基于改进K-均值算法的零部件拣选聚类模型

针对零部件多种少量拣选问题,在多人协同拣选模式下,任务分配不合理、拣选时长相差大,拣选环节易超时,构建以最短拣选时长为目标的多人协同拣选模型,并用改进K-均值算法及遗传算法对模型进行求解。针对传统K-均值算法聚类结果各簇所包含拣选点数量相差巨大的缺点,采用各簇拣选时间为指标,对拣选点所归属簇变换,并利用遗传算法对聚类结果进行路径规划、拣选时长计算,得到最优聚类结果。以某安防设备生产企业的零部件拣选环节为研究对象,与简单分批得到的拣选时间进行对比,验证了该算法的有效性。

基于改进K-均值聚类算法的汽车用户行为分析方法研究

汽车用户的驾驶行为和操作习惯等决定着驾驶是否存在风险,对于道路交通安全具有重要的意义,针对这种情况,提出一种用于预测汽车用户驾驶行为风险等级的模型。该模型为了提高模型的分类效率,在自组织映射神经网络算法中采用遗忘第二名的策略,然后结合自组织映射神经网络改进K-均值聚类分析方法,实现对于车辆驾驶人员的风险行为等级进行划分,通过聚类分析得到风险标签后,利用XGBoost算法实现对于用户风险行为的辨识。实验结果表明,改进算法的聚类精确度和运行效率都得到了提高,预测准确率为98%,召回率为98%,F1值98%,kappa系数高达0.97,远远超过其他集成辨识模型,表明本文模型在汽车用户行为的分辨准确率上得到有效提高。

基于改进K-均值算法的双馈风场故障等值建模方法

新能源场站故障建模与分析方法是风电、光伏集中并网地区的故障特性和保护研究的基础,场站的多机等值建模多采用聚类算法,传统算法基于机组间运行状态的相似程度进行分群,然而将运行状态相近的机组分为一类并不等价于等值后模型精度更高。因此首先分析双馈风机故障电流的影响因素并作为分群指标,提出了一种改进的K-均值算法,算法以机组的故障电流等值误差作为样本间距,将同类机组的等值电气量作为算法的中心坐标;并结合了风电机组的等值误差与聚类算法的轮廓系数,整定了算法的分群数,构建了双馈风场的多机等值故障稳态模型,以提高网络短路计算的效率和精度。仿真结果验证了分群等值方法的合理性,所提方法相比单机等值模型与基于传统K-均值算法的多机等值模型精度均有一定的提升。

基于改进K-均值算法的图书馆图书个性化推荐技术研究

为提升图书馆服务质量,对图书个性化推荐技术进行研究。对传统K-均值算法存在的聚类数目选择与初始聚类中心确定困难问题,设定聚类数目范围,通过迭代自适应确定聚类数目,同时基于密度来确定初始聚类中心,实现对算法的改进。将改进K-均值聚类算法应用于高校图书馆图书个性化推荐中,和传统K-均值聚类算法对比结果表明:当迭代步数为10时,改进K均值算法的挖掘精度相对于传统K均值算法的挖掘精度提高了11.0%;当迭代次数增加到20时,两种算法的挖掘精度相差仅为1.6%,但改进K均值算法所用时间减少了92.1%,迭代效率大大提升。这对提升高校图书馆服务水平具有一定的参考价值。

一种改进的多视图K-均值聚类算法

近几年来,随着互联网的发展以及大数据时代的来临,具有多种表示即多视图数据越来越多,如何将传统的单一表示的数据聚类方法应用在多视图数据被广泛研究。其中传统的K-均值聚类算法因为有效性以及对于大数据的高效性而被扩展到了多视图数据领域,本文针对最近提出的一个新的多视图K-均值聚类方法,结合co-training的思想,提出了一个改进的多视图K-均值聚类算法,并在三个标准数据集上进行了实验,同时和已有的一些方法进行了比较,结果表明了算法的有效性。

