基于K均值聚类算法和LSTM神经网络的管道腐蚀阶段预测方法

针对声发射检测获得的管道腐蚀信号,提出了一种基于K均值(K-means)聚类算法和长短期记忆(LSTM)神经网络的管道腐蚀阶段预测方法。首先,利用K-means聚类算法将腐蚀信号分类,再构建LSTM神经网络模型,并采取了无监督学习的方式,以声发射波形为出发点,对模型进行参数优化,最后进行管道腐蚀阶段预测,并根据评价指标对模型进行评价。研究表明:对LSTM神经网络模型适当增加隐藏层,可以使得模型更加稳定,鲁棒性更好;与现有故障诊断模型相比,LSTM神经网络模型的精度更高。

基于两阶段搜索的密度聚类算法

为克服当前密度聚类算法存在的随机性、主观性和连带错误等问题,提出一种基于两阶段搜索的密度聚类算法。给出密度阈值和簇最近邻定义及计算方法。采用密度排序、簇最近邻分配和自适应搜索策略构建算法的两阶段聚类机制,设计邻域递归搜索和簇最近邻搜索两个阶段的聚类算法,实现不同密度数据点的准确聚类。8个数据集聚类实验结果表明,该密度聚类算法聚类稳定,无噪声,且自动确定类簇数,聚类精度优于比较的密度聚类算法。

基于密度峰值的进化数据流聚类算法

针对现有数据流聚类算法聚类精度低、不能检测数据流簇进化等问题,提出一种基于密度峰值的进化数据流聚类(DPStream)算法。DPStream采用在线微聚类与离线宏聚类两阶段处理框架,引入密度衰减反映数据流近期演化信息;在线微聚类阶段借助核心微簇与潜在微簇反映簇的生成、进化和衰退,通过生成和维护机制对微簇进行增量维护;当用户聚类请求到来时,使用密度峰值聚类算法进行离线宏聚类,找出核心微簇的簇中心,将剩余核心微簇分配给相应的簇中心所在簇,得到最终的聚类结果。DPStream算法能在数据流的任意时间给出聚类结果,聚类数据流的聚类纯度在小窗口时保持在95%以上,能高质量、高响应的完成数据流聚类。

多车辆合乘问题的两阶段聚类启发式优化算法

车辆合乘问题研究在物流领域和交通领域意义重大.良好的合成策略不仅可以节省物流成本,降低交通拥塞,在减少噪声及提高环境等方面也是很有利的.针对确定性多车辆合乘匹配问题,提出了两阶段聚类的启发式匹配策略:第1阶段聚类过程提出匹配度的概念,用于指导将服务需求分配到某一具体车辆,从而将多车辆问题转化为单车辆问题;第2阶段聚类过程基于"先验聚类"插入思想,可降低单车辆匹配过程的插入试探次数,从而提高算法效率.为提高搭乘成功率并降低运营总成本,通过迁移对第1阶段聚类过程进行调整.实际算例结果表明,算法在可接受时间范围内不仅可提高搭乘成功率,还明显降低车辆的运行成本,表现出较强的实用性.

一种新的两阶段FCM聚类算法

提出了一种新的两阶段FCM聚类算法,一方面有效弥补了Stephen L Chiu提出的FCM算法中存在的不足,更好地解决选择初始聚类中心的问题;另一方面,新算法解决了大数据量数据聚类时间过长的问题,取得了较好的聚类效果.实验结果也显示了该算法的有效性和优越性.

混合超启发式算法求解复杂两级车辆路径问题

针对模糊需求下的绿色两级车辆路径问题,以最小化车辆运营成本和油耗成本之和为优化目标,提出一种混合超启发式算法进行求解.首先,考虑两级问题解空间庞大且相互耦合,设计一种聚类分解策略将该问题分解为多个子问题,以合理缩小问题搜索空间;然后,提出增强超启发式分布估计算法(enhanced hyperheuristic estimation of distribution algorithm,EHHEDA)对各个子问题进行求解,进而获得原问题的解.EHHEDA基于超启发式算法框架,在高层策略域设计一种基于三维概率模型的分布估计算法,动态确定由底层操作域中各搜索算子所组成的排列(即高层个体),可有效控制和引导整个算法的搜索行为;同时,在底层操作域设计10种有效邻域搜索算子,并加入重升温操作的模拟退火机制作为问题解(即底层个体)的接受准则,有利于在问题解空间中执行深入搜索.仿真实验结果表明,所提出的算法在大多数测试集上优于近年来用于求解类似问题的算法,验证了所提出算法的有效性.

