基于改进KNN算法的新能源发电单元运行状态识别

目前识别发电单元运行状态的研究较少,数据来源以数据采集与监控系统为主,采集速度较慢。为此,提出了一种基于发电单元机端电气量数据并融合改进k近邻(KNN)算法的新能源发电单元状态识别方法,直接采集机端电气量数据用于快速判断发电单元状态。提出KNN算法的改进策略,克服了传统KNN算法准确度低、识别速度慢的缺点。利用电力系统分析综合程序获取用于状态识别的发电单元机端电气量数据,利用改进策略对数据进行预处理,并对比传统KNN算法、逐条使用改进策略的KNN算法对新能源发电单元状态识别的耗时与准确度。结果表明所提算法较传统算法的识别准确度和速度明显提升,能满足稳定控制过程中对新能源发电单元的状态感知需求。

基于改进KNN-RF的信息补全算法

针对室内指纹定位指纹库数据在实际环境中存在数据缺失导致定位误差大的问题,本文提出了一种改进距离公式的K近邻-随机森林的信息补全算法。首先,采用高斯滤波对收集的指纹数据进行预处理,去除干扰数据项,提高数据可靠性。其次,在将指纹数据划分为训练集和测试集的基础上,采用结合欧氏距离和曼哈顿距离的KNN算法获得近邻集合样本,随后用RF算法对近邻集合训练进行优化,再把各个决策树的预测结果取平均值,得到缺失数据的预测值。最后,将改进的补全算法与KNN、改进的KNN、RF和KNN-RF补全算法进行对比。实验结果表明,本文的改进补全算法的预测准确率和精度均优于其他算法,预测的准确率达91.3%。同时本文补全算法的指纹库平均定位误差为1.82 m,相较于其他补全算法的指纹库定位误差降低了1.6%~7.2%,定位性能更好。

基于小波包分析和优化KNN的电动开度阀故障检测方法

针对以微控制器MCU为控制核心的电动开度阀控制系统难以集成高效且计算量小的故障检测子系统的问题,基于小波包变换和优化K近邻(K-Nearest Neighbor,KNN)算法提出了一种电动开度阀故障检测方法。对阀门振动信号进行小波包变换,计算小波包节点的能量值与其重构信号的时域特征参数。根据Pearson系数筛选出两种与能量强相关的故障特征参数:峰峰值与均方根,并将两者作为KNN算法的样本评价指标;通过对评价指标进行加权优化了KNN算法的距离计算公式,分别在MATLAB和实验样机中进行故障检测测试,对应最高分类准确率分别为92.5%与86.7%。结果表明:实验测试与仿真分析具有较好的一致性,该故障检测方法的优势在于计算量小、故障识别率较高,并能有效地应用于以MCU为核心的电动开度阀控制系统。

基于密文KNN检索的室内定位隐私保护算法

在定位请求服务中,如何保护用户的位置隐私和位置服务提供商(Localization service provider,LSP)的数据隐私是关系到WiFi指纹定位应用的一个具有挑战性的问题。基于密文域的K-近邻(K-nearest neighbors,KNN)检索,本文提出了一种适用于三方的定位隐私保护算法,能有效提升对LSP指纹信息隐私的保护强度并降低计算开销。服务器和用户分别完成对指纹信息和定位请求的加密,而第三方则基于加密指纹库和加密定位请求,在隐私状态下完成对用户的位置估计。所提算法把各参考点的位置信息随机嵌入指纹,可避免恶意用户获取各参考点的具体位置;进一步利用布隆滤波器在隐藏接入点信息的情况下,第三方可完成参考点的在线匹配,实现对用户隐私状态下的粗定位,可与定位算法结合降低计算开销。在公共数据集和实验室数据集中,对两种算法的安全、开销和定位性能进行了全面的评估。与同类加密算法比较,在不降低定位精度的情况下,进一步增强了对数据隐私的保护。

基于特征加权的KNN模型岩性识别方法

岩性识别是一项重要的地质工作,为固体矿产勘探与油气勘探奠定了坚实的地质基础。岩石物性是连接岩性和地球物理场的桥梁,可以通过物性之间的差异进行岩性识别,但不同岩石的物性数据往往存在一定重合,仅靠交会图无法准确地识别岩性。KNN(K近邻)模型是一种简单、直接的机器学习方法,准确度和灵敏度都很高,适用于多分类问题。基于此,本文将基于特征加权的KNN模型引入岩性识别中,该方法将传统KNN模型与属性特征的信息增益相结合,对不同特征赋予不同权重,可以直观地反映属性特征对分类的重要程度。实验证明,相比于传统KNN方法,基于特征加权的KNN模型对岩性交界处的识别能力有大幅提升,整体提高了岩性识别的准确性和稳定性。

