基于主成分分析法的城市火灾风险聚类分析

利用主成分分析法确定了城市火灾各指标的综合风险值,基于分析的结果,通过K-均值的聚类算法对城市火灾风险进行了分类.以北京市火灾统计结果为例,确定了城市火灾统计指标的综合火灾风险值,对13个主城区进行了不同区域的火灾风险聚类,并对建成区的火灾统计数据按时域进行了聚类,实现了火灾风险的自动分类.不同区域和时域发生火灾的风险大小可为合理布置消防力量、有效安排执勤战备提供科学参考.     

基于时频单源点检测和聚类验证技术的欠定混合盲辨识算法

针对欠定混合盲辨识问题,提出了一种基于时频单源点检测及聚类验证的盲辨识算法。检测各个源信号的时频单源点,利用奇异值分解的方法求解不同单源点集合对应的混合矢量,利用基于k均值的聚类验证技术完成源信号数目和混合矩阵的联合估计。算法放宽了已有方法对时频单源区域的假设,不需要假设信号存在时频单源区域,可以完成仅存在离散的时频单源点条件下的欠定混合盲辨识;同时克服了传统算法需要假设源信号个数已知的不足,可以有效地估计源信号数目。仿真结果验证了算法的有效性。     

一种新的基于网格聚类的雷达信号预分选算法

雷达信号分选一直是雷达对抗情报处理中的难题,将网格聚类应用于雷达信号预分选,针对现有网格聚类需要输入网格划分、网格边界处理精度低等问题,提出一种新的基于网格聚类的雷达信号预分选算法.该算法根据网格数据压缩率自适应确定网格划分和密度阈值,并对网格边界进行优化处理.仿真实验表明,该算法能有效适用于雷达信号预分选,且有较强的抗噪声能力.     

基于AP-SVM模型的装备维修器材需求预测方法

在小样本条件下运用SVR模型预测装备维修器材需求量时,预测效果受随机干扰因素影响较大.为解决这一问题,提出了一种新的AP-SVM模型.首先,运用AP聚类算法对训练数据进行分类,将分类结果作为训练数据训练SVM分类器,并对待测试数据的所属类别进行判断;然后,根据数据类别构建训练向量集,对SVM进行训练,运用SVR模型计算...     

通信受限下分布式多传感器协同跟踪算法

在分布式多传感器目标跟踪系统中,由于局部融合中心(LFC)的物理限制(如:有限的频率信道、处理器容量有限等),只能接收有限个传感器的传送数据。此外,信息传输的方式也将影响传感网的使用寿命,因此,研究了通信受限下的分布式多传感器目标协同跟踪问题。首先对监视区内分布的传感器进行聚类分簇形成若干个子网,接着从通信能耗的角度出发,对传感器采集信息的传递路径进行最优路径规划;进而对子网局部状态进行估计,在子网信息融合中,分别采用最大距离和、最大化信息增量两种准则进行最佳传感器选择,最后通过各子网全局航迹融合实现分布式多传感器协同跟踪。仿真验证了算法的有效性。     

聚碳硅烷表面张力的测定及其对纤维异形度的影响机理

采用改进的滴重法测定了先驱体聚碳硅烷(PCS)的表面张力,并探讨了表面张力对三叶形聚碳硅烷原丝异形度的影响机理。通过对纤维截面形貌的扫描电镜分析,发现表面张力对三叶形PCS纤维异形截面的形成有着较大的影响,它和粘滞阻力相互竞争的共同作用决定了三叶形PCS纤维异形度的大小。研究表明,先驱体PCS的表面张力与温度基本上呈线性关系,温度越高,PCS的表面张力就越小。     

层次聚类方法在消防投入分类中的应用

以中国消防年鉴2005年全国城市消防规划和城市公共消防设施建设情况统计资料为例,运用SPSS统计分析软件对全国各省消防基础设施建设情况进行分类汇总分析,从消防投入角度对新形势下的消防工作提出指导意见。     

分块自适应加权改进大规模概率模糊聚类

为解决传统基于贝叶斯理论的概率模糊聚类(Bayesian Fuzzy Clustering,BFC)算法在处理大规模数据集聚类时的时间开销和存储代价瓶颈,提出基于数据分块的单程自适应加权BFC算法,算法在大规模数据集分块的基础上,设计了基于数据加权的改进BFC算法,用于数据分块内数据聚类,以挑选出对聚类贡献最具代表的标识数据及其自适应权值,在块间迭代聚类过程中,将标识数据及其权值合并到下一数据块中并参与聚类,从而将上一数据块的聚类信息有效地传递到下一数据块中,最后分析算法的收敛性和时间复杂度.实验结果表明,算法在继承传统BFC算法良好聚类性能基础上,减少计算复杂度,有效提高聚类效率,适用于大规模数据集聚类.     

基于改进蜂群算法的无人机路径规划

人工蜂群算法存在初始蜜源具有随机性,后期收敛速度慢,易早熟等问题.运用最大最小距离积法处理初始蜜源,把K均值聚类算法与人工蜂群算法相结合,提出改进的人工蜂群算法,用于解决无人机路径规划问题.仿真结果表明改进的人工蜂群算法收敛速度更快,得到的解的适应度更好.     

基于GM-PHD的低可观测编队目标跟踪方法

考虑到多编队在低可观测情况下存在的目标跟踪问题,提出了一种基于高斯混合概率假设密度(GM-PHD)滤波算法的编队目标跟踪方法.该方法是在修剪融合过程中,先保留剪掉的高斯分量,再对这些分量进行状态外推,利用JS(Jensen-Shannon)散度判断下一时刻状态估计值与外推状态值是否相似,以判断结果体现目标丢失情况,使得真实目标不丢失,解决了低可观测情况下目标易漏检带来的跟踪性能下降问题.然后,利用编队目标的特点,结合密度聚类方法估计出编队整体的状态,避免因状态估计集合中状态值过多影响算法性能.最终,仿真实验结果表明,该方法可以在低可观测情况下有效跟踪编队目标,具有较好的跟踪性能.