城市设施兴趣点(POI)在局部地理空间下往往呈现聚集型分布特征(即热点),表达该特征的核密度法(kernel density estimation)是最常用到的可视化工具。考虑到核密度方法中缺少量化统计分析,提出了一种城市设施POI分布热点探测的新方法。...城市设施兴趣点(POI)在局部地理空间下往往呈现聚集型分布特征(即热点),表达该特征的核密度法(kernel density estimation)是最常用到的可视化工具。考虑到核密度方法中缺少量化统计分析,提出了一种城市设施POI分布热点探测的新方法。首先基于"距离衰减效应"计算地理单元的属性值;然后采用GetisOrd G*i统计指数定量分析设施POI点的局部空间相关性特征。与传统基于样方法的空间自相关相比,核密度法由于顾及了地理学第一定律的区位影响,计算获得的地理单元属性值可保留空间的细节信息,热点的空间自相关分析结果可以反映设施服务影响的连续性特征。通过实际金融设施数据的自相关分析实验,表明该方法能有效提取POI基础设施在城市区域中的分布热点范围。展开更多
采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用...采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用研究对象,研究结果表明,与启发式训练算法相比,PSO-SOM算法能够得到较优的聚类,而且该算法实现简单、便于工程应用,对丙烯腈反应器参数调整以及收率监测具有显著的指导作用.展开更多
A feature extraction for latent fault detection and failure modes classification method of board-level package subjected to vibration loadings is presented for prognostics and health management(PHM) of electronics usi...A feature extraction for latent fault detection and failure modes classification method of board-level package subjected to vibration loadings is presented for prognostics and health management(PHM) of electronics using adaptive spectrum kurtosis and kernel probability distance clustering. First, strain response data of electronic components is filtered by empirical mode decomposition(EMD) method based on maximum spectrum kurtosis(SK), and fault symptom vector is developed by computing and reconstructing the envelope spectrum. Second, nonlinear fault symptom data is mapped and clustered in sparse Hilbert space using Gaussian radial basis kernel probabilistic distance clustering method. Finally, the current state of board level package is estimated by computing the membership probability of its envelope spectrum. The experimental results demonstrated that the method can detect and classify the latent failure mode of board level package effectively before it happened.展开更多
针对判别硬c-均值聚类(Discriminative Hard c-means,DHCM)算法存在对大样本数据聚类速度慢的问题,提出判别模糊c-均值(Discriminative Fuzzy c-means,DFCM)算法,即用DHCM中提出的核函数将原数据空间映射到特征空间后,再在特征空间使用...针对判别硬c-均值聚类(Discriminative Hard c-means,DHCM)算法存在对大样本数据聚类速度慢的问题,提出判别模糊c-均值(Discriminative Fuzzy c-means,DFCM)算法,即用DHCM中提出的核函数将原数据空间映射到特征空间后,再在特征空间使用模糊聚类算法实现数据聚类,并利用选取代表元的方法提高DFCM对大样本数据的执行效率。通过对真实数据的对比性实验可以验证DFCM的有效性。展开更多
文摘城市设施兴趣点(POI)在局部地理空间下往往呈现聚集型分布特征(即热点),表达该特征的核密度法(kernel density estimation)是最常用到的可视化工具。考虑到核密度方法中缺少量化统计分析,提出了一种城市设施POI分布热点探测的新方法。首先基于"距离衰减效应"计算地理单元的属性值;然后采用GetisOrd G*i统计指数定量分析设施POI点的局部空间相关性特征。与传统基于样方法的空间自相关相比,核密度法由于顾及了地理学第一定律的区位影响,计算获得的地理单元属性值可保留空间的细节信息,热点的空间自相关分析结果可以反映设施服务影响的连续性特征。通过实际金融设施数据的自相关分析实验,表明该方法能有效提取POI基础设施在城市区域中的分布热点范围。
文摘采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用研究对象,研究结果表明,与启发式训练算法相比,PSO-SOM算法能够得到较优的聚类,而且该算法实现简单、便于工程应用,对丙烯腈反应器参数调整以及收率监测具有显著的指导作用.
基金supported by the National Natural Science Foundation of China(Grant No.51201182)the Aeronautical Science Foundation of China(Grant No.20142896022)
文摘A feature extraction for latent fault detection and failure modes classification method of board-level package subjected to vibration loadings is presented for prognostics and health management(PHM) of electronics using adaptive spectrum kurtosis and kernel probability distance clustering. First, strain response data of electronic components is filtered by empirical mode decomposition(EMD) method based on maximum spectrum kurtosis(SK), and fault symptom vector is developed by computing and reconstructing the envelope spectrum. Second, nonlinear fault symptom data is mapped and clustered in sparse Hilbert space using Gaussian radial basis kernel probabilistic distance clustering method. Finally, the current state of board level package is estimated by computing the membership probability of its envelope spectrum. The experimental results demonstrated that the method can detect and classify the latent failure mode of board level package effectively before it happened.
文摘针对判别硬c-均值聚类(Discriminative Hard c-means,DHCM)算法存在对大样本数据聚类速度慢的问题,提出判别模糊c-均值(Discriminative Fuzzy c-means,DFCM)算法,即用DHCM中提出的核函数将原数据空间映射到特征空间后,再在特征空间使用模糊聚类算法实现数据聚类,并利用选取代表元的方法提高DFCM对大样本数据的执行效率。通过对真实数据的对比性实验可以验证DFCM的有效性。
