基于k-均值聚类算法的高层建筑表面风压分区研究

为分析高层建筑表面的风压特征和关键区域,以高宽比为4∶1的高层建筑风洞试验模型为对象,采用k-均值聚类算法,对0°风向角下模型各个面的风压测压管时程数据进行分析,研究结果表明:建筑左、右侧面以强烈的负压为主导,且角点附近存在负压极值;k-均值聚类算法可以有效地识别不同表面风压场的特征,风压的聚类结果与平均风压系数的分布较为吻合,且能得到代表性的风压测压管。

基于K-均值聚类法和EOF分析的贵港市台风暴雨特征分析

利用实况观测资料、中国气象局台风最佳路径数据集,采用K-均值聚类法,结合经验正交函数(EOF)分析方法,分析研究2010—2023年间影响贵港市的65个台风造成的暴雨特征。结果表明:(1)有39个台风造成暴雨,每年平均有2.8次台风暴雨,7、8月是台风暴雨的集中期,港南区南部、覃塘区中西部及桂平北部山区台风暴雨多且高发。(2)根据K-均值聚类分析,将65个台风分为A、B、C类。A、B类台风源地为西北太平洋,C类台风多来自南海。A、B类台风以西北行为主,C类台风路径复杂且在北部湾活跃。B类台风强度最强,C类台风强度最弱。(3)根据贵港市三类台风暴雨第一特征向量空间分布情况分析,A、B类台风暴雨年降雨量表现为全市普遍偏多或者普遍偏少分布型式,C类台风暴雨的年降雨量变化趋势主要为桂平东北部、南部和平南西北部偏多,其余地区偏少,或者桂平东北部、南部和平南西北部偏少,其余地区偏多。

基于改进K-均值聚类算法的汽车用户行为分析方法研究

汽车用户的驾驶行为和操作习惯等决定着驾驶是否存在风险,对于道路交通安全具有重要的意义,针对这种情况,提出一种用于预测汽车用户驾驶行为风险等级的模型。该模型为了提高模型的分类效率,在自组织映射神经网络算法中采用遗忘第二名的策略,然后结合自组织映射神经网络改进K-均值聚类分析方法,实现对于车辆驾驶人员的风险行为等级进行划分,通过聚类分析得到风险标签后,利用XGBoost算法实现对于用户风险行为的辨识。实验结果表明,改进算法的聚类精确度和运行效率都得到了提高,预测准确率为98%,召回率为98%,F1值98%,kappa系数高达0.97,远远超过其他集成辨识模型,表明本文模型在汽车用户行为的分辨准确率上得到有效提高。

基于K-均值聚类电网基建工程造价中前期费用整合方法

为了优化电网基建工程造价中前期费用整合效果,减小费用整合结果与实际造价费用的偏差,引入K-均值聚类,开展了基于K-均值聚类电网基建工程造价中前期费用整合方法研究。首先,构建了电网基建工程造价数据库,明确工程造价中前期费用指标。其次,利用K-均值聚类算法,提取基建工程造价中前期费用特征量之间的相似关系与工程数据特征量,对基建工程造价中前期费用进行全方位的整合。应用分析结果表明,费用整合方法得以应用后,电网基建工程造价中前期费用整合正确率均达到了98%,费用整合结果与基建工程实际费用情况更加接近,有效地缩小了费用整合偏差。

基于核的K-均值聚类

将核学习方法的思想应用于K-均值聚类中,提出了一种核K-均值聚类算法,算法的主要思想是:首先将原空间中待聚类的样本经过一个非线性映射,映射到一个高维的核空间中,突出各类样本之间的特征差异,然后在这个核空间中进行K-均值聚类。同时还将一种新的核函数应用于核K-均值聚类中以提高算法的速度。为了验证算法的有效性,分别利用人工和实际数据进行K-均值聚类和核K-均值聚类,实验结果显示对于一些特殊的类分布数据,核K-均值聚类比K-均值聚类具有更好的聚类效果。

