噪声鉴别C均值聚类的滁菊花茶品质等级鉴别研究

近红外光谱检测技术可以通过探测近红外区域的光谱特征,反映所测样品内部有机物化学成分和结构信息。在分析物质成分时,近红外光谱通常会涉及到大量的波长数据,因此其维数往往比较高。同时,光谱会出现重叠和冗余等现象,会影响模型的性能。提出一种噪声鉴别C均值聚类(NDCM)算法。NDCM将一种快速广义噪声聚类(FGNC)和模糊线性判别分析(FLDA)相结合,可实现模糊聚类过程中进行数据鉴别信息的提取和数据空间维度的压缩,以达到更高的聚类准确率。对滁菊花茶近红外光谱数据进行模糊C均值聚类(FCM)得到的模糊隶属度和聚类中心作为噪声鉴别C均值聚类(NDCM)的初始模糊隶属度和初始聚类中心,使NDCM具有聚类速度快,准确率高等优点。FCM算法对光谱噪声数据敏感,而NDCM算法在处理含噪声的光谱数据时能够表现出较好的性能。该研究选取特级滁菊、一级滁菊、二级滁菊三种品质等级的滁菊花茶作为实验样本,共计240个样本。实验使用便携式近红外光谱仪(NIR-M-F1-C)采集滁菊花茶的近红外光谱数据。用Savitzky-Golay滤波和多元散射校正(MSC)对滁菊花茶近红外光谱进行预处理,以减少光谱中掺杂的噪声和重叠信息。通过主成分分析(PCA)对采集到的400维光谱数据进行维度压缩降至6维。该研究使用线性判别分析(LDA)提取滁菊花茶光谱数据中的鉴别信息,并将数据空间维度进一步转换为2维。分别用FCM,FGNC和NDCM三种算法对处理后的数据进行聚类分析,以实现对滁菊花茶的准确分类。实验结果显示:当权重指数m=2.5时,FCM,FGNC,NDCM的聚类准确率分别为92.42%,98.48%,100%。NDCM聚类时间略长于FGNC。FCM算法需要进行27次迭代才能收敛,而FGNC算法和NDCM算法分别只需要13次和10次迭代就能达到收敛。采用近红外光谱技术结合MSC、Savitzky-Golay滤波、PCA、LDA和NDCM算法,建立了一种精准鉴别滁菊花茶品质等级的聚类模型。

采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法

针对传统聚类算法处理点云简化问题时精度低、耗时长且易丢失特征信息等问题,提出了一种基于动态精英自适应混合策略的鹈鹕算法(DEAMPOA)与加权熵法联合优化的模糊C-均值聚类(FCM)信息熵点云简化算法。采用动态自适应种群混合策略,同时融合了精英反向化思路,显著提升了鹈鹕优化算法(POA)的收敛趋势和全局寻优能力,提高了寻找FCM最优聚类中心的成功率;利用DEAMPOA结合加权熵法对FCM进行优化,提高鲁棒性的同时增强了搜索精度,得到较好的聚类结果;在8种UCI标准数据集上与4种算法对比进行聚类性能评估实验,验证了所提方法综合性能优越;将所提方法与信息熵融合,并应用在三维点云KITTI数据集简化中。实验结果表明:与包围框简化法、随机采样简化法和特征选择简化法对比,所提方法全局误差简化前后点集之间平均欧式距离(MED)指标分别降低了2.25%、6.93%、5.74%,点云简化效果最优且运行速度满足要求。

基于模糊C均值聚类的高铁动车组电缆终端局部放电识别

局部放电检测作为一种诊断车载电缆终端绝缘状态的有效手段,在列车实际运行环境中面临强干扰问题,为此文章提出了一种基于波形参数分析和模糊C均值聚类的车载电缆终端局放脉冲干扰分离策略。在实验室搭建了局部放电测试平台并采用高频电流法(HFCT)获取了电缆终端的局放信号和典型脉冲干扰信号,通过对脉冲单波进行包络处理,提取脉冲的3个参数作为特征向量,然后采用模糊C均值聚类方法对局放信号与脉冲干扰信号进行分离。试验结果表明,该方法能够有效地将局放信号与脉冲干扰信号分离,减小脉冲干扰信号对局部放电检测的影响,对提高局放手段评估车载电缆终端绝缘状态的准确性具有一定意义。

