基于二分K均值聚类算法的电子档案存储技术

为实现电子档案高质量安全存储,提出基于二分K均值聚类算法的电子档案存储技术。由档案所有者挑选适合自己档案的存储机构,在存储机构工作人员帮助下,使用基于二分K均值聚类算法的图像优化方法优化待存储的电子档案。将优化后的电子档案发送给星际文件系统,由档案存储机构予以保存并返回唯一Hash指纹,操作完成后通过公钥密码算法实施数字签名操作,并由档案所有者对数字签名结果实施合理验证,验证通过后生成最终的电子档案及数字签名,发送给以太网区块链完成存储。实验结果表明,所提技术可较好存储电子档案,能够有效提升电子档案文件存储的安全性和稳定性,极大程度节省电子档案存储空间。

基于改进K均值聚类的光谱重建训练样本选择研究

光谱反射率重建过程中,训练样本的选择方法及样本容量与重建精度密切相关,寻找一种高效的训练样本选择方法是光谱重建的目标之一。K均值聚类计算复杂度小,计算效率高,但因聚类初始值选择的随机性,以及离群点的影响致使聚类结果不稳定,进而影响光谱重建的精度。基于此,提出了一种改进K均值聚类的训练样本选择方法。首先,将训练样本集的几何中心作为聚类中心的初始值;其次,基于高斯函数构建样本空间分布概率密度函数,并以欧几里德(欧式)距离作为其他聚类中心的度量依据;最后,在训练样本集中,基于簇内平方差度量光谱反射率样本间的相似度,将每个聚类子集中与中心距离最近的样本作为训练样本。为验证该方法的有效性,通过主成分分析法进行光谱重建。实验结果表明,所提的方法相较于传统的方法,光谱重建精度有一定的提高,重建光谱的平均均方根误差小于4%, CIE DE2000色差小于3.756 7。提出的改进的K均值聚类的训练样本选择方法,能够一定程度上提高了光谱重建精度,基本满足复制再现图像的要求。

改进K均值聚类下铣床轴承沟道磨损检测研究

针对铣床轴承沟道磨损检测精度较低的问题,提出改进K均值聚类下铣床轴承沟道磨损检测方法。通过UT372手持式光电速度仪与MPU-605压电加速度仪,采集铣床轴承沟道磨损数据。根据最远最近原则,初步选取数据集的聚类中心。使用欧氏距离计算出数据集各点间的距离与所有数据的平均距离,并结合交叉验证确定聚类中心的两个阈值。引入Canopy算法改进K均值聚类,确定全局最佳的聚类中心,从而实现铣床轴承沟道磨损的智能检测。试验结果表明,改进K均值聚类算法在铣床轴承沟道磨损检测中,迭代次数固定为15次、Jaccard系数极其接近1。该方法能够显著提升聚类的计算速度和稳定性,可识别不同铣床轴承沟道磨损故障类型,且检测精度高。

基于改进K均值聚类的光伏板缺陷检测方法

为了能够对光伏组件热斑部分准确地识别和提取,提出了一种基于HSV空间模型的改进K均值聚类图像处理方法。首先,将红外图像进行HSV空间转换和双边滤波处理,去除噪声并提高图像对比度;其次,使用高斯核函数估计实现图像灰度概率密度函数提取,并以此获取初始聚类中心;最后,利用先验知识对图像进行K均值聚类,提取和量化热斑缺陷。研究结果表明,该方法能够快速地检测定位热斑位置并统计出光伏板损坏程度,具有较高的精度以及较好的灵敏性和稳定性。

基于K均值聚类算法的谐振接地系统故障区段定位方法

现有的谐振接地配电网单相接地故障定位方法存在通信依赖过度、特征分析复杂和阈值设置困难等问题,现场运行的适用性较低。本文基于深度融合智能开关在配电网中的应用,研究三相电流变化量的波形特征,提出基于K均值聚类算法的就地选段方法。该方法提取各区段数据特征量,发挥K均值聚类算法无监督学习的优点,使各检测节点只需处理本地故障信号,从而减轻通信压力。利用仿真和现场数据验证该方法的可行性,结果表明,该方法在多种故障工况下都表现出较高的可靠性,并且能够较好地适应现场环境。

