基于改进N-K模型的地铁盾构掘进安全风险耦合研究

为预防和控制地铁盾构掘进施工过程中的关键安全风险,并精准判断哪些风险耦合情境是导致事故发生的显著情境,提出改进N-K模型研究地铁盾构掘进安全风险耦合;综合运用文献研究、事故案例、专家访谈等方法,辨识地铁盾构掘进的关键安全风险因素;基于N-K模型提出新的地铁盾构掘进安全风险耦合评估模型,并选用安全事故案例验证该模型的适用性。结果表明:辨识得到地铁盾构掘进关键安全风险因素清单,包括4类一级风险因素,21个二级风险因素;地铁盾构掘进施工安全风险随着耦合因素种类的增加而变大,4因素风险耦合值最高,3因素风险耦合值次之,双因素风险耦合值最低,作业人员安全意识薄弱和机械故障参与作用的耦合情境更容易发生安全事故。

基于DEMATEL/N-K的机坪管制系统运行风险因素耦合分析

为了分析机坪管制系统风险因素的耦合性,将决策实验室分析(DEMATEL)模型与N-K模型相结合形成新的风险因素耦合分析模型。首先,利用N-K模型对2017—2019年机坪管制运行不安全事件进行耦合分析,计算不同耦合方式的耦合值;然后,利用DEMATEL模型计算安全风险因素的影响度和被影响度,确定要素的中心度排序,通过DEMATEL模型得到的综合影响矩阵计算可达矩阵,用来分析风险因素的可达性,最后,利用风险因素耦合值对各风险节点的中心度进行修正,获得关键的风险因素。基于实际运行数据,通过DEMATEL/N-K模型分析机坪管制系统的关键风险因素。结果表明,人为因素和机械因素之间的耦合程度明显更高,即更容易导致事故的发生,其中地面保障人员操作出错或未有效观察航空器造成航空器或地面保障设备故障是重点防控的对象。此外,在夜晚或雨天等视线条件下工作,更容易发生不安全事件,应当采取措施控制此类风险。

加入跳跃连接的深度嵌入K-means聚类

现有的深度聚类算法大多采用对称的自编码器来提取高维数据的低维特征,但随着自编码器训练次数的不断增加,数据的低维特征空间在一定程度上发生了扭曲,这样得到的数据低维特征空间无法反映原始数据空间中潜在的聚类结构信息.为了解决上述问题,本文提出了一种新的深度嵌入K-means算法(SDEKC).首先,在低维特征提取阶段,在对称的卷积自编码器中相对应的编码器与解码器之间以一定的权重加入两个跳跃连接,以减弱解码器对编码器的编码要求同时突出卷积自编码器的编码能力,这样可以更好地保留原始数据空间中蕴含的聚类结构信息;其次,在聚类阶段,通过一个标准正交变换矩阵将低维数据空间转换为一个新的揭示聚类结构信息的空间;最后,本文以端到端的方式采用贪婪算法迭代优化数据的低维表示及其聚类,在6个真实数据集上验证了本文提出新算法的有效性.

(Pyr1)Apelin-13对布比卡因诱导停搏乳鼠心肌细胞PI3K/Akt通路的干预

目的:探讨Apelin/APJ系统在逆转布比卡因心肌毒性中的作用及机制。方法:提取乳鼠心肌细胞进行原代培养,随机分为4组:空白培养基组(DMSO组)、布比卡因1 mmol/L(Bup组)、(Pyr1)Apelin-132μmol/L组(Apl组)和布比卡因1 mmol/L+(Pyr1)Apelin-132μmol/L组(BAp组)。记录各组细胞基础自主搏动次数后,按照相应分组给药处理6 h。处理完毕后时间记为T0,记录T0至T12不同时间的细胞搏动次数;电镜下观察T12时心肌细胞线粒体形态;比色法检测T12时细胞培养液乳酸脱氢酶(LDH)含量;ELISA检测T12时心肌细胞中Apelin-13浓度;Western blot检测T12时心肌细胞中APJ、PI3K、Akt、p-PI3K、p-Akt蛋白的表达。结果:T0时Bup组全部心肌细胞停止搏动。与DMSO组比较,Bup组细胞搏动次数显著减少(P<0.05),线粒体肿胀空泡化,培养液LDH含量明显上升(P<0.05),心肌细胞中Apelin-13、APJ、p-PI3K和p-Akt蛋白表达均下调(P<0.05)。与Bup组比较,BAp组细胞搏动次数显著增加(P<0.05),线粒体结构明显改善,培养液LDH含量明显下降(P<0.05),心肌细胞中Apelin-13,APJ、p-PI3K和p-Akt蛋白表达均上调(P<0.05)。结论:(Pyr1)Apelin-13可逆转布比卡因诱导的心肌细胞停搏,机制也许与激活PI3K/Akt蛋白磷酸化有关。