基于高斯滤波与均值聚类的异质多源传感器数据加权融合

异质多源传感器之间工作频率存在差异,导致数据之间的一致性较差,加权融合后的观测误差较大,因此提出基于高斯滤波与均值聚类的异质多源传感器数据加权融合方法。采用高斯滤波对异质多源传感器数据空间单元格进行划分,建立基于单元格的最佳连通域,保留传感器内部数据,完成传感器数据的高斯滤波平滑处理。引入均值聚类对异质多源传感器数据进行一致性处理。通过免疫粒子群搜索最优权重和参数,利用最优权重和参数完成异质多源传感器数据加权融合。仿真结果表明,所提方法能够降低融合后传感器数据的观测误差与均方误差,观测误差与均方误差最小值均为0.002。因此,说明所提方法提高了融合后异质多源传感器数据的可利用性。

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。

引导模糊C均值聚类算法在联合反演综合解释中的应用

不同地球物理方法的反演结果常常存在差异,根据不同方法的联合反演结果得到最终合理解释是了解地下结构的关键。为此,提出了一种引导式模糊C均值(FCM)聚类算法,即在FCM聚类算法的基础上,结合现有地质认识,引入先验约束信息指导聚类中心的确定,对地球物理联合反演结果进行综合定量解释,旨在降低传统人工解释的主观性和局限性。模型测试表明,与传统FCM聚类技术相比,引导FCM聚类技术效果更好,特别是处理复杂地质结构的反演数据时,能够有效地区分不同地质体。实际数据的应用结果证明了引导FCM聚类技术在多属性地球物理联合反演结果综合解释中的应用潜力较大。该技术不仅提升了地球物理数据解释的科学性,而且为地下资源勘探提供了一个更可靠和精确的工具。

基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息GX和类中心点的近邻信息GV融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。

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。

基于模糊C均值聚类的空—地—井垂直重力梯度数据反演方法

通过重力梯度数据三维反演能够获得地下密度结构模型,用于地质资源勘探等领域。航空、地面和井中观测的重力梯度数据含有不同频率的信息,通过数据联合可以降低反演多解性,提高成像分辨率。对于具有复杂形态的地下异常体,目前这种多尺度数据联合反演的纵向空间分辨率,尤其是异常体底部的成像分辨率有待提升。针对该问题,开展了航空—地面—井中垂直重力梯度数据的联合反演方法研究。首先,在正则化反演中引入模糊C均值聚类算法,通过在迭代过程中加入聚类约束降低多解性;其次,联合航空、地面和井中垂直重力梯度数据,提出一种联合反演方法,并使用GPU加速计算;然后,将反演应用于理论模型数据与美国文顿盐丘地区重力梯度数据,验证方法的效果,并讨论了井位置对结果的影响;最后,对基于GPU加速的并行反演方法进行性能分析。数据试验证明了模糊C均值聚类算法能够降低反演的多解性,通过联合反演能够获得准确的密度分布,该方法具有一定的抗噪能力;使用异常旁井和穿异常井数据的成像分辨率更高。计算的文顿盐丘地区密度分布与其他学者的结论相近,证明了方法是有效且可行的。试验还表明,GPU并行方法具有较高的加速比,提出的方法能够为地质找矿等研究提供技术支撑。

基于耦合空间模糊C均值聚类和推土机距离的变化检测

在遥感影像变化检测领域中,当遥感影像受椒盐、高斯和混合噪声污染时,变化检测精度往往无法得到保证。虽然基于空间模糊C均值聚类的有监督变化检测算法能有效实现抗噪声变化检测,但是其人工训练成本和时间成本过高,在实时场景中无法大规模应用。对此,文章将5种空间模糊C均值算法分别与推土机距离(earth mover’s distance, EMD)耦合,实现了5种具有较好抗噪声能力的无监督遥感变化检测算法,能够保证噪声污染下的实时变化检测精度。实验证明,与最近提出的KPCAMNet和GMCD无监督变化检测算法相比,所提出算法能更好地处理受椒盐、高斯和混合噪声污染的遥感影像,具有一定的应用价值。