基于K均值聚类的智能变电站设备安全预警方法

智能变电站设备安全预警是确保电力系统运行稳定和设备可靠性的关键环节。本研究基于K均值聚类算法,提出了一种智能变电站设备安全预警方法。首先,通过数据采集和预处理获取设备数据集,并将其应用于K均值聚类分析。其次,通过建立预警模型,识别异常点和安全风险。最后,通过识别结果实现安全预警。实验结果表明,基于K均值聚类的智能变电站设备安全预警方法能够提高变电站设备的安全性和稳定性,并为未来智能电力系统的发展奠定基础。

数据驱动下基于量子人工蜂群的K均值聚类算法优化

该文将量子人工蜂群(Quantum artificial bee colony,QABC)算法用于K均值(K-means)聚类的类别中心点选择,优化K均值聚类算法,可有效解决因随机设置K均值中心点而导致聚类准确度不高的问题。该文设置K均值聚类类别数,并随机设置若干类别中心,采用人工蜂群(Artificial bee colony,ABC)算法优化类别中心点,根据待聚类样本点构建蜜蜂种群,并对蜂群个体位置采用量子比特表示。以样本点和中心点的距离的倒数作为ABC算法适应度,并将适应度值较高个体定义为蜜源。通过引领蜂在运动范围内的粗粒度遍历和跟随蜂的细粒度探索,不断搜寻适应度较高个体,并且更新蜜源,直至ABC算法稳定后确定较优蜜源位置为聚类中心。采用ABC优化得到的聚类中心进行K均值聚类。试验结果表明,通过合理设置ABC搜索边界,并引入蜂群位置的量子表示,可有效增强ABC对聚类中心的搜索精度。相比于常用聚类算法,QABC+K均值算法的聚类性能更优。

基于疯狂捕猎秃鹰算法的K均值互补迭代聚类优化

在处理庞大复杂的点云数据时,传统聚类方法精度低、耗时长并且受离群点影响大,针对以上问题,提出基于疯狂捕猎的柯西反向秃鹰搜索算法(QO-BESCH)的K均值互补迭代聚类优化方法.所提算法构建基于体元包围盒的初始聚类中心选择模型,提升初始化聚类中心质量;提出疯狂捕猎机制,同时融合动态自适应控制算子和柯西反向策略,提升秃鹰搜索算法(BES)的寻优能力,增加寻找聚类中心的成功率;利用QO-BESCH优化K均值聚类(KMC),在减小迭代次数的同时增加搜索效率,得到较好的聚类结果.利用UCI标准数据集对所提算法进行测试,并与8种聚类算法进行对比,实验结果证明了所提算法的优越性.将本研究算法结合PCL点云库应用于ModelNet40点云数据集聚类,结果表明,所提算法可以实现有效聚类,适用性较强.

基于K-means聚类分析和多元线性回归的相关流量数据处理方法

相关流量计在油井产出剖面测量中得到了成功的应用。但因传感器、调理电路以及流体本身噪声的影响,相关流量计所测量的渡越时间值会出现少量异常数据,使瞬时流速的计算结果与实际值相差很大,进而平均流量计算也出现较大的测量误差。对此提出基于K-means聚类算法对渡越时间样本数据聚类分析,并根据聚类结果建立多元线性回归预测模型,合理预测渡越时间值,以修正渡越时间的异常值。对预测值与实际值进行比较,最终获得准确的相关流量数据。采用多相流装置的实验数据对所建立的方法进行验证,结果表明,该方法可有效消除渡越时间的异常,优化流量测量的数据,对两相流流量测量有一定的实践意义。

基于信息检索与K均值聚类的化工产品精准推荐算法研究

传统K均值聚类对客户聚类精度不高,直接影响化工产品精准推荐的质量。基于此,采用信息检索系统来确定K均值聚类的初始聚类中心点,消除特殊消费者与数据中的噪声数据,提出了联合信息检索与K均值聚类的化工产品精准推荐算法。将该算法和Top-N算法分别应用于化工产品精准营销中,结果表明,提出的算法比Top-N算法平均绝对误差低,准确率、召回率以及综合平均值高,能够为化工企业实施精准营销提供数据参考。

