图像分割算法

医学图像分割是计算机视觉和图像处理领域近年来研究的热点问题之一。一种基于k-means聚类和半监督学习的医学图像分割新算法被提出。在k-means聚类模型中,相似度函数是关系到聚类效果好坏的关键因素。所使用的相似度函数通过基于side-information的半监督学习方法来确定;确定后的相似度函数又被运用回k-means聚类模型中来实现对医学图像的分割。为了检验该算法效果,脑部肿瘤患者的磁共振图像被运用在实验中。分析结果表明:该算法在本文所采用的实例中能获得优于传统算法的分割效果。     

基于自组织特征映射(SOM)网络对潜在客户的挖掘

通过自组织特征映射网络（SOM）帮助市场分析人员对消费者的消费记录进行分析,从而概括出每一类消费者的消费模式。实现对消费群体的区分和对潜在客户的挖掘。SOM神经网络是一种基于模型的聚类方法。该网络通过对样本数据实施标准化、规范化的规定,将每条样本数据看作为一个基因数据,通过对基因数据的聚类,找出功能相似的基因。从而达到对潜在客户的挖掘。抽取一定量的样本数据,通过Matlab平台建立一个SOM人工神经网络对数据进行训练,结果可以发现当训练步骤达到一定量的时候,样本数据向不同的“中心点”聚集,最后达到聚类的效果,从而发现一些容易被忽视的点,也就是潜在客户。