基于AP-WOA-GRU的分布式光伏集群电压越限动态预测

针对整县光伏背景下规模化分布式光伏接入配电网导致的电压波动问题,提出了一种基于近邻传播聚类(affinity propagation,AP)与鲸鱼算法(whale optimization algorithm,WOA)优化门控循环单元(gated recurrent unit,GRU)的分布式光伏集群电压越限预测方法。首先,在考虑分布式光伏地理坐标气象特征的基础上,添加基于配电网节点负荷密度因素的位置特征,采用近邻传播聚类方法,在不指定聚类数目的情况下划分具有近似气象特征和地理位置特征的分布式光伏集群,提高模型训练效果及适应性;然后,采用鲸鱼优化算法全局搜索GRU模型的最优训练参数,进一步提高模型的训练速度和预测精度;最后,利用WOA-GRU组合模型实现配电网节点电压与环境温度、光照强度的关联匹配,进而实现区域配电网电压波动及电压越限情况的整体预测。实验证明:所提出的方法能够有效提高预测精度及训练速度,强化预测模型的适应能力,具有较好的经济性和实用性。

一种用于公交站点聚类的AP算法

针对公交站点全球定位系统数据采集过程中定位精度较低的问题,提出一种用于公交站点聚类的AP算法。AP算法以相似度矩阵为基础,根据聚类对象自动进行分类判断,依靠2点之间消息传递迭代更新得到最佳的聚类结果。针对公交站点数据特征选择参考度,提出个数控制和距离控制的改进方法。实验结果表明,该算法能够准确得到公交站点聚类个数,有效排除噪声点,执行效率满足要求。

AP聚类算法的分析与应用

Affinity propagation(AP)聚类算法是通过消息传递实现聚类的,不需要事先指定聚类数目.对于规模较大的数据集,AP聚类是一种快速、有效的聚类方法,这是其他传统聚类方法所不能及的,如K-centers方法.研究了AP算法的原理和步骤,通过实验,证明了AP聚类算法的实用性和有效性.

一种变步长AP-REE算法的研究

为了提高自适应滤波器的滤波性能,提出了一种变步长的AP-REE算法。通过分析AP-REE算法权值误差和权值均方误差的二阶统计量,获得了参数迭代步长的一个优化解,促进了AP-REE算法在迭代方向上均方误差的收敛速度。仿真结果表明,相比较于定步长的AP-REE算法,变步长的AP-REE算法获得了更快的收敛速度。

基于AP的Volterra级数自适应多重回归及其多步预测应用

为解决时间序列多步预测的高效率、高精度问题,提出一种基于Volterra级数的多重回归仿射投影自适应算法。应用虚假最临近点法算法选择最优嵌入维数,优化模型初始参数。以系统Volterra核向量增量的模与某约束总和为损失函数,按照最陡下降原理导出各阶Volterra核更新公式,再利用矩阵求逆引理递推求取各阶Volterra子系统自相关逆矩阵导出算法,从而实现了对多输入多输出数据样本的建模,采用该模型对Henon映射产生的时间序列进行多步预测实验,结果表明可以对该时间序列进行准确建模和预测,证明了所提模型的有效性。

一种基于AP-Entropy选择集成的风控模型和算法

近年来互联网金融网贷领域涌现出了众多的风控问题,对此采用多种特征选择方法预处理风控领域的数据指标,构建了全面的针对企业信用的风控指标体系,采用stacking集成策略研究了基于AP-Entropy的信用风险模型。信用风险模型有两层学习器,引入选择集成思想,从种类和数量上筛选基学习器。首先,在Logistic回归、反向传播神经网络、AdaBoost等经典机器学习算法中,采用AP聚类算法选出适合企业信用风险的异质学习器作为基学习器;其次,在每次学习器迭代中,利用熵对学习器择优,自动选出F1值最高的基学习器,其中改进基于熵的学习器选择算法,提升了基学习器选择过程的效率,降低了模型的计算成本,模型选取XGBoost作为次级基学习器。实验结果表明,文中提出的模型和其他模型相比具有更好的学习效果和更强的泛化能力。

