一种自适应阻尼因子的仿射传播聚类算法

仿射传播聚类算法已经被广泛应用于各个领域,其源码被Toronto大学公开在网络中。针对公开源码中如何选择阻尼因子的值以平衡算法震荡与收敛速度的问题,提出一种自适应阻尼因子的仿射传播聚类算法。所提算法通过监视算法的震荡情况,自适应调整阻尼因子的值,相比公开源码中的固定阻尼策略,不仅可以有效避免震荡,且可以很大程度地保持阻尼因子较小时的收敛速度。通过多个UCI公开数据集试验证明了所提算法的有效性。

基于仿射传播聚类算法的广义负荷稳态特性建模及其应用

大规模可再生新能源并网增加了网络节点功率流向的不确定性,使节点的源、荷特性不再清晰,给广义负荷建模带来了新的挑战。因此提出一种基于仿射传播(AP)聚类算法的广义负荷稳态特性聚类方法。对广义负荷节点根母线功率数据进行特征分析,利用动力学的波动强度理论选取功率波动序列的最小时间长度。以时段内各最小时间长度的样本波动强度序列以及时段内样本数据数字特征为指标构造日时段特征向量,并以该特征向量为聚类指标,应用AP聚类算法自适应调整建模数据的聚类数和聚类中心。通过引入概率信息的广义负荷建模方法对各聚类类别样本建模并检验聚类方法的有效性。算例分析表明,该聚类方法自适应确定聚类类别且聚类效果好,能够充分反映日时段特性,聚类后通过特性综合得到精确广义负荷模型,应用于风电接入后的风险分析仿真计算。

基于自适应仿射传播聚类算法的多模型建模方法

考虑到工业生产数据具有按工作点聚类和迁移的特点,提出了一种基于自适应仿射传播聚类(adAP)的多最小二乘支持向量机(LSSVM)算法进行软测量建模。该方法用adAP算法对训练样本进行分类以找到最优的聚类结果,采用LSSVM算法对各类样本分别建立子模型,并根据当前工作点所属子类的模型进行预测输出。将该方法用于聚丙烯熔融指数的软测量建模,结果表明,与其他方法相比该方法具有更高的回归精度和良好的泛化能力。

基于仿射传播聚类算法的大数据并行化分析研究

随着大数据技术的成熟,如何提高大规模数据的分析效率成为了目前的热点。为了提高在大规模数据下进行分析的效率,通过MapReduce运行仿射传播聚类算法实现并行化分析,增加精准度,详细论述了实现的过程以及关键技术。实验表明,该方法取得了良好的实验效果,克服了传统方法耗时多、识别率低等问题,是实现在大规模数据中进行分析的实用工具。

基于云遗传的混合粒子群聚类算法

针对K-means算法对初始聚类中心敏感、粒子群算法易陷入早熟收敛且易受初始值影响以及粒子群算法不能以概率1全局收敛的问题,提出一种基于仿射传播和云遗传的改进混合粒子群聚类算法,通过在初始化过程中引入仿射传播聚类算法,克服初始值对算法的影响,通改进的Metropolis接受准则和动态调整粒子集规模策略,实现了云遗传算法和粒子群算法的协同聚类,并进行了全局收敛性证明、时间复杂度分析和实验分析。

广义负荷建模中纵横聚类策略研究

考虑风电接入后广义负荷的不确定性,提出纵横聚类策略。针对聚类客观性与复杂场景分析需求,引入高质量的仿射传播(affinity propagation,AP)聚类算法。利用包含纵向聚类与横向聚类的纵横聚类策略对全年实测有功响应空间客观聚类,实现大尺度与小尺度数据在统一时间框架下的聚类分析:通过三步聚类实现全年大时间尺度下的纵向聚类,结果体现了细化季节特性;通过将纵向类内全部数据联排统一聚类,实现较小时间尺度下的精细横向聚类,结果体现日时段特性。引入带概率信息的广义负荷建模方法建模,并检验聚类策略的有效性。仿真结果表明,所提策略实现的聚类客观、合理,便于精确建模与现场应用,可为后续仿真分析与调度控制提供辅助参考。