基于改进K-均值聚类的数字化档案智能分类方法研究

针对现有分类方法在对数字化档案分类时存在分类结果轮廓系数和CH指数过低的问题,本文引入改进K-均值聚类,开展数字化档案智能分类方法的设计研究。通过提取数字化档案特征,并对特征主分量分析,利用改进K-均值聚类,完成对档案特征相似度的计算,结合相似度计算结果,对数字化档案关键词自动聚类,并实现智能分类。通过实验证明:新的分类方法应用后,数字化档案分类结果的轮廓系数和CH指数均显著提高,该分类方法具备较高的分类精度,同时也可广泛应用于类似资源分类当中。

基于PCA与K-均值聚类的学习者特征识别研究

学习者特征识别是在线教育决策的重要支撑。深入分析了学习者特征分析的内涵、阶段划分和主要作用,构建了由人口学特征、支持性特征、动力特征、信息能力特征和策略性特征构成的在线教育学习者特征五元模型,设计了基于PCA和K-均值聚类的学习者特征数据分析思路与方法,并进行了实例分析,能够为学习者特征及差异识别分析提供方法支撑。

改进的粗糙模糊和模糊粗糙K-均值聚类算法

在分析归纳原有聚类方法不足的基础上,结合粗糙理论和模糊理论,给出了改进的粗糙模糊K-均值聚类算法;设计了新的模糊粗糙K-均值聚类算法,并验证了该聚类算法的有效性;进而将这两种聚类算法应用到支持向量机中,对训练样本做预处理,以减少样本数目,提高了其训练速度和分类精度。

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想,该算法首先利用蚁群算法的较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,再进行K-均值聚类弥补蚁群算法的不足。两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的蚁群聚类算法分析。

一种并行的加速k-均值聚类方法

针对传统k-均值聚类方法不能有效处理海量数据聚类的问题,该文提出一种基于并行计算的加速k-均值聚类(K-means clustering based on parallel computing,Pk-means)方法。该方法首先将海量的聚类样本随机划分为多个独立同分布的聚类工作集,并在每个工作集上并行进行传统k-均值聚类,并得到相应的聚类中心和半径,通过衡量不同子集聚类结果的关系,对每个工作集中聚类得到的子类进行合并,并对特殊数据进行二次归并以校正聚类结果,从而有效处理海量数据的聚类问题。实验结果表明,Pk_means方法在大规模数据集上在保持聚类效果的同时大幅度提高了聚类效率。

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想。该算法首先利用蚁群算法较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,进行K-均值聚类弥补蚁群算法的不足。两者的有机结合可以寻求到具有全局分布特性的最优聚类,实现基于改进的蚁群聚类算法分析。

学习特征权值对K-均值聚类算法的优化

K 均值 (K means)算法聚类的结果依赖于距离度量的选取 传统的K 均值算法选择的相似性度量通常是欧几里德距离的倒数 ,这种距离通常涉及所有的特征 在距离公式中引入一些特征权参数后 ,其聚类结果将依赖于这些权值 ,从而可以通过调整这些权值优化聚类效果 由于K 均值算法是迭代算法 ,很难直接确定其权值以优化聚类结果 ,因此提出了一种间接的学习权值算法以改进聚类结果 从数学意义上讲 ,这种权值学习相当于欧氏空间中对一组点进行了一个线性变换

基于K-均值聚类多场景时序特性分析的分布式电源多目标规划

若不考虑分布式电源出力及负荷需求的波动性及不确定性,可能导致分布式电源规划容量偏大或系统电压改善程度降低。深入分析分布式电源出力时序波动特性,并引入K-均值聚类多场景概率分析方法,以降低上述波动性及不确定性对配电网的影响;以最大化年寿命周期收益率和电压分布改善率作为目标函数,建立分布式电源多目标规划模型,并采用多目标复合微分进化算法对其求解和基于最短归一化距离法实现多目标总体最优解决策。以IEEE33节点配电系统为例进行分布式电源多目标规划,验证了所提方法的有效性和优越性。

基于改进k-均值聚类的负荷概率模型

提出采用改进的k-均值聚类方法对电力系统小时负荷进行聚类,避免了传统k-均值聚类存在的聚类中心初始值难以确定、聚类结果不稳定的问题。在建立聚类负荷模型的基础上,进一步建立了考虑负荷不确定性和相关性的负荷概率模型。RBTS和IEEE RTS79算例分析结果表明,采用所建立的聚类负荷模型时的发电系统可靠性计算结果精度高,节省了状态抽样法的计算时间;负荷不确定性和相关性对发电系统可靠性有较大影响。所建立的负荷概率模型为采用解析法和状态抽样法进行发电和发输电系统可靠性评估提供了基础。

