检索结果

Select

1. 基于聚类和局部线性回归的初至波自动拾取算法

高磊, 罗关凤, 刘荡, 闵帆

《计算机应用》唯一官方网站 2022, 42 (2): 655-662. DOI: 10.11772/j.issn.1001-9081.2021041046

摘要（272）

HTML （12）

PDF （4785KB）（129）

初至波拾取是地震数据处理中的关键步骤，会直接影响动校正、静校正和速度分析等的精度。目前，现有的算法受到背景噪声和复杂近地表条件的影响时拾取精度会降低。基于此，提出基于聚类和局部线性回归的初至波自动拾取算法（FPCL）。该算法由预拾取和微调两个阶段来实现。预拾取阶段先基于k均值（k-means）技术找到初至波簇，再利用基于密度的噪声应用空间聚类（DBSCAN）技术在初至波簇中进行拾取。微调阶段通过局部线性回归补齐缺失值，再利用能量比值最小化技术调整错误值。在两个地震数据集上，将FPCL与改进的能量比（IMER）法相比，准确率分别提升了4.00个百分点和3.50个百分点；与互相关技术（CCT）相比，准确率分别提升了38.00个百分点和10.25个百分点；与基于模糊C均值聚类的微震数据自动时间拾取算法（APF）相比，准确率分别提升了34.50个百分点和3.50个百分点；与基于两阶段优化的初至波自动拾取算法（FPTO）相比，准确率分别提升了5.50个百分点和16.25个百分点。上述实验结果表明FPCL更准确。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于代表的留一法集成学习分类

王轩, 张林, 高磊, 蒋昊坤

计算机应用 2018, 38 (10): 2772-2777. DOI: 10.11772/j.issn.1001-9081.2018041101

摘要（403）

PDF （862KB）（341）

为应对抽样不均匀带来的影响，以基于代表的分类算法为基础，提出一种用于符号型数据分类的留一法集成学习分类算法（LOOELCA）。首先采用留一法获得 n个小训练集，其中 n为初始训练集大小。然后使用每个训练集构建独立的基于代表的分类器，并标注出分类错误的分类器及对象。最后，标注分类器和原始分类器形成委员会并对测试集对象进行分类。如委员会表决一致，则直接给该测试对象贴上类标签；否则，基于 k最近邻（kNN）算法并利用标注对象对测试对象分类。在UCI标准数据集上的实验结果表明，LOOELCA与基于代表的粗糙集覆盖分类（RBC-CBNRS）算法相比，精度平均提升0.35~2.76个百分点，LOOELCA与ID3、J48、Naïve Bayes、OneR等方法相比也有更高的分类准确率。

参考文献 | 相关文章 | 多维度评价

Select

3. 支持异常处理的迁移工作流服务方法研究

刘畅王晓琳曾广周高磊

计算机应用 2009, 29 (07): 1992-1995.

摘要（1127）

PDF （628KB）（1115）

迁移工作流是迁移实例借助工作位置服务就地执行任务的移动计算模式，如何保证工作位置为迁移实例提供可靠的工作流服务，是迁移工作流管理系统设计中必须解决的一个关键问题。提出了一种基于案例推理的工作流服务方法，它利用服务案例支持迁移实例的正常工作，利用异常案例支持任务的异常处理。实验用例表明，该方法可以大大增强系统处理工作流服务异常的能力。