基于AP聚类和BP神经网络的自学习故障诊断方法

以往旋转机械的故障诊断方法是通过对设备运行的历史数据进行特征提取,建立故障诊断模型,实现对设备运行过程中故障类型的判别,但此类方法局限于故障类型已知,无法实现对未知的故障类型的判别,缺乏自学习功能。据此,本文提出一种基于仿射传播聚类算法(Affinity Propagation,AP)和BP神经网络的自学习故障诊断方法。该方法首先利用小波变换对原始振动信号进行降噪,然后将降噪后的信号利用集合经验模态分解(ensemble empirical mode decomposition,EEMD)拆分成若干个本征模态函数(intrinsic mode function,IMF),再通过相关系数计算获得最有效的几个IMF并将其组合起来进行奇异值分解(singular value decomposition,SVD),实现振动信号特征提取,继而将提取到的特征向量进行AP聚类分析,最后利用聚类结果结合BP神经网络建立起自学习故障诊断模型。实验结果表明,该方法既可以正确的识别出已知类型的故障还能准确的识别出未知类型的故障,识别准确率高达100%。

改进仿射传播聚类的LS-SVM多模型建模方法

多模型建模方法通常比单一模型建模方法适用范围更广、效果更佳,但也存在着因模型选择失当而导致发生错误,为解决该问题,提出了一种新的建模方法。该方法先用仿射传播聚类算法实现数据聚类,并由最小二乘支持向量机建立各子模型。多模型预测时需知道待测样本对子模型的归属情况,则采用K近邻算法并结合隶属度阈值来进行判断。当待测样本对某子模型的隶属度大于阈值时,就由该子模型进行预测:若对所有子模型的隶属度均小于阈值时,则由K近邻算法从训练样本中选择与该待测样本相似的样本组成相似样本集,再采用最小二乘支持向量机建模并对该点预测。将其应用于青霉素发酵软测量建模中,并与其它方法比较,结果显示该方法是可行有效的,且能有效地克服当前一些多模型建模方法存在的不足。

基于仿射传播聚类和动态时间弯曲距离的LS-SVM在线建模方法

针对多批次多工况化工过程,离线模型易老化失效和不易满足工业生产的实时优化控制问题,提出一种基于仿射传播聚类和动态时间弯曲距离的LS-SVM在线建模方法。该方法首先利用仿射传播聚类算法对各批次样本进行工况划分,再考虑样本间的时间有序性,由包含待测样本的一段时间序列作为查询序列,并以动态时间弯曲距离来衡量序列间的相似情况,从各历史批次相应的工况阶段获取相似样本片段,构建训练样本集,最后采用最小二乘支持向量机建立在线预测模型。将该方法用于青霉素浓度预测中,仿真研究表明,所提方法提高了建模预测精度和泛化能力。

基于改进自适应仿射传播聚类的多模型建模研究

聚丙烯装置熔融指数软测量中存在非线性和多工况切换操作的问题,针对普通的自适应仿射传播聚类查找最优聚类耗时较长的问题,提出一种改进的自适应仿射传播聚类,通过计算偏向参数范围缩小搜索空间,提高聚类速度和精度。多模型建模方法通常比单一模型建模方法适用范围更广、效果更佳,小波核函数不仅具有非线性映射的特征而且也具有小波分析对非平稳信号的逐级精细描述的特征,本文提出将小波核函数与正交最小二乘法相结合的方法分别对数据子集建立模型,粒子群算法实现对参数的选择,能够以较高的精度逼近函数,并通过开关切换方式根据当前工作点所属子类模型进行预测输出。通过对聚丙烯熔融指数的软测量建模研究表明,本文提出的方法具有良好的回归精度和较好的泛化性能。

基于区间运算的谐波用户典型工况分析

大量监测数据有利于谐波建模,但利用监测装置记录的统计型指标进行建模无法表征用户不确定的运行特性,并影响所建立的谐波用户模型的精确度。因此,提出一种基于区间运算的谐波典型工况分析方法:首先基于监测数据类型构造谐波区间数据,并通过针对区间主成分分析(PCA)方法提取聚类特征量,然后分别基于仿射传播(AP)聚类算法和离度指标划分谐波用户典型工况和剔除过渡工况,最后定义和计算各个工况的典型参数。算例分析表明,所提出的方法能够基于谐波用户监测时段内的不确定信息,划分谐波用户典型工况,可为谐波用户的接入和治理提供依据。

基于样本稀疏化高斯过程的发酵过程软测量建模方法

提出了一种基于样本稀疏化高斯过程(GP)的发酵过程软测量建模方法。该方法将聚类和灰色关联度分析相融合,综合考虑样本点间欧式距离和各个特征向量对样本点间相似度的影响,通过剔除相似度比较大的样本点,实现训练样本集的稀疏化,降低了模型的计算复杂度。利用基于样本稀疏化的高斯过程构建青霉素发酵过程的软测量模型,同时得到青霉素浓度的预估值和表征预估值的不确定度,实验结果表明,本文所提方法与标准GP方法相比,在保证模型预测精度的前提下,减少了模型的训练时间。