基于特征分箱和K-Means算法的用户行为分析方法

针对网购用户所产生的购物行为进行分析,首先通过数据处理构建客户关系管理模型(RFM模型),在此模型的基础上采用特征分箱法和K-Means聚类两种方法对用户进行细分,并对2种模型结果进行比较分析,讨论二者的差异性和具体的应用范围和意义.其中,基于特征分箱法的RFM模型将变量转化到相似的尺度上并将变量离散化,使得用户分类标签更加清晰,也可依据各类标签分类出不同类型的用户.K-Means算法通过轮廓系数评估聚类算法质量以至于选取最优K值.本文实验分析结果可为运营商提供更加可靠直观的数据,使得运营商可以根据不同用户的不同行为进行市场细分,进而进行精准营销和服务设置.

基于改进K-means与机器视觉的档案数据分析技术

为了提升医疗信息系统对健康档案数据的分析效率,文中采用图像采集、降噪、配准与差分等技术提取医疗图像信息,进而有效提升信息系统的数据采集效率。同时还对传统的K-means算法加以改进,并提出了一种基于类间、类内距离的聚类初始化评价指标体系(BWP),将其应用于采集到的档案数据中,以实现快速的聚类分析。将所提算法在CUDA计算平台上进行了实现,测试结果表明,该方法的聚类精度和运行效率较现有算法均有显著提升。此外,改进后K-means算法的正确聚类样本数量占比提升了4.88%,高于现有的主流指标体系,且当聚类数k的取值为16或32时,运行时间大幅降低。

启发式k-means聚类算法的改进研究

启发式k-means聚类算法通过在k-means第一次迭代后查看附近的集群来预测每个数据点可能会被划分到的集群子集,有效地加快了算法的运行速度。但由于启发式算法存在随机选择初始聚类中心以及无法有效识别数据集中离群点的缺陷,导致聚类结果的误差平方和较大并且轮廓系数偏小。针对这一问题,提出了CHk-means算法,该算法引入仔细播种方法,克服了启发式k-means算法随机选择初始聚类中心带来的局部最优解问题;该算法引入局部异常因子LOF算法对离群点进行检测,降低了离群点数据对聚类结果的影响。在多个数据集上对3种算法进行对比试验,结果表明CHk-means算法可有效降低聚类结果的误差平方和,增强聚类的轮廓系数,使聚类质量得到明显改善。