基于车载数据k均值聚类的特种车辆行驶工况识别

运行工况的合理划分是车辆可靠性和耐久性研究的基础。为了综合考虑特种车辆动力性能和操纵性能,针对换挡、运行、爬坡和转向4种工况进行研究,并提出各工况特征值计算方法。为提高车辆行驶工况识别的准确性,通过小波阈值滤波算法和自顶向下分段线性表示算法对原始数据进行去噪和短行程划分,再利用k均值聚类算法对车辆行驶工况进行识别。通过某型特种车辆试验数据验证,该方法能够对行驶工况有效识别,工况聚类精度可达92.75%。

结合K均值聚类和KD-Tree搜索的快速分形编码方法

利用部分失真搜索求解传统K均值聚类算法中的最近邻搜索问题,显著地减少了传统算法的乘法次数,从而提高了聚类速度;然后用改进后的聚类算法来加速分形编码:首先将定义域块聚类并为每个类建立一棵KD-Tree,编码时对每个值域块先后用部分失真搜索与近似最近邻搜索得到与其距离最近的若干KD-Tree及其上的若干最近邻,而其最优匹配块即由后者产生.实验结果表明,相对于全局搜索,该方法能大幅度地提高编码速度和较大地提高压缩比,而解码质量只有很小的下降;相对于同类方法,在相同压缩比下有更好的加速效果和解码质量.

基于分裂式K均值聚类的图像分割方法

模糊C均值聚类(FCM)算法是一种有效的无监督图像分割方法,适用于任意分类数,不需要预知图像特征,但其聚类效果直接受待分类样本噪声和分类初始条件的影响。因此,提出了一种适用于彩色图像分割的分裂式K均值聚类(FKM)算法,该算法首先使用中值滤波对分类样本去噪,然后使用一种分裂聚类法对图像样本进行预分类,得到一组样本集初始划分,最后以这组划分为起点,使用基于概率距离的K均值聚类对图像分割进行迭代优化。实验结果表明,该算法可以避免FCM的误分类,诸如陷于中心死区、中心重叠和局部极小值,而且提高了分割速度。

一种改进的混合蛙跳和K均值结合的聚类算法

传统K均值聚类(KMC)算法过分依赖初始值的设置,容易陷入局部最优;混合蛙跳算法(SFLA)存在收敛速度和搜索速度较慢、局部和全局信息交流不全面等缺点。针对以上缺点,首先提出一种改进的混合蛙跳算法(MSFLA)。该算法根据粒子群优化和差分进化思想,在青蛙个体变异时,引入上一次移动距离的权重惯性系数和缩放因子,从种群中的最优位置和历史最优位置之间的随机点出发,以子群内的青蛙的平均值和最差位置差值为步长进行青蛙个体的更新操作。再将MSFLA与KMC算法结合提出MSFLA-KMC算法,有效地克服了KMC算法过分依赖初始值设置问题,同时降低了KMC算法陷入局部最优的可能性。实验结果表明,MSFLA具有较强的寻优能力,MSFLA-KMC算法则具有更好的聚类性能。

粒K均值聚类算法

K均值聚类属于无监督学习,具有简单易用、可解释性强和聚类效果佳的优点。然而,其算法收敛速度慢,参数难以确定,易陷入局部解。为了克服K均值聚类的固有缺陷,结合粒计算理论,提出了一种新型的聚类模型:粒K均值聚类算法。样本在单特征上粒化成粒子,多特征上的粒子形成粒向量;进一步定义多种粒距离公式,用来度量粒子之间的距离。根据粒距离度量,提出一种粒K均值聚类方法,并设计粒K均值聚类算法。样本粒化是在全部样本空间中进行相似度比较,反映了样本的全局特性,使得聚类收敛迭代次数较少,更容易得到全局最优解。采用多个UCI公开数据集进行实验,从收敛速度、K值影响与聚类效果多方面进行比较,其结果表明所提出的K均值聚类方法具有收敛速度快及聚类效果佳的优点。

