零部件的互換性是其生產(chǎn)過(guò)程影響甚廣的重要性質(zhì),其中選配工作就極依賴這個(gè)性質(zhì),對(duì)零部件分組能夠顯著提升組內(nèi)的互換性。選配工作是對(duì)兩種或多種配合零件選擇配對(duì),是生產(chǎn)工作中耗時(shí)耗力的步驟。一般采用分組選配方案,傳統(tǒng)分組是將每種零件按實(shí)際測(cè)量尺寸形成公差帶,根據(jù)公差帶進(jìn)行分組。這種分組方法只能適用于單個(gè)維度尺寸的分組,本文選用了效果好、依賴少的譜聚類算法對(duì)尺寸測(cè)量數(shù)據(jù)進(jìn)行聚類分組,能夠?qū)Χ嗑S度尺寸數(shù)據(jù)進(jìn)行分組,極大提高了零件的互換性。譜聚類是一種不同于k-means等基于質(zhì)心的傳統(tǒng)聚類算法,對(duì)數(shù)據(jù)分布沒(méi)有過(guò)多假設(shè),且多方面評(píng)價(jià)指標(biāo)有優(yōu)勢(shì)的算法。本文對(duì)譜聚類算法進(jìn)行了兩方面的改進(jìn),第一利用了堆數(shù)據(jù)結(jié)構(gòu)快速搜索出每個(gè)樣本點(diǎn)的k近鄰鄰域,獲得遠(yuǎn)高于原始基于排序的經(jīng)典算法的執(zhí)行效率;第二利用額外的鄰域累計(jì)信息來(lái)去除不可靠的相似連接來(lái)提高聚類結(jié)果的可靠性和真實(shí)性。最后結(jié)合以上兩個(gè)策略形成了新算法HCKNNSC(K-Nearest Neighbor Spectral Clustering algorithm based on Heap and Consensus,基于堆和鄰域共識(shí)的k近鄰譜聚類算法),比起...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１?Ｈａｄｏｏｐ架構(gòu)??

ＭａｐＲｅｄｕｃｅ是Ｈａｄｏｏｐ的處理組件，是個(gè)可擴(kuò)展、并行處理編程模型和軟件框??架，提出了計(jì)算向數(shù)據(jù)移動(dòng)的新思路減少了數(shù)據(jù)傳輸時(shí)間［２８］。Ｈａｄｏｏｐ、ＭａｐＲｅｄｕｃｅ、??ＹＡＲＮ和Ｓｐａｒｋ的層次依賴、包含、可插拔關(guān)系如圖１．１所示：??Ｈａｄｏｏｐ?１?Ｈａｄｏｏｐ....

圖２．１最小割與規(guī)范割結(jié)果對(duì)比??但這樣一來(lái)就將問(wèn)題轉(zhuǎn)化成ＮＰ難問(wèn)題，優(yōu)化問(wèn)題又入

用簡(jiǎn)單算法聚類，這也是譜聚類名字的由來(lái)。因此，即使在簇呈任意形狀時(shí)它也能避開(kāi)??局部最優(yōu)的陷阱并收斂于全局最優(yōu)。經(jīng)典的譜聚類就基于這樣的思想，大致的算法流程??如圖２．２：??１１??

圖２．２譜聚類流程圖??如流程圖２．２所示，先對(duì)數(shù)據(jù)集計(jì)算生成距離矩陣Ｚ）加ｅｉＴ”，這里采用歐式距離??度量每對(duì)樣本點(diǎn)之間的遠(yuǎn)近，公式如式（２．５）所不：??ｄ（ｘ，，ｘ）＝?ｌｆｘ＾－ｘ）２??

結(jié)束??圖２．２譜聚類流程圖??如流程圖２．２所示，先對(duì)數(shù)據(jù)集計(jì)算生成距離矩陣Ｚ）加ｅｉＴ”，這里采用歐式距離??度量每對(duì)樣本點(diǎn)之間的遠(yuǎn)近，公式如式（２．５）所不：??ｄ（ｘ，，ｘ；）＝?ｌ＾ｆｘ＾－ｘ＾）２??ｈ?（２．５）??其中，ｘ，和ｘ，分別是給定數(shù)據(jù)集女＝１，２，中的兩....

圖２．３相似圖近似技術(shù)??

存儲(chǔ)和計(jì)算限制促使我們想到矩陣稀疏化，將大多數(shù)元素清零，這允許使用更少??的存儲(chǔ)空間有效地存儲(chǔ)稀疏矩陣，而不是存儲(chǔ)所有Ａ７２個(gè)元素。構(gòu)造相似圖有多種不同??方法，現(xiàn)在來(lái)討論最常見(jiàn)的類型。圖２．３描繪了多個(gè)相似圖近似改進(jìn)的方向，并隨后列??舉了幾種流行的相似圖近似方法。??稠密相似....

本文編號(hào)：3961925