用于不同密度聚类的多阶段等密度线算法

多阶段等密度线算法是在基于网格的等密度线聚类算法的基础之上,采用多阶段的聚类方式来解决分布密度变化较大的数据集的聚类分析问题.该算法能够找出分布密度不同的各种类别,并能很快地处理高维数据集.此外,还能有效地对时间序列数据集进行聚类.

基于两阶段聚类法的荔枝果实主要性状分析

应用两阶段聚类法,对广西60个荔枝品种的10个果实主要性状进行综合分析,结果分为6个品种类群:果皮片峰毛突平滑、暗红色品种类群Ⅰ;果皮片峰平滑尖刺、果圆形品种类群Ⅱ;果皮片峰平滑毛突、果心形品种类群Ⅲ;果皮片峰尖刺、肉爽脆品种类群Ⅳ;果皮片峰尖刺、果心形品种类群Ⅴ;果皮片峰尖刺、果圆形品种类群Ⅵ。结合果实性状对各类群的重要性分析,明确了各类群的重要性状及品种间的分类特性。分析结果客观、合理、可靠,与品种实际表现相吻合。

基于两阶段聚类的电动自行车出行者选择研究

为了得到准确的电动自行车差异化管理量化决策,本文根据2014年南宁市调查数据,基于两阶段聚类方法,对电动自行车出行者进行差异化分类,在此基础上构建南宁市电动自行车与公交车之间的出行方式选择BNL(binary-nomial logit)模型,并运用SPSS 22.0对模型参数进行标定;最后结合南宁市实际情况对模型结果进行分析。本文研究结果表明:在公共交通缺乏或服务水平不高的条件下,电动自行车是中低收入居民主要的通勤出行方式之一;在提高常规公共交通服务水平的情况下,不分类模型有可能高估常规公交的分担率提高程度,分类模型能更有效地反映不同人群的差异性。本文提出的方法能为探讨南宁市电动自行车差异化管理策略提供更准确的量化决策支持。

两阶段聚类及典型相关分析应用于农村居民人均收入与生活消费支出研究

以县(市)为研究单元,选用两组12个指标(变量)分析了广西农村居民人均收入与消费支出水平及其相关性。两阶段聚类结果表明,广西76个县(市)可分为3种收入支出类型:高收入高支出类型Ⅰ,中收入中支出类型Ⅱ和低收入低支出类型Ⅲ。对各收入支出类型进行典型相关分析显示,广西农民收入与支出有着较为复杂的相关性。第Ⅰ类工资性收入(X1)与衣着(Y2)、居住支出(Y3);第Ⅱ类家庭经营收入(X2)与食品(Y1)、交通和通讯支出(Y6)、文教娱乐用品及服务支出(Y7);第Ⅲ类家庭经营收入(X2)与家庭设备用品及服务(Y4)、其他商品及服务支出(Y8)等变量之间呈显著正相关。

基于两层迭代聚类算法的RBFNN及在发电机诊断中的应用

首先分析了传统的基于K均值聚类算法径向基函数神经网络(RBFNN)的缺点,即需要人为确定隐含层神经元数量,并且不同的初始化方法有不同的聚类结果和学习误差。然后提出了一种新的RBFNN算法——两层迭代聚类算法,能根据样本的分布情况自动计算RBFNN隐含层神经元数量、中心向量和宽度。将实测的 MJF-30-6型发电机正常运行、转子励磁绕组故障运行和定子绕组故障时定转子径向振动信号作为学习样本,运用文中所述算法与传统的RBFNN算法比较,结果表明,基于两层迭代聚类算法的RBFNN具有较小的学习误差。

两阶段高期望权重项集下闭合类Apriori挖掘算法

针对不确定数据集中,高期望权值容易产生较大计算冗余的问题,提出一种两阶段高期望权重项集下闭合类Apriori挖掘算法。针对传统层次挖掘算法只采用项集上界,对高期望权值进行处理效果并不理想的问题,设计补充层次挖掘算法的下闭合特性,给出证明过程,该特性在保证精度前提下可有效降低候选项集处理量;构建两阶段数据挖掘过程,第一阶段,基于分层搜索方法获得一组候选项集的高期望权重项集,第二阶段,再次扫描数据库获得项集高期望权值,完成数据挖掘过程。在标准数据集上的仿真对比结果表明,该算法在保证算法精度的前提下,能够大幅提高算法计算效率。