基于EMD和KNN的发动机辐射噪声预测研究

针对基于发动机表面结构单通道振动的辐射噪声预测问题,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和KNN(K-Nearest neighbor)的预测算法,通过EMD将单一振动时域信号分解为多个本征模态函数(Intrinic Mode Function,IMF)信号,并将每个IMF信号作为振动数据集的特征,最后以新的振动数据集为输入建立辐射噪声预测模型。试验结果表明,基于该算法建立的预测模型可解释方差分数为0.97,有着较小的预测误差。

应用非线性KNN数据搜索的三维叠前自由表面多次波预测

自由表面多次波预测(SRMP)是自由表面多次波消除(SRME)以及成像的重要环节。SRME技术尽管有效,但理论上需要规则而密集的地震数据采集方式。然而实际炮点、检波点空间分布稀疏,地震数据不能满足SRME理论要求,常规的做法是在SRME之前将地震数据规则化。为了避免数据规则化环节,首先建立索引数据树管理三维叠前地震数据,并采用基于树形数据结构的非线性K近邻算法(KNN)从地震数据中实时搜索两道近似地震数据;然后利用动校—反动校消除实时搜索得到的近似地震道与实际地震道之间的旅行时误差;由以上两步获得单道孔径内任意向下反射点(DRP)所需要的两道地震数据用于SRMP。单道孔径内任意DRP均可由SRMP预测对应的多次波模型道,叠加所有DRP对应的预测结果可获得该道稳定的多次波模型数据。将该方法用于扩展的三维Pluto模型数据,结果表明该方法能有效预测三维自由表面多次波,从而保证高质量的自由表面多次波衰减结果。实际地震数据的应用证明了方法的实用性。

无铅0.96KNNTS_(x)-0.04BNKZ透明压电陶瓷的制备及其光电性能研究

本文制备了0.96(K_(0.48)Na_(0.52))(Nb_(0.95-x)Ta_(0.05)Sb_(x))O_(3)-0.04Bi_(0.5)(Na_(0.82)K_(0.18))_(0.5)ZrO_(3)(即0.96KNNTS_(x)-0.04BNKZ,x=0.03,0.04,0.06,0.07)无铅透明压电陶瓷,并探讨了不同Sb掺杂量对陶瓷压电性能和光学透明度的影响。结果表明,所有陶瓷样品均为钙钛矿结构,且Sb掺杂显著改善了陶瓷的压电性能和透明度。尤其在x=0.04时,样品的压电系数达到240 pC/N,光学透过率在波长780 nm处达到31.5%。该研究表明,通过成分设计调控,KNN基无铅陶瓷能够同时实现较好的透明度和高的压电性能,在光声成像和透明换能器等领域具有重要应用潜力。

面向电力物联网流数据的一种具有隐私保护的KNN查询方法

电力物联网是一个智慧服务系统,为人们提供了状态全面感知、信息高效处理、应用便捷灵活的服务,然而在享受服务的同时却面临着隐私泄露的风险。目前有关电力数据的隐私保护的成果主要集中在安全聚合,对于诸多基础服务的核心技术(如KNN查询)却鲜有涉及。与传统关系型数据不同的是,电力物联网采集的是用户用电的流数据,并且电力参数的各数据之间还具有动态相关性,攻击者可以通过数据挖掘等手段推测未来数据的变化趋势。为此,提出了一种具有隐私保护的KNN查询方法。首先,提出了基于桶距离的相似性度量模型,并证明了桶距离的相似性度量模型与基于欧氏距离的相似性度量模型的误差上界和下界;同时通过该模型,能将相似性度量转换为集合的交操作;构造了一种隐私保护函数,通过代入不同参数,可为各智能终端生成不同的数据隐私保护函数和查询隐私保护函数;在此基础上,提出了基于桶划分和随机数分配的数据编码方案,编码数据经过隐私保护函数加密后,具有密文不可区分的特点,能有效抵抗选择明文攻击、数据挖掘攻击、统计分析攻击、ICA攻击以及推理预测等攻击手段。分析和仿真表明,提出的安全KNN查询方法不仅具有较高的安全性,而且开销较低。