基于AP相似日选取与FISOA-RBF的短期负荷预测

为提高建筑电力负荷的预测精度,在考虑天气信息和日期类型等影响因素的基础上,提出基于吸引子传播(affinity propagation,AP)相似日选取和改进搜索者优化算法-径向基(fusion improvement seeker optimization algorithm-radial basis function,FISOA-RBF)神经网络的建筑用电短期负荷预测模型.采用AP算法对短期电力负荷进行相似日选取,以克服外界环境对建筑电力负荷预测精度的影响;以RBF神经网络的网络参数为优化对象,采用搜索者优化算法(seeker optimization algorithm,SOA)进行参数寻优,并引入融合改进策略提高传统人群算法的寻优性能,以进一步提高RBF神经网络的预测精度和学习速度;根据FISOA算法优化后的RBF神经网络对相似日数据进行训练,建立最优参数下的建筑短期电力负荷预测AP-FISOA-RBF模型.在相同数据集和气候特征条件下,与传统RBF、PSO-RBF和SOA-RBF预测模型相比,AP-FISOA-RBF模型平均预测绝对百分比误差分别降低了93.05%、83.60%和71.13%,平均预测速度分别提高了54.34%、39.25%和23.96%,表明AP-FISOA-RBF模型在预测精度和预测速度上的表现更好.

一种AP算法的改进:M-AP聚类算法

Affinity Propagation(AP)聚类算法将所有数据点作为潜在的聚类中心,在相似度矩阵的基础上通过消息传递进行聚类。与传统聚类方法相比,对于大规模数据集,AP是一种快速、有效的聚类方法。但是AP算法在聚类结构复杂的(非团状)数据集上得到的效果并不是很好。因此,在AP的基础上加入一个merge过程,将AP算法改进为MAP算法,可以有效地解决这种问题。而当样本数目比较大时,将CVM压缩算法融入其中,可以有效地解决大样本问题。

融合AP和GMM的说话人识别方法研究

针对在说话人识别过程中经典的高斯混合模型(Gaussian Mixture Model,GMM)阶数的确定具有很大随意性的问题,提出采用吸引子传播聚类方法(AP聚类)自动获取GMM的阶数,进而实现说话人识别的方法.首先,采用Mel频率倒谱系数法(MFCC)与差分倒谱相结合的方法,提取语音特征参数;其次,采用吸引子传播聚类方法(AP聚类)对语音特征参数进行聚类处理,从而自动获得GMM的阶数;在此基础上进行GMM模型的训练;最后,采用训练好的GMM模型对Timit标准语音库以及自制网络志愿者语音库进行说话人识别测试实验.实验结果为:使用了AP聚类算法获取GMM阶数的情况下,对Timit标准语音库的测试结果为100%;在自制网络志愿者语音库中,训练样本为168个,其中潮汕话样本10个,湖南话样本10个,测试样本为42个,测试结果为97.6%.实验结果表明,引入AP聚类自动获取GMM的阶数,可以显著提高说话人识别的精度和效率.

基于指定聚类数目AP算法的滚动轴承故障诊断

仿射传播算法(AP)是目前常用的无监督聚类算法,但对于滚动轴承故障数据等数据集,AP算法往往不能一次性得到理想的聚类结果。针对AP算法在指定聚类数目下,不同的偏向度有不同聚类精度的问题,提出指定聚类数目AP算法(SNAP),该算法目的是在指定的聚类数目下,找出对应的所有聚类结果,通过聚类结果评价指标轮廓系数,找出最佳的聚类结果。该算法用机器学习公开数据集和机械综合故障模拟实验平台采集的滚动轴承数据集进行了实例验证,并与K-Means、K-medoids、AP聚类算法得到的聚类结果通过聚类评价指标进行比较,结果表明所提算法能得到较好的聚类结果。指定聚类数目AP算法能解决原AP算法在滚动轴承数据聚类数目与实际样本类别数不一致的问题,并且能得到一个更好的聚类结果。