一种基于两阶段聚类的用户兴趣聚类算法研究

通过在处理大型数据集合方面具有明显优势的数据挖掘技术,以某论坛里面现有的全部信息作为数据来源进行聚类分析,并对论坛用户的分布、回复帖子的数量及其时间的分布状况进行综合性分析,最终的结论是即使同为注册用户在访问某论坛、发布、回复帖子的时间间隔方面仍然存在着相当大的差异,也就是说以人类正常遗忘曲线为基础建立起来的兴趣更新模型在某论坛上并不适用,所以我们基于以上对网络用户访问论坛的时间间隔分析所得的结果建立一种新的兴趣更新模型,并以此为依据预测用户的兴趣。并对兴趣更新模型以及这种推荐算法是否有效、其运行结果是否可靠进行了验证。

基于有序样品聚类最优二分割算法的滑坡演化阶段划分

利用有序样品聚类的最优二分割算法,对新滩滑坡检测累计位移数据进行有序聚类划分,再结合加速度变化特征对滑坡演化阶段进行划分.结果显示新滩滑坡初始变形阶段和中等变形阶段划分点为1979年8月,中等变形阶段和加速变形阶段划分点为1982年9月,而加速变形阶段中初等加速与中等加速的分界点为1983年7月,中等加速与临滑阶段的分界点为1984年10月,与实际监测基本吻合.表明根据有序样品聚类最优二分割算法和滑坡变形加速度变化特征可以对滑坡演化阶段进行准确划分,并为滑坡预警预报提供依据.

一种数据流自适应两阶段聚类算法

K-means是最常用的批量聚类方法,然而该算法需要多次迭代并不能直接用于数据流聚类。文章基于自适应谐振理论(ART),提出一种针对数据流聚类的自适应两阶段聚类算法(ATPC)。该算法分为在线自适应微聚类和离线全局批量聚类两个阶段,自适应生成微簇,具有线性计算复杂度。在MOA平台上真实与模拟数据流的实验结果验证了ATPC方法的高效性。

基于用户模糊聚类的两阶段协同过滤推荐

推荐系统中,随着用户数目和商品数目的日益增加,传统的协同过滤技术在生成推荐时的速度已经成为一种瓶颈。针对此问题,本文提出了一种基于用户模糊聚类的两阶段协同过滤推荐。两阶段分为离线和在线两个阶段。离线时,应用模糊聚类技术,对基本用户进行模糊聚类;在线时,利用已有的用户模糊聚类寻找目标用户的最近邻居,并产生推荐。实验表明,基于用户模糊聚类的两阶段协同过滤推荐不仅加快了推荐生成速度,还提高了推荐质量。

基于两阶段模糊蚂蚁聚类陆战旅待机地域的选取

根据“隐蔽疏散配置”选取原则,提出了一种计算机辅助生成陆战旅待机地域选取方案的新方法。为克服传统蚂蚁聚类算法运行时间长、仅能处理结构化数据等不足,给出了一种两阶段模糊蚂蚁聚类算法。对第1阶段聚类后数据进行融合操作,减少了第2阶段聚类的数据量、数据分布空间和迭代次数。实验证明,该算法是一种高效率、鲁棒性好的算法。该选取方法实现了陆战旅待机地域选取方案的自动、准确、快速计算机辅助生成。

同时取送货配送路径优化的两阶段混合策略搜索算法

为解决物流配送中较大规模同时取送货路径优化问题,文章提出一种两阶段混合策略搜索算法提高对求解效率和精度的需求适应。首先,以最小化配送成本为目标构建了该问题的配送路径优化模型,基于先分解再求解的思想提出两阶段算法策略,使用区域划分聚类算法将大规模车辆路径问题划分为多个子问题,之后利用混合搜索策略的变邻域算法来求解每个子问题,提高对不同子问题结构的适应能力。在算例中,通过多个不同规模的算例进行仿真实验,并与同类算法进行对比,实验结果验证了文章中模型与算法能够有效解决较大规模同时取送货物流配送路径优化问题。

基于两阶段聚类的设备状态异常检测方法

针对目前设备异常状态检测方法实际应用的局限性,本文提出基于两阶段聚类的检测方法。该方法在不需要大量的专业知识经验和历史数据的条件下就可以实现设备状态数据的异常检测和定位。首先采用三角线性极值法对获取的时间序列数据进行分段处理,利用一阶段聚类获取初始异常时间段数据,再进行二次聚类操作获取异常对应测点和时间段,较快速便捷实现异常在空间和时间维度上的精准定位。实验结果表明,该方法有效降低误检率的同时可以极大提高异常检测的准确率,具备较高的实际应用价值。

基于两阶段聚类的分区方法

根据分区电价管理目标,提出以节点地理位置、负荷水平和潮流转移因子作为节点的特征量,借助多元统计分析中的聚类方法,提出一种基于两阶段聚类方法的电价区域划分方法,以快速准确地获得稳定、合理的电价区域。IEEE14节点和某实际系统的计算结果验证了该方法的有效性和实用性。