基于PSO与K-均值算法的农业超绿图像分割方法

为了解决K-均值算法对农业图像中常用的超绿特征2G-R-B图像分割效果不佳的缺点,提出一种基于微粒群与K-均值算法的图像分割方法。先用K-均值算法对图像进行快速分类,然后将分类结果作为其中一个微粒的结果,利用微粒群算法计算,最后用K-均值算法在新的分类基础上计算新的聚类中心,更新当前的位置,以得到最优的图像分割阈值。试验结果表明,改进算法对超绿特征2G-R-B图像能够准确分割目标,且对不同类型的农业超绿图像具有较好的适应性。

一个用于空间聚类分析的遗传K-均值算法

空间数据挖掘是数据挖掘的一个新的分支,空间聚类分析是空间数据挖掘中的一个重要研究课题。本文在分析遗传算法及K–均值算法的优越性和不足的基础上,设计了一种遗传K-均值空间聚类分析算法,该算法兼顾了局部收敛和全局收敛性能。实验表明,其结果优于传统K-均值聚类方法及单纯的遗传算法聚类。

基于微粒群优化聚类数目的K-均值算法

K-均值算法是广泛使用的聚类算法,但该算法的聚类数目难以确定,且聚类结果对初始聚类中心比较敏感.本文提出一种基于微粒群优化聚类数目的K-均值算法,该算法采用聚类中心的坐标和通配符表示微粒位置,通过定义微粒更新公式中新的加减运算符,动态调整聚类中心的数目及坐标,此外,以改进的聚类有效性指标Davies-Bouldin准则作为适应度函数.5个人工和真实数据集的聚类结果验证了所提算法的优越性.

动态的K-均值聚类算法在图像检索中的应用

聚类分析技术已经广泛应用于基于内容的图像信息挖掘领域,该技术提高了图像检索的速度和质量。K-均值算法和自适应算法是两个典型的聚类分析算法,但K-均值算法严重依赖于经验参数和阙值的设定;自适应算法得到的聚类个数太多,相应的就是类内的图像个数过少,效率不是很高。从选取初始聚类点是否具有确定性、迭代次数是否过多和聚类个数是否适当等方面考虑,提出了一种新的聚类算法,即动态的K-均值法。模拟实验的结果表明,该算法具有较好的准确性和效率,使检索的质量和速度都得到了很大的提高。

基于K-均值聚类算法的西安市汽车行驶工况合成技术研究

为提供排放试验所需的车速曲线,基于划分的短行程数据,采用K-均值聚类算法构建了西安市汽车行驶合成工况。首先对采集的原始数据进行短行程划分并进行特征提取,针对提取的高维特征向量之间的冗余性和非线性关系,采用核主分量分析法进行降维。然后基于K-均值的聚类算法,对降维后特征向量进行划分,按照离聚类中心最近的原则选择各聚类的短行程样本,将其合成为平均速度为21.51 km/h、持续时间为1 166 s、距离为6.9 km的西安市汽车行驶工况。对比表明,西安市汽车行驶工况接近于日本J10-15标准,但加速度参数要高很多。

基于密度加权的粗糙K-均值聚类改进算法

针对粗糙K-均值聚类算法中类均值计算式的特点,提出了一种改进的粗糙K-均值算法。改进后的算法基于数据对象所在区域的密度,在类的均值计算过程中对每个对象赋以不同的权重。不同测试数据集的实验结果表明,改进后的粗糙K-均值算法提高了聚类的准确性,降低了迭代次数,并且可以有效地减小孤立点对聚类的影响。

云计算中基于K-均值聚类的虚拟机调度算法研究

为了提高云计算数据中心的资源利用率,动态优化部署虚拟机,提出基于K-均值聚类的虚拟机调度算法。使用虚拟机资源配置的相关性作为聚类的衡量标准,将虚拟机放置于与其资源互补的物理节点上,从而充分利用其资源,并具有高效稳定的特点。进一步设计了在线调度算法处理新到达虚拟机的请求。提出了贪婪算法,并给出了其与最优离线算法竞争比的上界。基于真实数据集的实验结果证实了算法的正确性。

基于节点生长k-均值聚类算法的强化学习方法

处理连续状态强化学习问题,主要方法有两类:参数化的函数逼近和自适应离散划分.在分析了现有对连续状态空间进行自适应划分方法的优缺点的基础上,提出了一种基于节点生长k均值聚类算法的划分方法,分别给出了在离散动作和连续动作两种情况下该强化学习方法的算法步骤.在离散动作的MountainCar问题和连续动作的双积分问题上进行仿真实验.实验结果表明,该方法能够根据状态在连续空间的分布,自动调整划分的精度,实现对于连续状态空间的自适应划分,并学习到最佳策略.