基于AWCRF模型的微博情感倾向分类方法

为有效解决中文微博情感数据分布不平衡的分类问题,提出一种融合Affinity Propogation(AP)算法、Word2vec技术和条件随机场(CRF)模型的分类方法。通过AP算法对微博数据进行聚类,将多数类样本按照相似性的度量划分为若干簇类,使类间距离极大化、类内距离极小化。利用欠采样技术构建情感倾向分布平衡的训练集,采用Word2vec计算并求出语义相似度最高的文本来扩展微博句子以增加情感信息,使用CRF模型计算已经平衡并扩展后的训练集标签序列,在数据集情感倾向分布不平衡时也能准确地分类微博情感倾向。实验结果表明,与ACRF方法、CRF方法及SCRF方法相比,该方法在召回率和G均值评价标准上具有更好的效果。

基于互近邻一致性的近邻传播算法

近邻传播(AP)算法是一种新提出的聚类算法,是在数据点的相似度矩阵的基础上进行聚类,通过数据点之间交换信息,最后得到聚类结果。提出了基于互近邻一致性近邻传播算法,即KMNC-AP算法,该算法利用互近邻一致性调整数据点之间的相似度,进而提高聚类效率和精确度。实验结果表明,该算法在处理能力和运算速度上优于原算法。

基于改进谱聚类的图像分割算法

针对传统谱聚类算法应用于图像分割时仅采用特征相似性信息构造相似性矩阵,而忽略了像素分布的空间临近信息的缺陷,提出一种新的相似性度量公式——加权欧氏距离的高斯核函数,充分利用图像特征相似性信息和空间临近信息构造相似性矩阵。在谱映射过程中,采用Nystrom逼近策略近似估计相似性矩阵及其特征向量,大大减少了求解相似性矩阵的运算复杂度,降低了内存消耗。对得到的低维向量子空间采用一种新型的聚类算法——近邻传播聚类算法进行聚类,避免了传统谱聚类采用K-means算法对初始值敏感,易陷入局部最优的缺陷。实验表明该算法获得了比传统谱聚类算法更好的分割效果。

基于拉普拉斯特征映射的仿射传播聚类

仿射传播方法难以处理具有流形结构的数据集。为此,提出一种基于拉普拉斯特征映射的仿射传播聚类算法(APPLE),在标准仿射传播的基础上增强流形学习的能力。使用测地距离计算数据点间相似度,采用拉普拉斯特征映射对数据集进行降维及特征提取。对图像聚类应用的实验结果证明了APPLE的聚类效果优于标准仿射传播方法。

基于遗传算法的共享助力车调度问题研究

为了减少调度运营成本,减少调度时间,研究共享助力车的调度问题。将助力车调度和电池配送统一进行,考虑载重对燃油调度车的油耗影响,以燃油调度车固定使用成本和耗油成本最小为目标函数,构建助力车重分配的调度模型。通过AP算法对大范围内的电子围栏进行区域划分,确定助力车的服务范围和调度中心选址的基础上,用遗传算法对各个区域分别求解最小成本的路径规划方案。用算例验证了本模型与算法的有效性和可行性。

一种融合多特征聚类集成的室内点云分割方法

针对特定场景下传统点云分割算法不精确及特征描述不全面的问题,提出一种融合2D和3D多特征的近邻传播(AP)聚类集成分割方法。从点云中获得一组表征复杂室内场景不同点云类别的描述子,如彩色图像特征、曲率、法向量、旋转图像等,根据它们之间的差异性,通过对每类特征进行AP聚类得到聚类成员,建立聚类成员簇间一致性矩阵,并利用Ncut算法进行图分割获得最终的点云分割结果。实验结果表明,该算法相较传统的点云分割算法能更准确地区分室内复杂三维点云场景,并且具有更好的稳定性。

