基于负荷场景多层聚类的储能精细化规划研究

为解决目前储能规划中场景划分不够精确及模型适用范围有限的问题,提出了基于负荷场景多层聚类的储能精细化规划方法。首先,提出了基于关联分析与聚类的负荷时空耦合特性分析方法及考虑负荷时空特性的负荷场景多层聚类方法。其次,面向典型负荷场景,构建了综合考虑碳排放、全周期成本、弃风弃光惩罚及储能和分布式电源协同的储能精细化规划模型。最后,选取某地实际配电网开展算例分析,得到了不同负荷场景下储能与分布式电源的最优协同配置方案,验证了所提模型与方法的可行性与有效性。

基于多策略优化的分治多层聚类算法的话题发现研究

话题发现与跟踪是一项评测驱动的研究,旨在依据事件对语言文本信息流进行组织利用。自1996年提出以来,该研究得到了越来越广泛的关注。本文在研究已有成熟算法的基础上,提出了基于分治多层聚类的话题发现算法,其核心思想是把全部数据分割成具有一定相关性的分组,对各个分组分别进行聚类,得到各个分组内部的话题(微类),然后对所有的微类再进行聚类,得到最终的话题,在聚类的过程中采用多种策略进行优化,以保证聚类的效果。基于该算法的系统在TDT4中文语料上进行了测试,结果表明该算法属于目前结果最好的算法之一。

一个基于Web的金融多层聚类系统

介绍了一个基于 Web的用于金融数据挖掘的多层聚类系统的设计与实现 .该系统基于金融比率对香港、大陆股市中的上市公司进行了聚类分析 .它采用 3层的体系结构 ,即用户层、应用层和数据库层 .应用层使用了 Java Servlet、Java Script和 JDBC等编程技术 .系统数据库中存储了大量的金融数据 ,并实现了 2 4个金融比率的计算和存储 ,用户还可以自己定义新的金融比率和众多金融比率之间构成层次关系 .用户可以在不同的比率层次上对公司聚类 ,显然 ,采用多层次的聚类比单层次聚类有明显的优越性 .测试结果表明 ,该系统灵活、快速、扩展性好、结果易理解 ,有助于金融专家和有经验的投资者进行正确分析和合理投资 .

Web搜索结果多层聚类方法研究

为了便于用户浏览搜索引擎返回结果,本文提出了一种基于TFIDF新的文本相似度计算方法,并提出使用具有近似线性时间复杂度的增量聚类算法对文本进行多层聚类的策略。同时,提出了一种从多文本中提取关键词的策略：提取簇中的名词或名词短语作为候选关键词,综合考虑每个候选关键词的词频、出现位置、长度和文本长度设置加权函数来计算其权重,不需要人工干预以及语料库的协助,自动提取权重最大的候选关键词作为类别关键词。在收集的百度、ODP语料以及公开测试的实验结果表明本文提出方法的有效性。

基于多层聚类的多分类SVM快速学习方法

针对SVM大规模多类样本学习效率较低的问题,提出一种基于多层聚类的多分类SVM快速学习方法。采用自下而上的方式构建二叉树层次结构,根据所得层次结构,对每个节点对应的样本进行学习。学习时对训练样本进行首次聚类得到若干类簇,对其中只有一类样本的类簇提取中心点;对有两类样本的类簇,根据其混合度,对其正负类样本设定不同的聚类数,进行二次聚类,提取所得类簇中心点。整合上述步骤中提取的中心点作为约简后的样本,学习并得到子分类器。仿真结果表明,基于多层聚类的多分类SVM快速学习方法能够在保证较高分类准确率的前提下,大幅约简训练样本,有效提高学习效率。

基于多层聚类的需求侧用户负荷形态分析方法

针对传统用户负荷形态分析方法在用户数量急剧增加时效率降低的问题,提出一种基于多层聚类的需求侧用户负荷形态分析方法。该方法以余弦相似度度量用户负荷曲线的差异,并将用户负荷形态聚类过程分为三层,分别为凝聚-聚类-还原过程,从而有效降低用户数量增加对聚类效果的影响。与传统方法相比,该方法能够有效提高负荷形态分析方法的计算效率和准确性,并能有效度量负荷曲线之间的相似性,在需求侧管理中具有使用价值。

基于多层聚类的自适应人群分群检测算法

在群体检测的仿真研究中,针对群体运动的特征,提出一种通过多层聚类的自适应分群检测算法。首先,在获得检测视频的前景区域后提取KLT特征点;再通过分析特征点的运动特征,分别以特征点的距离和加速度方向为多层聚类的输入;最后,引入聚类中心的社会力模型以消除多层聚类出现的分类误差。实验结果显示,相比于其他分群检测算法,所提算法降低了特征点的错误率,同时提高了分群数量的准确度。