基于空间信息的鲁棒模糊C均值聚类的苗族服饰图像分割算法

针对苗族服饰图像中破损污渍、折叠痕迹、色彩差异大和噪声破坏等现象所导致的传统模糊C均值聚类(Fuzzy C-means,FCM)算法分割质量不佳问题,提出了基于空间信息鲁棒FCM算法,用于苗族服饰图像分割。通过均值滤波和中值滤波处理空间邻域信息,对应获得2种方法,并用一个加权参数调节模糊隶属度的稀疏性,旨在加强细节的提取和提高算法对噪声的鲁棒性。实验表明,对于被高斯噪声破坏的图像,基于均值滤波处理的改进算法,其划分系数提高约3.6%,划分熵降低约5.6%;对于被椒盐噪声破坏的图像,基于中值滤波处理的空间约束项的改进算法,划分系数提高约2.7%,划分熵降低约4.3%。该算法提高了对这类苗族服饰图像分割的质量,对于传统文化的传承具有非凡的意义。

基于高斯核函数的差分隐私模糊C均值聚类算法的构建与应用

目的:提出一种基于高斯核函数的差分隐私模糊C均值聚类算法(DPFCM_GF),旨在优化大数据背景下医疗数据分析和挖掘带来的数据隐私安全问题,为数据隐私保护提供理论基础。方法:针对随机初始化模糊C-均值隶属度矩阵降低算法精度问题,采用最大距离法确定初始中心点,使用聚类中心点的高斯值计算隐私预算分配比率,并添加拉普拉斯噪声以完成差分隐私保护,构建DPFCM_GF。收集整理美国加州大学欧文分校机器学习存储库的心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集对DPFCM_GF有效性进行验证,收集2019年1月1日至2022年12月31日淮安市第二人民医院收治的756例胃癌和肺癌患者病例数据集,对DPFCM_GF的可用性进行验证,并将分析结果与模糊C均值聚类算法(FCM)以及差分隐私模糊C均值聚类算法(DPFCM)进行对比分析。结果:对于心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集,DPFCM_GF和DPFCM的最优聚类效果与FCM聚类效果相当;相较于DPFCM,DPFCM_GF迭代时间更快,聚集速度显著,差异有统计学意义(t=4.01、4.71、4.01、12.38,P<0.05)。对于肺癌和胃癌数据集,随着隐私预算ε的增大,DPFCM_GF正确识别率逐渐聚集于91.9%和93.9%,受试者工作特征(ROC)曲线下面积(AUC)值分别为0.79和0.81;当隐私函数ε为0.1、0.5、1和2(ε<3)时,DPFCM_GF聚类效果显著优于DPFCM,且聚类效果更佳,差异有统计学意义(χ^(2)=12.25、87.12、68.58、7.76,P<0.05;χ^(2)=4.74、43.51、42.47、4.89,P<0.05)。结论:DPFCM_GF是一种有效保护医疗数据隐私的方法,同时也可进行数据分析和挖掘任务,具有一定的研究意义和研究前景。

基于k-均值聚类算法的高层建筑表面风压分区研究

为分析高层建筑表面的风压特征和关键区域,以高宽比为4∶1的高层建筑风洞试验模型为对象,采用k-均值聚类算法,对0°风向角下模型各个面的风压测压管时程数据进行分析,研究结果表明:建筑左、右侧面以强烈的负压为主导,且角点附近存在负压极值;k-均值聚类算法可以有效地识别不同表面风压场的特征,风压的聚类结果与平均风压系数的分布较为吻合,且能得到代表性的风压测压管。

