摘要：将一种改进的k均值聚类算法应用于支持矢量机(SVM)的训练。基于这一改进的聚类算法,设计了SVM的增量式训练步骤,并给出了在训练过程中删除无用样本的的方法。模式分类的实验结果表明,这种改进的k均值聚类算法在SVM中的应用不仅大幅度地缩短了SVM的训练时间,而且进一步提高了它的分类能力。

摘要：为了研究茶树基因序列的聚类问题,设计一种基于累计方差贡献率进行改进的核主成分分析(kPCA)与k均值(k-means)++聚类算法相结合的降维聚类算法(kPCA-k-means++)。将基因库数据集筛选分组后,利用k-mers算法提取基因数据的数据特征,根据累计方差贡献率的占比大于85%的标准确定降维主元个数对kPCA进行降维改进并采用k-means++算法对降维后数据聚类,通过CH(Calinski-Harabaze Index)指标和响应时间分析聚类结果。结果表明:在单独聚类、kPCA聚类、改进PCA聚类、改进kPCA聚类4种处理方式中,改进kPCA-k-means++算法在不同处理方式和不同样本数的对比下,CH指标均为最高,与未改进时相比平均高出33%。在响应时间方面,改进kPCA-k-means++算法与同样改进PCA-k-means++算法在不同聚类数和样本数的对比下响应时间均较短。改进kPCA-k-means++算法能够保证对于茶树的基因序列的聚类准确率和聚类速度,表现出极好的聚类稳定性。

摘要：为了进一步研究网联交通环境下驾驶人驾驶倾向性动态变化特性,提出一种基于深度学习的驾驶倾向性分类及辨识方法。首先提取车速、加速度标准差、车头时距等车辆运动状态参数,设计调查问卷;采用k均值聚类算法对驾驶倾向性初步分类,并校正车辆状态相关特征参数,然后建立一种考虑注意力(Attention)机制的双向长短时记忆神经网络(BiLSTM)驾驶倾向辨识模型,识别周围车辆的驾驶倾向性,最后搭建对照模型,比对模型识别精度。结果表明,考虑注意力(Attention)机制的双向长短时记忆神经网络(BiLSTM)模型辨识精度达89.74%。相较于支持向量机(SVM)模型和人工神经网络(ANN)模型,准确率进一步提升,可实现动态驾驶倾向性的精准高效识别。

摘要：早、晚高峰期间,中小学校周边道路交通拥堵一直是国内大部分城市的通病,如何通过集约化的公交出行方式改善交通环境显得尤为重要。以苏州景城学校为例,提出一种预约式通学公交发展模式,基于k均值聚类算法设计站点和Dijkstra算法设计线路,对预约式通学公交开行前期、中期、后期全流程工作、多主体协同进行系统设计。针对该模式的实施效果展开定量分析,结果表明,预约式通学公交在缓解交通拥堵、优化资源配置、保障出行安全,减轻家长接送压力具有良好效果。

摘要：在未来复杂的智能交通环境中,自动驾驶车辆与人类驾驶车辆混合共享道路成为可能。在这种混合交通流的背景下,准确预测人类车辆的换道行为对于自动驾驶系统的安全性和效率至关重要。本研究针对车辆换道的主要影响因素—周围环境和驾驶风格,提出了一种基于FCNN神经网络的人工车辆多驾驶风格换道决策预测方法。首先,通过应用k均值聚类算法对驾驶员的驾驶风格进行分类,从而综合考虑驾驶风格的差异。然后,将分类结果作为FCNN神经网络的输入变量,用于预测人类车辆的换道行为。该方法基于真实车辆轨迹构建的下一代仿真数据集进行训练和测试,并取得了91.80%的准确率。实验结果表明,通过结合驾驶风格分类和FCNN神经网络,能够更准确地预测人类车辆在不同驾驶风格下的换道行为。本研究的成果对于混合交通流下自动驾驶车辆预测人类车辆的换道行为具有重要的实际应用价值,并为未来进一步改进和拓展提供了新的思路。

摘要：[目的/意义]在“互联网+教育”的时代,网络课程丰富,类型众多,学习者难以快速找到适合的在线课程。传统在线课程简介无法提供适配性引导,而课程画像能描述课程整体定义,满足学习者差异化课程适配需求。[方法/过程]基于文本分析建立相关语言模型,构建在线课程画像。以学习者在线评论文本作为数据集,从课程基本信息、联合主题模型、情感判别三个维度构建课程画像的概念模型。联合主题模型先通过基于词向量的Word2Vec算法计算词语之间的相关性,构建初始相似词库;接下来结合k-means文本聚类算法从两个维度提取评论主题;最后利用ROST_CM6软件进行评论文本情感判别并解析语义网络,数据可视化后得到课程画像。[结果/结论]最终画像能清晰呈现学习者视角的课程描述,促进整体学习效率。

摘要：为了克服基于aiNet的文本聚类算法在处理高维数时性能下降的缺点,设计一种基于聚类中心的虚拟坐标映射机制的文本表示模型,实现文本向量模型的降维技术。在文本进行k均值聚类后,对文本向量进行降维,再将其作为aiNet文本聚类的输入。实验表明,通过两阶段的算法对文本进行聚类,有效提高了aiNet文本聚类质量。

摘要：针对k均值(k-means)聚类算法进行文本聚类时随机选取初始聚类中心点的问题,提出一种基于密度峰值进行初始聚类中心点选取的适用于文本聚类的k-means算法(DPMCSkM),为了更好地适应大规模聚类计算的要求,设计并实现了基于MapReduce的DPMCSkM并行化算法。实验结果表明,DPMCSkM算法可以有效地进行文本聚类,与k-means、基于密度峰值的快速搜索聚类算法选取初始簇中心点的k-means以及多簇球形k-means算法相比在聚类质量上均有一定的提升,在收敛速度上也有较好的表现;DPMCSkM并行化算法在可扩展性上,具有较好的加速比。

摘要：在并行数据库中,空间数据集的数据均衡性和区域邻接性是影响空间查询和空间分析效率的关键因素.已有的并行数据库划分算法不能同时满足林地小班数据划分的数据均衡性和区域邻接性.提出一种基于k均值聚类的优化算法,该算法重新设计了k均值聚类算法的初始点选择方法与聚类完成后的调整方法,保证了聚类中空间数据的均衡性和邻接性.实验证明,该方法极大地提高了空间数据并行查询和空间分析的效率.

摘要：面向具备强非线性特征的航空发动机这一复杂对象,考虑其在宽广包线内动态特性复杂难以用有限个线性模型描述,提出一种基于发动机动态特性分析建立全包线涡扇发动机数学模型的方法。基于全包线动态特性分析,设计动态特性表征参数λ。利用k均值聚类算法分析包线内发动机特性,依据聚类的中心点建立全包线T-S模糊状态空间模型。开展了模型精度仿真验证,仿真结果表明,基于航空发动机动态特性分析建立的全包线T-S模糊状态空间模型基本无稳态误差,且计算时间约为3ms。