基于改进穿线法和KNN的数码管字符识别研究

针对传统穿线法过度依赖数码管字符分割效果、无法对小数点字符进行识别以及机器学习算法识别数码管用时过长的问题,提出了基于改进穿线法与KNN算法相融合的数码管字符识别方法,达到了对不同数码管字符及小数点识别的目的,减少了对字符预处理效果的依赖。在嵌入OpenCV图像处理程序的LabVIEW人机交互平台采集到实时图像后,输出识别结果。经多次实验,该方法的识别时间相比单独使用KNN的识别时间明显缩短,识别率可以达到95%以上,具有识别速度快、精度高的优势。

基于KNN-XGBOOST堆叠模型在PCB RFID天线阻抗预测的研究

针对传统的天线仿真建模过程中需要的天线阻抗耗时长问题,文中提出一种基于KNN-XGBOOST模型的天线阻抗预测方法。现有研究大多为单一预测算法,旨在通过对比寻求预测效果更优的算法。首先通过ANSYS仿真软件收集大量的PCB RFID天线阻抗设计数据,然后结合影响阻抗中天线长度和频率共8个有效特征,以KNN和XGBOOST两种算法作为基模型,线性回归作为元模型,构建了一个堆叠集成学习模型。在实验过程中,通过交叉验证和网格搜索技术,对模型的超参数进行了精细调优,以确保模型能够达到最优的预测性能。实验结果显示,与单一的KNN和XGBOOST模型相比,KNN-XGBOOST模型的均方根误差降低了30%~70%,R^(2)提高了10%。在预测PCB RFID天线的阻抗实部和虚部时,KNNXGBOOST模型具有较高的准确率和较低的预测误差,证明了其在电磁仿真设计优化中的应用价值。

基于Triplet Loss和KNN的非侵入式未知负荷识别

针对在接入新负荷时传统非侵入式负荷识别算法会产生误分类的问题,提出一种基于三元组损失(Triplet Loss)和KNN的非侵入式未知负荷识别算法。首先,采用负荷稳态运行时的电流、电压构造多特征融合的彩色V-I轨迹图像;然后,挖掘在线的Semi-Hard样本对,使用Triplet Loss训练神经网络,并得到各样本的特征向量;最后,对特征向量进行PCA降维,并基于类中心构造邻域,使用KNN算法来进行负荷识别。使用PLAID、COOLL数据集对所提算法进行测试。测试结果表明,所提的负荷识别算法在已知类别负荷的分类和未知负荷的识别方面均有较高的准确率。

基于PCA+KNN和kernal-PCA+KNN算法的废旧纺织物鉴别

该研究采集了15类废旧纺织物的4 998张近红外谱图,以7∶3的比例分为训练集和验证集,并分别采用主成分分析(PCA)与核主成分分析(kernal-PCA)两种不同降维方法对数据进行降维,并选用余弦相似度(cosine)核作为kernal-PCA的最佳核函数,最后分别将PCA和kernal-PCA降维处理后的数据进行k-近邻算法(KNN)训练。结果表明,kernal-PCA+KNN的模型准确率(95.17%)优于PCA+KNN模型的准确率(92.34%)。研究表明,kernal-PCA+KNN算法可以实现15类废旧纺织物识别准确率的提升,为废旧纺织物在线近红外自动分拣提供有力的技术支撑。

基于AKNN异常检验与ADPC聚类的低压台区拓扑识别方法

低压台区拓扑信息的准确记录是进行台区线损分析、三相不平衡治理等工作的基础。针对目前拓扑档案排查成本高且效率低的问题,提出一种基于自适应k近邻(adaptive k nearest neighbor,AKNN)异常检验和自适应密度峰值(adaptive density peaks clustering,ADPC)聚类的低压台区拓扑识别方法。该方法利用动态时间弯曲(dynamic time warping,DTW)距离度量低压台区用户间电压序列的相似性,通过AKNN异常检验算法检验并校正异常的用户与变压器之间的关系(简称“户变关系”),在得到正确户变关系的基础上,采用ADPC聚类算法对台区内用户进行相位识别;最后,通过实际台区算例分析验证了该方法不需要人为设置参数,能有效实现低压台区的拓扑识别,具有较高的适用性与准确性。