基于PTEN与JAK对PI3K/Akt信号通路的影响探讨加味小蓟饮子治疗急性放射性膀胱炎的作用机制

目的:探讨加味小蓟饮子治疗急性放射性膀胱炎的作用机制。方法:50只ICR小鼠随机分为空白组12只和造模组38只。采用X射线辐照仪造模,造模后随机取2只小鼠处死鉴定模型是否成功。将剩余造模组小鼠随机分为模型组、小蓟饮子组和加味小蓟饮子组各12只。空白组、模型组、小蓟饮子组、加味小蓟饮子组分别予0.9%氯化钠、0.9%氯化钠、小蓟饮子药液,加味小蓟饮子药液灌胃处理,每日1次,连续7 d。末次灌胃后24 h处死取材,酶联免疫吸附实验(ELISA)法检测血清超氧化物歧化酶(SOD)、丙二醛(MDA)、谷胱甘肽过氧化物酶(GSH-Px)、总抗氧化能力(T-AOC)含量。Western Blot法检测小鼠膀胱丝氨酸/苏氨酸激酶(AKT)、E钙粘着蛋白(E-Cadherin)、内皮素-1(ET-1)、JAK激酶(JAK)、核转录因子红系2相关因子2(Nrf2)、磷脂酰肌醇3-激酶(PI3K)、人第10号染色体缺失的磷酸酶(PTEN)、Smad蛋白2(Smad2)、Smad蛋白3(Smad3)、转化生长因子β1(TGF-β1)、尿斑蛋白3(Upk3)、血管内皮生长因子(VEGF)蛋白相对表达水平;实时荧光免疫定量-聚合酶链式反应法(RT-PCR)法检测小鼠膀胱微RNA-21(MicroRNA-21,miR-21)、PTEN、JAK、PI3K、AKT、Nrf2信使核糖核酸(mRNA)相对表达水平。结果:相较模型组,加味小蓟饮子组小鼠体内SOD、GSH-Px、T-AOC、AKT、E-Cadherin、JAK、Nrf2、PI3K、Upk3含量升高(P<0.05),MDA、ET-1、PTEN、Smad2、Smad3、TGF-β1、VEGF含量下降(P<0.05);与模型组和小蓟饮子组比较,加味小蓟饮子miR-21 mRNA表达升高(P<0.05)。结论:加味小蓟饮子组可能通过上调miR-21表达,同调PTEN、JAK蛋白以激活下游PI3K/AKT/Nrf2信号通路治疗急性放射性膀胱炎。

一种融合乌鸦搜索算法的K-means聚类算法

传统的K-均值聚类算法(K-means)对初始聚类中心的选择敏感,容易陷入局部最优解,并且需要预先设定聚类数量K,这在实际操作中往往难以实现。为了解决这些问题,提出了一种融合乌鸦搜索算法的K-means聚类算法。该算法利用乌鸦搜索算法的全局搜索能力,自动确定最佳的聚类数目K,从而提高聚类的质量和效率。通过在Seeds数据集进行实验计算卡林斯基-哈拉巴斯(Calinski-Harabasz)指数等评价指标,发现该算法聚类效果明显优于传统的K-means算法。

基于K-means聚类和BP神经网络的电梯能耗实时监测方法

针对现有方法在对电梯能耗进行监测时,存在监测精度低、用时长、监测结果不理想的问题,该文提出一种基于K-means聚类算法和BP神经网络相结合的电梯能耗实时监测方法 .在经过清洗的能耗数据中提取影响建筑能耗实时监测的主要因素特征值,利用相似系数法进行相似度计算,获取相似系数.对相似电梯能耗数据进行小波分解获取高低频序列,分别采用LSSVM-GSA检测方法和均方加权处理方法对低频和高频部分进行处理,将两个结果进行重构,得到最终的实时监测结果 .仿真实验结果表明:所提方法能够获取高精度、低耗时、高稳定性的监测结果 .

K改性NiMoS/ZnAl氧化物负载型催化剂合成气制低碳醇性能研究

采用共沉淀法和浸渍法,以ZnAl混合金属氧化物为载体,制备了系列不同K/Mo物质的量比的高分散K改性NiMoS/ZnAl催化剂,并对其合成气转化制低碳醇性能进行了研究。结果表明,K的引入可以调变MoS_(2)片层的堆积程度和尺寸,提高NiS_(x)和NiMoS之间的协同作用,促进低碳醇合成(HAS)过程中CHx的插入和非解离CO的插入能力,有效抑制烃类和CO_(2)的生成。其中,K/Mo物质的量比为0.6的KNiMoS/ZnAl催化剂具有最多的双层MoS2结构(33.7%)和适宜的NiS_(x)与NiMoS协同作用,产物中总醇选择性达到69.8%,低碳醇空时产率为78.6 mg/(g·h)。