基于非负矩阵分解的半监督模型用于多层网络聚类

真实世界多层网络具有多维度、高复杂性的特征,使得仅使用网络拓扑信息进行聚类的算法往往不能精准挖掘网络的公共社区结构。为了解决这一问题,本文提出一种基于非负矩阵分解的半监督模型(Semi-supervised Model with Non-negative Matrix Factorization,SeNMF)。首先,该模型设计基于PageRank算法的贪婪搜索方法获取网络的共识先验信息,用以增强每一层网络的拓扑结构,降低网络噪声;然后利用整体非负矩阵分解将所有网络层的低维表示在格拉斯曼流形上融合以获取更优的公共低维表示矩阵;最后利用K-means聚类得到网络的公共社区结构。实验表明,无论是网络层数的增加还是层间噪声的增强,SeNMF模型相较其他算法在多层网络聚类时均具有一定的优越性。

一种基于名词短语的检索结果多层聚类方法

对检索结果聚类可以方便用户快速浏览搜索引擎返回结果。为了提取主题表达能力和可读性强的类别标签,获取高质量的聚类结果,提出基于名词短语的检索结果多层聚类方法:提取名词短语作为候选类别标签,根据候选类别标签分布情况生成基础类,再使用具有线性时间复杂度的一趟聚类算法对基础类进行多层聚类。与基于命名实体的方法、STC和Lingo算法的对比实验表明:提出方法在类别标签的可读性、有效性以及聚类性能上都优于以上3种方法。

基于多层自适应聚类模型的密集人群分群检测算法

针对存在更复杂运动模式的无序运动人群密集场景,提出了一种基于多层自适应聚类模型的分群检测算法.以基于高斯混合模型的背景去除算法和自适应初始化聚类算法为核心,通过建立多层自适应聚类模型实现密集人群的分群检测.实验数据库选用了大量真实室内外密集人群运动场景视频,并通过大量对比实验验证了算法的有效性、可靠性和优越性.

基于多层聚类和改进BP神经网络的短期负荷预测

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.

多层模糊聚类法在军队物资供应商选择中的应用

军队物资供应商的选择是采购机构的重要决策过程,如何进行供应商的评价、筛选对采购机构具有重要意义。在传统模糊聚类分析的基础上,引入多层模糊聚类法,构建供应商的评价模型,采用多层模糊聚类分析算法,得出最优供应商。

话题识别与跟踪中的层次化话题识别技术研究

话题识别与跟踪(topic detection and tracking,TDT)旨在发展一系列基于事件的信息组织技术,层次化话题识别(hierarchical topic detection,HTD)是其中一项全新的任务定义形式.通过连续的大规模评测,话题识别与跟踪已成为国际上自然语言处理尤其是信息检索领域的一个研究热点.为此,将自然语言处理与信息检索技术相结合,提出了针对事件特点的切实有效的单粒度话题识别方法,并提出了基于多层聚类的MLCS算法对话题进行层次化组织.所提出的方法具有很好的效果,在TDT2004的HTD评测中,该方法取得了第2名的成绩.

层次化话题发现与跟踪方法及系统实现

自1996年话题发现与跟踪评测启动以来,该研究受到普遍关注,取得巨大进步,也遇到诸多困难。通过分析大量话题数据,提出层次化话题与层次聚类的区别在于话题的层次是由事件的构成决定的,层次化话题应当分为三层,即微类、中类和上类。原因在于计算机自动分析产生的层次化话题必须与现实世界有客观的联系。据此提出一个面向大规模真实数据的有充分理论依据的层次化话题发现与跟踪方法,并在集群系统上予以实现。

基于变压器最优漏磁信息的绕组变形分类方法

为了判别电力变压器绕组变形状况,提出一种基于最优漏磁信息及多层聚类编码和最优权重译码的ECOC分类器对变压器绕组变形分类的方法,首先利用多层聚类算法构建最优ECOC编码矩阵,然后通过最优权重译码算法对分类器输出进行译码得出变压器绕组具体变形类别,建立变压器绕组二维漏磁场有限元模型,计算得出绕组可能出现的变形形式和绕组区域变形前后的磁感应强度值数据,从而得出磁感应强度测量点;最后利用所建立模型得出的绕组变形数据进行仿真判别。结果表明,所建立的分类器在绕组变形判别时具有较高的准确性,可用于变压器绕组变形类型的检测。

我国图书情报学科知识结构的建立及其演化分析

本文以本体思想作为理论指导，将狭义的学科知识结构理解为学科知识点的层次体系，进而借助本体学习技术从CSSCI期刊论文集合中衍生出CLIS的学科知识结构，并对其在2003—2010年10年间的发展轨迹进行了初步探测。

一种数字图书馆的名称消歧框架

在学术论文数据库中,作者名称属性是识别学术资源实体最常用的标识符。然而,名称经常是模棱两可的,不具有唯一性,从而导致各种基于名称的检索问题。名称消歧是一项困难的数据管理任务,旨在正确区分共享相同名称的不同学术资源实体,特别是对于具有海量学术论文数据库的数字图书馆,因为可用于识别作者姓名的信息是有限的。为解决这个问题而进行研究大多基于文献引用记录中的合著作者或者论文标题的分层聚类方法 ,由于数据源的可用性不高导致这些消岐方法存在准确性和稳定性方面的不足。本文提出了一个多层动态聚类名称消歧框架,该框架采用三个数据聚类层和动态聚类检查机制来提高数据源的整体有效性并最小化聚类错误。实验结果表明所提出的框架是可行的。