坝肩岩体质量LDA-KNN分类模型

工程岩体质量分级评价对工程的安全、设计、经济效益等有重要影响。针对当前岩级划分方法中存在不确定性,人为因素干扰和忽视了传统定性分级中对岩体质量评价的重要性等问题,本文通过在工程实际中搜集样本建立数据库,从工程的实际需求出发,选择岩体完整性系数(K v)、结构面间距(D)、岩石质量指标(RQD)等合适的评价指标,通过引入LDA(Linear Discriminant Analysis)降维方法和K近邻分析(K-Nearest-Neighbor,KNN)相结合的多分类模型,实现了岩体的非线性分级预测。通过定性定量相结合实现了岩体多因素,多指标的综合分级,并解决了多指标判断时信息冗余,复杂程度高的问题。与其他判别方案相比较,模型得出的结果准确率高,符合工程实际,减少了人为因素的影响,体现出较强的预测判别能力。该研究为水电站大坝坝肩处的平硐岩体质量划分提出了一种可行的预测方案。

基于KNN算法的教学质量评价模型建立

针对当前教学质量评价存在主观性较强的不足,基于K-最近邻(K-nearest neighbor,KNN)算法,提出教学质量评价模型.确立教学质量评价体系;以教学督导的评价数据为样本数据,通过交叉验证求解最近邻算法参数K的最佳值,从而建立教学质量评价模型.模型以专家数据为样本,评价精度高,评价结果具有较高的可靠性,能根据相关指标快速产生评价等级,提高了教学质量评价效率,使教学质量评价更加客观全面.

基于KNN算法的复合绝缘子憎水性等级分类

传统的复合绝缘子憎水性等级分类主要依靠电网工作人员在高空下进行,受到环境、天气等因素的影响,检测质量难以保证,工作效率低下。提出一种基于KNN算法的复合绝缘子憎水性等级分类方法,并对KNN算法进行试验,选择最合适的参数进行复合绝缘子憎水性等级分类。试验结果表明,当K=8,使用曼哈顿距离,对复合绝缘子憎水性等级分类准确率最高,达到86.41%。

基于KNN和FAHP-熵值法的民用飞机结构修理方案生成方法

为提高民用飞机结构维修决策效率,确保飞机飞行适航性,提出了一种基于KNN和FAHP熵值法结合的民用飞机结构修理方案生成方法.首先,根据飞机结构维修案例的特征类型,筛选影响维修决策的关键特征;然后,运用FAHP熵值法对案例特征属性的权重进行定量描述;最后,结合航空公司实际维修案例,采用改进的KNN算法计算源案例与目标案例的相似度,评估二者的接近度.研究结果表明,将KNN与FAHP-熵值法相结合能有效计算飞机结构维修案例的相似度,对民机结构的数字化维修和智能化决策具有重要的理论意义和工程应用价值.

基于PCA-BOA-KNN模型的水下爆炸舰船结构破损评估

[目的]为解决水下爆炸作用下舰船结构破口损伤评估问题,建立一种基于PCA-BOA-KNN模型的破口预报方法。[方法]首先,分别建立五舱段和七舱段有限元模型,对21组水下爆炸工况进行爆炸仿真分析;然后,基于主成分分析(PCA)法,对加速度峰值、速度峰值、位移峰值、应力峰值和超压峰值进行降维处理,得到2个本征特征量;最后,将由主成分分析法得到的结果代入贝叶斯网络优化(BOA)的KNN模型,通过建立的破口预报模型,预测一组工况下舰船不同剖面处的破口情况。[结果]结果显示,通过主成分分析法提取的前2个因子的累计贡献率为85.165%,这2个因子可代表5个特征量的主要信息;基于PCA-BOAKNN模型的破口预报结果与仿真结果基本一致。[结论]所提的预报模型方法对舰船结构破口预报有效,对于不同主尺度船体结构破口预报有一定的参考价值。

基于IKNN和LOF的变压器回复电压数据清洗方法研究

基于回复电压极化谱提取特征参量是目前广泛应用的变压器油纸绝缘状态评估方法,但极化谱易受工况干扰、人工失误等因素影响而出现特征数据异常的情况,严重降低评估准确性。针对上述问题,该文提出了一种基于局部离群因子(LOF)和改进K最近邻(IKNN)的回复电压数据清洗方法。首先,选取回复电压极化谱的回复电压极大值Urmax、初始斜率Sr与主时间常数tcdom作为老化特征参量,并基于LOF算法对非标准极化谱中的异常特征量数据进行识别与筛除。其次,利用模糊C均值(FCM)聚类算法减小噪声点对KNN算法的干扰,并通过加权欧氏距离标度突出各特征量间的关联性,进而构建出基于IKNN的数据填补模型架构以实现特征缺失数据的填补。最后,代入多组实测数据验证所提数据清洗方法的实效性。结果表明,数据清洗后的状态评估准确率相较于原有数据上升了50%左右,有效提高了变压器回复电压数据质量,为准确感知变压器运行状况奠定坚实的基础。