光伏波动平抑下改进K-means的电池储能动态分组控制策略

针对电池储能系统(battery energy storage system,BESS)进行光伏波动平抑时寿命损耗高及荷电状态(state of charge,SOC)一致性差的问题,提出了光伏波动平抑下改进K-means的BESS动态分组控制策略。首先,采用最小最大调度方法获取光伏并网指令。其次,设计了改进侏儒猫鼬优化算法(improved dwarf mongoose optimizer,IDMO),并利用它对传统K-means聚类算法进行改进,加快了聚类速度。接着,制定了电池单元动态分组原则,并根据电池单元SOC利用改进K-means将其分为3个电池组。然后,设计了基于充放电函数的电池单元SOC一致性功率分配方法,并据此提出BESS双层功率分配策略,上层确定电池组充放电顺序及指令,下层计算电池单元充放电指令。对所提策略进行仿真验证,结果表明,所设计的IDMO具有更高的寻优精度及更快的寻优速度。所提BESS平抑光伏波动策略在有效平抑波动的同时,降低了BESS运行寿命损耗并提高了电池单元SOC的均衡性。

多发性骨髓瘤患者的血清PINP、DKK1和SFRP3水平及其临床意义

目的探讨多发性骨髓瘤(MM)患者的血清I型原胶原氨基端前肽(PINP)、dickkopf Wnt信号通路抑制因子1(DKK1)和分泌型卷曲相关蛋白3(SFRP3)水平及其临床意义。方法纳入150例MM患者(MM组)及150健康体检者(对照组)。比较两组研究对象之间、不同临床分期MM患者之间、不同临床疗效MM患者之间的血清DKK1、PINP、SFRP3水平。采用Logistic回归模型分析治疗前血清DKK1、PINP和SFRP3水平与MM患者临床疗效的关系。采用受试者工作特征(ROC)曲线分析治疗前血清DKK1、PINP和SFRP3水平对MM患者临床疗效的预测效能。结果MM组患者治疗前血清DKK1、PINP和SFRP3水平高于对照组(P<0.05);Ⅰ期、Ⅱ期、Ⅲ期MM患者治疗前血清DKK1、PINP、SFRP3水平依次升高(P<0.05);有效组患者治疗前血清DKK1、PINP、SFRP3水平低于无效组(P<0.05)。治疗前血清DKK1、SFRP3、PINP水平升高是影响MM患者临床疗效的独立危险因素(P<0.05)。治疗前血清DKK1和SFRP3水平对MM患者临床疗效无预测价值(曲线下面积<0.5,P>0.05),而治疗前血清PINP水平对MM患者的临床疗效有一定的预测价值(曲线下面积=0.663,P<0.05)。结论MM患者治疗前的血清DKK1、PINP和SFRP3水平高于健康人群,且与疾病严重程度有关,是MM患者临床疗效的影响因素。治疗前血清PINP水平对预测MM患者的临床疗效有一定的价值。

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

基于改进K-means算法的物流配送中心选址研究

针对传统K-means算法需要主观设定K值及无法处理类别型数据问题,文章运用肘部法及轮廓系数法确定合理K值,对类别型数据采取独热编码(One-Hot Encoding)转换为可以处理的连续型数据,并将其运用到在物流配送中心选址中;并综合考虑多种类别的影响因素,构建了相应的影响因素指标体系,提出的模型能够识别输入数据的数值型及类别型数据,实现样本的有效聚类。相关的案例分析结果表明,相比传统K-means聚类,文章的改进K-means算法选址结果可使物流总成本降低8.76%,运营成本降低14.85%,固定成本降低8.09%,效果显著。

融合动态K近邻Slope_One的协同过滤推荐算法

传统协同过滤推荐算法存在数据稀疏的问题,这会导致算法精确度不足。Slope_One算法简单高效,可以预测用户对某个物品的评分。因此,论文提出融合动态K近邻Slope_One的协同过滤推荐算法,提高推荐算法的精确度。首先利用改进余弦相似度公式计算用户相似度,筛选出K个近邻用户进行平均评分偏差计算,利用Slope_One算法预测相应的用户评分并对评分矩阵进行有效填充,然后在新的评分矩阵上,利用基于物品的协同过滤算法进行推荐。

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。

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。

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影(KLPP)对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。