基于多相似度模糊C均值聚类的不均衡流数据检索方法

针对在不均衡流数据在检索过程中,由于数据流中存在不均衡性,且易受差异性数据、边缘数据的影响,导致数据检索性能下降的问题,提出了基于多相似度模糊C均值聚类的不均衡流数据检索方法。该方法计算出不均衡流数据之间的多相似度,针对不同相似度的数据,采用模糊C均值算法对其聚类处理。通过构建八叉树检索模型,对聚类后的数据进行存储、编码和判断,完成不均衡流数据的检索。实验结果表明,所提方法的检索时间低于20 s,查全率和查准率保持在80%以上,且NDCG(Normalized Discounted Cumulative Gain)数值高。

基于类簇规模不均衡度量的粗糙模糊K-means聚类算法

粗糙模糊K-means (RFKM)聚类综合利用了粗糙集和模糊集的优势互补,是一种有效的聚类分析算法,但现有的RFKM算法大多只考虑了簇内样本空间分布的模糊度量,忽略了类簇规模的不均衡特征对聚类结果的影响,对类簇规模不均衡的数据集进行聚类分析时,适应性较差.为了能够从算法层面直接对类簇规模不均衡的数据集有效地进行聚类分析,引入了对类簇规模不均衡程度的自适应度量,并提出了一种基于类簇规模不均衡度量的粗糙模糊K-means聚类算法.通过人工数据集和UCI标准数据集验证了算法的有效性.

基于DAE和改进RFKM的负荷数据精准特征提取与标签定义

针对目前配电网用户负荷数据高维度时序数据特征提取难、交叉数据聚类处理难、负荷数据精准标签化难等问题,文章提出面向用户负荷数据的基于降噪自编码器和改进粗糙模糊K均值的特征提取与标签定义模型(feature extraction and label definition model based on DAE and improve RFKM,FLMbD-iR)。FLMbD-iR通过降噪自编码器对原始用户负荷数据进行深度特征提取后,利用基于类簇规模不均衡度量的粗糙模糊K均值进行聚类,处理聚类中簇间交叉数据存在误差的缺陷,最后构建描述指标对典型日负荷曲线进行标签定义。实验采用美国电力负荷数据进行仿真模拟,实验结果显示本方法在用户负荷数据聚类处理上效果显著。

基于聚类分析的低压配电设备误告警识别方法

为解决低压配电设备误告警识别工作中由于泛在感知节点大规模部署而产生大量冗余告警信息,继而影响了对真实告警事件响应处理的问题,本文引入了对类簇数据分布规模的不均衡度量,提出了基于大数据不均衡聚类分析的低压配电设备误告警识别方法。通过考虑了对数据分布规模不均衡度量的模糊K-means聚类方法,对含有大量冗余告警事件的样本数据进行聚类,将样本数据中多数类类簇冗余告警事件集和少数类类簇真实告警事件集区分开,并根据判定策略进行误告警识别处理。本文将某低压配电设备监测系统中记录的含有大量冗余告警信息的记录日志作为实验样本,实验结果显示所设计的基于聚类分析的低压配电设备误告警识别方法可提高低压配电设备误告警信息的识别能力。