基于加权二分图的K均值最佳聚类数确定算法

针对传统K均值算法无法精确预设初始聚类中心数目的问题,提出基于加权二分图的K均值最佳聚类数确定算法。设计等比例随机采样的方式,从原始大数据集中产生小数据集集合并从中产生聚类中心点点集,提高应对大规模数据集的能力;用聚类中心点点集形成二分图,针对聚类算法特性改进其赋权函数;设计评价数,改进Kuhn-Munkres算法,将其用于求取二分图的最大权完美匹配,确定最佳聚类数。实验结果表明,相较其它6种对比算法,所提算法有更高的准确性,更好的稳定性,以及更强的处理大规模数据集能力。

结合K均值聚类的暗通道去雾改进算法

针对暗通道先验去雾算法在处理单幅图像去雾时计算复杂度高且对于天空等高亮区域有局限性而易产生失真的问题,从暗通道模型出发,提出首先利用双暗通道拟合进行透射图估计,然后采用K均值聚类算法对有雾图像进行区域分类之后再针对天空区域估计出大气光强度的算法。该算法增强了图像的细节信息,并大大降低了计算复杂度,且提升了大气光强度估计值的准确性,有效抑制了高亮区域的失真。主观和客观评价表明,该算法能够取得比传统算法更好的去雾效果。

结合K均值和非负矩阵分解集成文本聚类算法

将非负矩阵分解(NMF)引入到文本聚类集成问题中,为解决NMF随机初始化所引起的不稳定性问题,首先采用最小最大原则确定K均值算法的初始质心,并获得稳定的聚类结果;其次,将K均值算法的聚类结果作为NMF的初始因子矩阵,并对超图的邻接矩阵进行NMF,获得基矩阵和系数矩阵;最后根据系数矩阵获得最终的聚类结果,由此设计了NMFK算法。在多组真实文本集上进行了实验,结果表明:NMFK算法运行高效,并且获得了比其他常见的聚类集成算法更加优越的结果。

基于关联规则与k均值聚类探讨黄褐斑外用方剂的药理规律

目的通过整理古籍中黄褐斑外用方剂,进而对现代临床中基于古籍的黄褐斑外用方药进行数据挖掘,获取其用药规律,探求其网络药理学依据,为临床治疗提供思路。方法检索中华医典数据库,获取古籍黄褐斑外用方药。搜索中国知网(CNKI)、万方数据库、维普中文期刊数据库(VIP)等,检索现代临床中黄褐斑的外用方药,筛选基于古方的外用方剂,建立黄褐斑外用方药数据库。使用中医传承计算平台(V3.0)分析药物关联规则,获取核心药物进行聚类分析。使用网络药理学探索核心药物潜在作用机制。结果整理得到古方37个,涉及中药78味;现代临床复方309个,涉及中药232味。现代临床中最常用的药物为白芷、茯苓、当归、白及、白附子等;最常用的药对为白芷-茯苓;高置信度药物关联规则有白及-白蔹->白芷、茯苓-白附子-僵蚕->白芷、茯苓-白及-僵蚕->白芷等;核心药物包括白芷、茯苓、僵蚕、白及、当归等12味中药。获取核心药物有效靶点347个,疾病靶点476个,药物与疾病交集靶点18个,京都基因和基因组数据库(KEGG)富集通路19条,并构建疾病-交集靶点-通路-核心药物-有效成分网络。结论核心药物对外用治疗黄褐斑在分子层面的作用机制存在依据,可为临床遣方用药提供依据,有助于提高中医外治黄褐斑的临床疗效。

结合K均值与Laplacian的聚类集成算法

聚类集成可以有效提高传统聚类算法的精度,其关键问题在于如何根据聚类成员提供的信息获得更加优越的聚类结果。设计一种聚类集成算法,它结合K均值算法与基于拉普拉斯矩阵的谱聚类算法,充分利用聚类成员提供的属性信息与关系信息。为了降低算法计算复杂度,通过代数变换方法有效避免了大规模矩阵的特征值分解问题。在多组真实数据集上的实验结果表明,提出的算法优于其他聚类集成算法。