基于近邻传播聚类-K均值聚类的工业用户用电模式挖掘方法

为了充分发挥用户负荷的可调节潜力,提出了一种基于近邻传播聚类-K均值聚类的工业用户用电模式挖掘方法。首先,比较K均值聚类和近邻传播聚类-K均值聚类的优缺点。在工业用户的选取上,选择最佳聚类数均为3的工业用户负荷数据作为被分析对象以便聚类,借助MATLAB工具对用户负荷数据进行聚类,得到了3组所需的聚类中心,再绘制成曲线以便观察和后续提取特征指标。

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。

基于模糊C-均值聚类算法的动态等值研究

近年来,随着特高压交直流输电线路的不断建立,需要准确地模拟交直流大电网故障期间的暂态特性已十分困难。电磁暂态仿真计算结果较为准确,但计算量太大,因此需要在计算前对被仿真网络进行动态等值。本文首先介绍了模糊C-均值聚类算法(FCM)及基于物理等效的动态等值计算方法;然后,提出了基于模糊C-均值聚类算法的动态等值计算方法及其流程图。最后,对某区域进行FCM机组分群,并进行动态等值计算,结果表明,采用基于FCM的动态等值方法,等值前后的动态特性基本一致,该方法具有良好的实用性。

基于模糊C均值聚类算法的浆液循环泵节能运行优化方法研究

在浆液循环泵运行阶段,受客观应用需求波动的影响,其功耗相对较高。为此,提出基于模糊C均值聚类算法的浆液循环泵节能运行优化方法。在浆液循环泵运行数据特征提取阶段,采用基于无监督的深度学习模型,借助随机初始化的卷积核,对输入的数据进行卷积计算,获取低维空间的特征映射,随后通过反卷积确定浆液循环泵运行参数特征;在节能运行优化阶段,引入模糊C均值聚类算法,通过聚类具有相同特征的数据,将相同聚类内功耗最小的参数作为同类运行工况下的优化结果。结果显示,测试循环泵的功耗虽然会随着通过的最大颗粒粒度的增加而呈稳定增大的趋势,但对应的增幅较小,与对照组相比,其分别在节能程度和节能适应性方面表现出了明显优势。

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。

基于知识量加权的直觉模糊均值聚类方法

针对聚类算法中特征数据对聚类中心贡献的差异性及算法对初始聚类中心的敏感性等问题,提出一种基于知识量加权的直觉模糊均值聚类方法。首先将原始数据集直觉模糊化并改进最新的直觉模糊知识测度计算知识量,据此实现数据集特征加权,再利用核空间密度与核距离初始化聚类中心,以提高高维特征数据集的计算精度与聚类效率,最后基于类间样本距离与最小知识量原理建立聚类优化模型,得到最优迭代算法。基于UCI人工数据集的实验结果表明,所提方法较大程度地提高了聚类的准确性与迭代效率,分类正确率及执行效率分别平均提高了10.63%和31.75%,且具有良好的普适性和稳定性。该方法首次将知识测度新理论引入模糊聚类并取得优良效果,为该理论在其他相关领域的潜在应用开创了新例。

基于空间模糊C均值聚类和贝叶斯网络的高分一号遥感影像变化检测

在目前经典的变化检测算法中,后验概率空间变化向量分析(CVAPS)方法广泛用于遥感影像的变化检测。然而,基于支持向量机(SVM)的CVAPS法无法有效处理高分一号影像中等分辨率遥感影像中的混合像元问题,且难以有效保证变化检测的精度。因此,本文通过引入空间信息,使用空间模糊C均值聚类(Spatial Fuzzy C Means, SFCM)有效地实现高分一号影像混合像元的分解,并结合简单贝叶斯网络(SBN),提出一种新的后验概率空间变化向量分析法SFCM-SBN-CVAPS。实验结果表明,本文算法的总体精度和Kappa系数均高于基于普通模糊C均值聚类(Fuzzy C Means, FCM)的CVAPS算法,且耗时更短,本文所提出的算法有助于提高遥感影像变化检测的精度和效率。