提出基于知识度量的模糊粗糙c-均值聚类(fuzzy rough c-means based on the knowledge measure,KFRCM)算法。传统聚类算法在处理具有模糊边界的数据时存在一定的局限性,表现为对初始聚类中心较为敏感且在高维空间中效率较低。为解决上...提出基于知识度量的模糊粗糙c-均值聚类(fuzzy rough c-means based on the knowledge measure,KFRCM)算法。传统聚类算法在处理具有模糊边界的数据时存在一定的局限性,表现为对初始聚类中心较为敏感且在高维空间中效率较低。为解决上述问题,引入特征加权的知识度量,结合模糊隶属度函数与粗糙集近似算子,采用高斯核相似度以增强边界特性。实验采用14个数据集,实验结果表明,KFRCM算法的聚类准确性、稳定性和计算效率均优于6种主流聚类算法。该研究首次将知识度量与模糊粗糙聚类相结合,为开发更为可靠和适应性更强的聚类算法提供了新的思路和算法。展开更多
随着新能源汽车行业的迅猛发展,车载控制器局域网络(Controller Area Network,CAN)安全防护研究的重要性日益递增。为检测CAN总线异常攻击,保障车辆安全,提出一种基于支持向量数据描述(Support Vector Data Description,SVDD)的车载CAN...随着新能源汽车行业的迅猛发展,车载控制器局域网络(Controller Area Network,CAN)安全防护研究的重要性日益递增。为检测CAN总线异常攻击,保障车辆安全,提出一种基于支持向量数据描述(Support Vector Data Description,SVDD)的车载CAN总线入侵检测方法。提取CAN报文标识符和数据域的数据作为特征信息,经过数据预处理和PCA降维后,输入SVDD模型进行入侵检测。在模型训练中,选用高斯核函数以提高SVDD入侵检测模型的拟合能力,减少模型的冗余面积。实验表明,该文方法在保证了较高召回率和F1分数的同时,比传统SVDD模型的准确率提升了9.66%,与其他四种模型对比,其综合性能更好。展开更多
针对室内可见光定位中非视距信道(Non Line of Sight,NLOS)导致定位精度不足的问题,提出了一种基于动态高斯加权(Dynamic Gaussian Weighted,DGW)接收信号强度指示(Received Signal Strength Indicator,RSSI)和遗传算法(Genetic Algorit...针对室内可见光定位中非视距信道(Non Line of Sight,NLOS)导致定位精度不足的问题,提出了一种基于动态高斯加权(Dynamic Gaussian Weighted,DGW)接收信号强度指示(Received Signal Strength Indicator,RSSI)和遗传算法(Genetic Algorithm,GA)改进支持向量回归(Support Vector Regression,SVR)的室内可见光定位算法。首先,构建指纹库并划分数据集,计算接收器与光源之间的距离动态调整高斯函数的标准差,再结合RSSI信号的波动性进行自适应加权,以减少NLOS对定位的影响。然后,使用GA优化SVR模型的参数,得到最佳定位模型。最后,使用最佳定位模型对加权后的指纹数据进行定位预测。实验结果表明:本算法的平均定位误差为7.1 cm,相较于SVR、SVR-GA等算法降低了21.1%~42.3%,并且能有效降低NLOS的影响、提高室内定位的精度,具有较强的应用前景。展开更多
文摘提出基于知识度量的模糊粗糙c-均值聚类(fuzzy rough c-means based on the knowledge measure,KFRCM)算法。传统聚类算法在处理具有模糊边界的数据时存在一定的局限性,表现为对初始聚类中心较为敏感且在高维空间中效率较低。为解决上述问题,引入特征加权的知识度量,结合模糊隶属度函数与粗糙集近似算子,采用高斯核相似度以增强边界特性。实验采用14个数据集,实验结果表明,KFRCM算法的聚类准确性、稳定性和计算效率均优于6种主流聚类算法。该研究首次将知识度量与模糊粗糙聚类相结合,为开发更为可靠和适应性更强的聚类算法提供了新的思路和算法。
文摘随着新能源汽车行业的迅猛发展,车载控制器局域网络(Controller Area Network,CAN)安全防护研究的重要性日益递增。为检测CAN总线异常攻击,保障车辆安全,提出一种基于支持向量数据描述(Support Vector Data Description,SVDD)的车载CAN总线入侵检测方法。提取CAN报文标识符和数据域的数据作为特征信息,经过数据预处理和PCA降维后,输入SVDD模型进行入侵检测。在模型训练中,选用高斯核函数以提高SVDD入侵检测模型的拟合能力,减少模型的冗余面积。实验表明,该文方法在保证了较高召回率和F1分数的同时,比传统SVDD模型的准确率提升了9.66%,与其他四种模型对比,其综合性能更好。
文摘针对室内可见光定位中非视距信道(Non Line of Sight,NLOS)导致定位精度不足的问题,提出了一种基于动态高斯加权(Dynamic Gaussian Weighted,DGW)接收信号强度指示(Received Signal Strength Indicator,RSSI)和遗传算法(Genetic Algorithm,GA)改进支持向量回归(Support Vector Regression,SVR)的室内可见光定位算法。首先,构建指纹库并划分数据集,计算接收器与光源之间的距离动态调整高斯函数的标准差,再结合RSSI信号的波动性进行自适应加权,以减少NLOS对定位的影响。然后,使用GA优化SVR模型的参数,得到最佳定位模型。最后,使用最佳定位模型对加权后的指纹数据进行定位预测。实验结果表明:本算法的平均定位误差为7.1 cm,相较于SVR、SVR-GA等算法降低了21.1%~42.3%,并且能有效降低NLOS的影响、提高室内定位的精度,具有较强的应用前景。