基于粒度分布曲线的邻近传播聚类算法在沉积环境识别中的应用——以白洋淀地区为例

以白洋淀地区出露的22个沉积剖面中沉积物的粒度数据为研究对象,利用邻近传播聚类算法(AP聚类算法)进行聚类分析,并与已知典型沉积环境形成的沉积物粒度频率分布曲线进行对比,探讨了基于沉积物粒度特征的邻近传播聚类算法在沉积环境识别中应用的可行性以及白洋淀地区不同沉积环境的粒度特征。结果表明:邻近传播聚类算法能够将相同或者相近动力条件下形成的沉积物聚为一类,挖掘沉积物粒度数据中蕴含的沉积动力信息;所有样品的沉积物粒度频率分布曲线划分为11类簇;考虑到同一沉积环境中动力条件的变化,将聚类结果得到的分布范围、形状相近的11簇曲线进一步合并为4组曲线,并与已知典型沉积环境粒度曲线进行对比,识别出湖沼相、湖相、河流相、洪积相等4种主要的沉积相。其中,湖沼相与湖心相沉积环境、湖滨相与河漫滩相沉积环境形成的沉积物粒度组分相近。湖沼相与湖心相、湖滨相与漫滩相、河床相的沉积物粒度主要组分分别为细粉砂、粗粉砂、细砂或粗砂,洪积物中粗粉砂、中砂、粗砂含量相近,呈多峰态。邻近聚类传播算法可为沉积环境动力条件反演、分区等提供潜在的新手段。

基于无监督学习的实时公交动态调度的研究

针对广州智能公交调度的优化问题,提出一种基于无监督学习的实时公交动态调度算法,结合乘客利益和公交公司利益总体最优为目标,通过无监督学习方法学习到公交客流出行特征表达的提取,利用吸引子传播(affinity propagation,AP)聚类算法的优化数据集与支持向量机(support vector machine,SVM)的训练样本集相结合建立预测模型训练,运用公交线网发车间隔和加权系数的目标函数优化调度数学模型,将多源信息融合及多策略的实时公交动态调度算法引入到求解模型中,利用深度学习的异常突发事件分类检测方法实现调度优化模型的实时调整。实验结果表明,AP聚类算法程序运行耗时16 s、高峰发车间隔5 min,比遗传算法运行效率更高、时间间隔更精确,实例证明模型和算法具有实用性和可靠性。

基于Kullback-Leiber距离的迁移仿射聚类算法

针对迁移聚类问题,该文提出一种新的基于Kullback-Leiber距离的迁移仿射聚类算法(TAP_KL)。该算法从概率角度重新解释AP算法的目标函数,并借助于信息论中最常见的一种距离度量,即Kullback-Leiber距离,测量源域与目标域代表点的相似性。另外,通过详细分析TAP_KL算法与AP算法的目标函数,得出一个重要结论,即可以将源域与目标域的相似性嵌入到目标域数据集相似性矩阵的计算中,从而直接利用AP算法的优化算法优化TAP_KL算法的目标函数,解决基于代表点的迁移聚类问题。最后,通过基于4个数据集的仿真实验,进一步验证了TAP_KL算法在解决迁移聚类问题时的有效性。

基于聚类关联网络的群组行为识别

目前群组行为识别方法没有充分利用群组关联信息而导致群组识别精度无法有效提升,针对这个问题,提出了基于近邻传播算法(AP)的层次关联模块的深度神经网络模型,命名为聚类关联网络(CRN)。首先,利用卷积神经网络(CNN)提取场景特征,再利用区域特征聚集提取场景中的人物特征。然后,利用AP的层次关联网络模块提取群组关联信息。最后,利用长短期记忆网络(LSTM)融合个体特征序列与群组关联信息,并得到最终的群组识别结果。与多流卷积神经网络(MSCNN)方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了5.39与3.33个百分点。与置信度能量循环网络(CERN)方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了8.7与3.14个百分点。实验结果表明,CRN方法在群体行为识别任务中拥有更高的识别准确精度。