迭代函数法计算稀土串级萃取最优化k值

建立了计算串级萃取最优化k值的迭代函数 :R =c/k +d/(k - 1)。实例应用和分析对比结果表明 ,用该迭代函数来计算串级萃取最优化k值 ,计算简便 。

基于优化k值的VMD和矩阵分形的供输弹系统早期故障诊断

对于供输弹系统早期故障信号非线性、非平稳、故障信息易被湮没难以识别的问题,提出了基于优化k值的变分模态分解(VMD)和矩阵分形的早期故障识别方法。首先计算不同k值下相对能量比值μ的大小,选择与较小μ值对应的k作为分解层数并对分解结果进行检验;然后通过计算VMD分解后得到的各工况信号IMF的广义维数,构建每种工况的分形矩阵;最后计算样本信号与待测信号分形矩阵的相关系数,确定待测信号的工况。结果表明该方法能对供输弹系统早期故障进行有效识别。

空间聚类算法中的K值优化问题研究

在典型的空间聚类算法K-平均法和K-中心法中,K一般为用户事先确定的值,然而,实际中K值很难被精确地确定,往往表现为一个模糊的取值区间。在此提出距离代价函数的概念,建立了相应的数学模型并设计了一个新的K值优化算法,对空间聚类K值优化问题进行了初步的研究。

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。

基于k-means算法的k值优化的研究与应用

k-means算法是经常使用的一种聚类算法,但是易受聚类个数k的影响,其性能主要取决于k值优化,因此对近年来k-means算法的研究现状与进展进行总结。对较有代表性的k值优化的k-means算法,从思想、关键技术等方面进行分析概括,并选用著名数据集对一些典型算法进行了测试,主要从同一个数据集、不同的k值优化情况进行对比分析.上述工作将为聚类分析和数据挖掘的研究提供有益的参考.

基于密度期望和有效性指标的K-均值算法

传统K-均值聚类算法虽然收敛速度快,但存在聚类数k无法预先确定,并且算法对初始中心点敏感的缺点。针对上述缺点,提出了基于密度期望和聚类有效性Silhouette指标的K-均值优化算法。给出了基于密度期望的初始中心点选取方案,将处于密度期望区间内相距最远的k个样本作为初始聚类中心。该方案可有效降低K-均值算法对初始中心点的依赖,从而获得较高的聚类质量。在此基础上,可进一步通过选择合适的聚类有效性指标Silhouette指标分析不同k值下的每次聚类结果,确定最佳聚类数,则可有效改善k值无法预先确定的缺点。实验及分析结果验证了所提出方案的可行性和有效性。

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.

最优模态值优化策略在提高风机发电量上的应用研究

文章在对深入研究不同空气密度对风机发电量影响的基础上,采用优化最优模态值(以下简称:K值)来增加发电量的策略,仿真结果表明,加入K值优化策略后风机运行平稳,风机发电量提高2%左右,该策略科学、合理、实用,且极具推广价值。

通过密度思想和聚类有效性指标改进的K-means算法

K-means算法是常用的一种聚类分析算法。通常预先选取一个k值,然后再通过选取初始聚类中心进行聚类,直到结果不再收敛。但是传统K-means算法存在k值和初始中心点如何选取的问题,因此针对这一缺陷进行改进。通过密度参数的计算和考虑样本之间距离因素来选取初始聚类中心,并且对聚类有效性指标DBI进行改进,得到新的聚类有效性指标函数IDBI来分析不同k值下的聚类结果,从而得出最佳聚类数。结果表明,IDBI值普遍比DBI小,更加趋于稳定,因此该算法相比传统算法具有更好的收敛性以及更高的准确性。

K-MEANS算法中的K值优化问题研究

在空间聚类中,最佳聚类数K求解的关键是构造合适的聚类有效性函数.典型K-平均算法中的聚类数K必须是事先给定的确定值,然而,实际中K很难被精确地确定,使得该算法对一些实际问题无效.文章提出距离代价函数作为最佳聚类数的有效性检验函数,建立了相应的数学模型,并据此设计了一种新的K值优化算法.同时,给出了K值最优解KOPT及其上界KMAX的条件,在理论上证明了经验规则KMAX≤N的合理性,实例结果进一步验证了新方法的有效性.

基于聚类与二分图匹配的语义Web服务发现

为高效准确地查找语义Web服务,引入聚类与二分图匹配技术,提出一种新的语义Web服务发现方法。根据服务描述信息将相似服务聚集到一起,采用空间向量模型表示服务,针对标准K-Means算法的缺陷设计基于k值优化和粒子群优化的K-Means聚类算法对服务进行聚类。借鉴带权二分图最优匹配思想对服务的功能属性进行匹配,设计基于Word Net的概念间语义相似度计算方法用于计算二分图的权值,并针对如何构建满足最优匹配条件的带权二分图问题给出解决方案。实验结果表明,该方法在查全率和匹配效率上均优于OWLS-MX方法。

基于特征空间的文本聚类

文本聚类是聚类算法的一种具体应用,随着互联网的发展,文本聚类应用越来越广泛,譬如在信息检索、智能搜索引擎等方面都有较为广泛的应用。文本聚类算法主要涉及文本预处理和文本聚类算法,故对文本聚类进行改进可以从这两方面入手。传统文本聚类的文本预处理采用VSM模型,该模型不考虑词与词的语义相似度和词与词的相关性,导致文本聚类精确度非常低。针对该问题,提出了基于特征空间文本聚类的方法。该方法根据文档集合的特征空间构造一个替代词库,并根据这个替代词库得到文档的主题,依据主题配合其对应的领域词典对文档词进行相应的替换。传统的文本聚类使用K-means算法,但该算法需要人工指定K值。为此,提出了基于K值优化的K-means改进算法。实验结果表明,所提出的文本聚类方法和K-means改进算法显著提高了文本聚类的智能性和精确性。

VMD在开关柜局部放电检测中的应用

开关柜在电力系统中的地位非常重要,其制造和运行过程中难免会出现绝缘故障。局部放电信号相对于现场其他复杂信号来说是一种极其微弱的信号。为了更加准确地获得局部放电信号,论文提出一种VMD算法对信号进行分解,提出能量差法对K值进行优化,然后重新构取信号,提取信号。