基于K-均值聚类算法的行驶工况构建方法

提出一种基于K-均值聚类算法的城市循环工况构建方法,该方法通过实车采集某城市道路行驶工况的数据,将工况数据预处理后划分为工况块,运用平均速度、行驶距离和巡航时间比3个参数对工况块进行K-均值聚类分析,采用距离聚类中心越近越能代表簇特征的原则选取工况块,最终拟合出某城市循环工况,并对其从特征参数、转毂实验和废气分析采集的油耗和排放数据3个方面与其他典型城市循环工况进行了对比。对比分析结果表明:采用本方法构建的城市循环工况能够很好地反映某地实际交通道路状况,具有实用价值。

基于核K-均值聚类算法的植物叶部病害识别

针对植物叶部病害图像的特点,首先对采集到的玉米病害彩色图像采用矢量中值滤波法去除噪声,然后提取玉米病叶彩色图像的纹理特征和颜色特征作为特征向量,利用Mercer核,把输入空间的样本映射到高维特征空间进行K-均值聚类以及植物病害识别。试验涉及的4种玉米病害识别正确率达82.5%,核K-均值聚类方法适合玉米叶部病害分类。

基于K-均值聚类算法的西安市汽车行驶工况合成技术研究

为提供排放试验所需的车速曲线,基于划分的短行程数据,采用K-均值聚类算法构建了西安市汽车行驶合成工况。首先对采集的原始数据进行短行程划分并进行特征提取,针对提取的高维特征向量之间的冗余性和非线性关系,采用核主分量分析法进行降维。然后基于K-均值的聚类算法,对降维后特征向量进行划分,按照离聚类中心最近的原则选择各聚类的短行程样本,将其合成为平均速度为21.51 km/h、持续时间为1 166 s、距离为6.9 km的西安市汽车行驶工况。对比表明,西安市汽车行驶工况接近于日本J10-15标准,但加速度参数要高很多。

基于K-均值聚类与夹角余弦法的多光谱分类算法

近年来对高光谱与多光谱进行分类去混的研究方法很多,K-均值聚类算法与光谱相似度计算算法都属于成熟的分类算法。作者在对其研究基础上,将K-均值算法进行改进,并融入光谱相似度匹配算法,形成一种新的光谱分类算法,找出两条距离最远的光谱作为参考光谱,用欧氏距离法或夹角余弦法对数据立方体进行分类,并且从数据立方体中删除属于这两条谱线的其余谱线,同时找出与两条参考光谱距离最远或者夹角最大者作为第三条参考光谱,对剩余数据立方体进行新的分类,并在此算法上用多光谱数据立方体进行了试验验证。通过ENVI用K-均值(K-means)进行分类,与改进的K-means算法和夹角余弦法Mat-lab仿真结果进行比较,后两种对于两种气泡的分类效果都很好,对背景的分类改进的K-means算法效果较好,尤其是欧氏距离法能将背景完整地分离出来。

基于改进的k-均值聚类和数学形态学的彩色眼科图像病灶分割

病灶面积的定量化研究在眼科临床上具有重要的意义 ,为此首先需要把病灶从眼科图像中分割出来。已有的分割算法未充分利用眼科图像的整体信息 ,不适用于角膜病灶的分割。因此 ,本文提出了一种新算法 :首先利用改进的k 均值算法 ,对色度和亮度进行聚类 ,再通过数学形态学运算分割角膜病灶。实验结果表明 。

基于节点生长k-均值聚类算法的强化学习方法

处理连续状态强化学习问题,主要方法有两类:参数化的函数逼近和自适应离散划分.在分析了现有对连续状态空间进行自适应划分方法的优缺点的基础上,提出了一种基于节点生长k均值聚类算法的划分方法,分别给出了在离散动作和连续动作两种情况下该强化学习方法的算法步骤.在离散动作的MountainCar问题和连续动作的双积分问题上进行仿真实验.实验结果表明,该方法能够根据状态在连续空间的分布,自动调整划分的精度,实现对于连续状态空间的自适应划分,并学习到最佳策略.