基于初始聚类中心优化的K-均值算法

针对传统的K-均值算法对初始聚类中心的选取和孤立点敏感的问题,本文提出了一种基于点密度的初始聚类中心选取方法。利用该方法选出初始聚类中心,再应用K-均值算法进行聚类,同时对孤立点进行特殊处理。实验表明,该方法能够产生高质量的聚类结果。

基于划分的K-均值初始聚类中心优化算法

提出了一种新的初始化K-means的聚类算法,该算法通过区域划分方法估算出K个中心点作为初始聚类中心,从初始聚类中心出发,应用K-means聚类算法,得到聚类结果.实验表明,该算法能产生高质量的聚类结果、较少的迭代次数,优于K-means算法中传统的聚类中心初始化算法.

基于赤平极射投影和K-均值聚类算法的优势结构面分析

对于结构面多而复杂的岩质边坡,其优势结构面的选取与分析是极其重要的工作。传统的结构面组数划分方法比较粗糙,分析结果有很大的主观因素,无法准确地给出结构面的优势产状,使得其结果在实际工程中使用不便。以结构面交线的筛选和分析为突入点,借助于赤平极射投影法,在楔形体滑移分析中首先确定可能的滑移区域,筛选出可能滑移的结构面交线,缩小计算范围,采用K-均值聚类算法和有效性检验,根据赤平极射投影分析得到滑移区域的对称轴中心作为初始凝聚点,通过多次迭代计算得到滑移区域内的优势结构面交线。将该方法用于重庆万盛黑山谷的岩质滑坡中,结果表明,将赤平极射投影与K-均值聚类算法相结合,计算得到的优势结构面交线分类合理,结果可靠,可以准确地确定结构面交线的优势产状。

基于改进K-均值算法在彩色图像分割中的应用

如何对彩色图像中的目标进行有效的分割是计算机视觉和图像分析的重点和难点,文中提出不断对彩色图像采用最优阈值化进行一次粗分割提取最大目标区域,再利用改进的K-均值算法对提取目标子区域进行精确分割。实验结果表明该方法对彩色图像能够有效地提取目标物体,并对噪声图像具有一定的鲁棒性。

K-均值聚类算法在多波束底质分类中的应用

针对海底采样点较少时,监督学习训练分类模型困难的问题,研究无监督学习的K-均值聚类分析算法在多波束海底底质分类中的应用。在探讨K-均值聚类分析算法原理的基础上,构建海底底质分类器,针对分类器需预先输入分类结果种类(K值)这一问题,提出了基于底质采样点和分类效果连续性为原则的K值确定方法。实验结果表明:基于K-均值聚类分析算法的海底底质分类器能较好的实现海底底质类型的自动划分,适用于海量多波束底质特征参数的分类。

面向立木识别的有效K-均值聚类算法研究

针对林区自动对靶施药过程中,当立木生长密集时,获取的点云数据聚类准确率低、效率低的问题,提出优化后的K-均值聚类算法,数据获取方式基于2D激光扫描。针对立木点云信息聚类前需对相关数据进行滤波,提出窗口滤波算法,选取产生混合像素点的树干边缘,提取3次连续扫描的混合像素及其近邻点组成滤波窗口,进行最大阈值滤波,结果显示50次试验中仅有2个混合像素点未被滤除,混合噪声的滤除率高。在K-均值算法优化方面,针对算法需预先确定聚类数和初始聚类中心的不足,提出利用斜率变化确定聚类数的方法,试验对5个不同距离下5组立木分别进行100次测量,结果显示错误测量次数仅为3次,并可在试验前期通过人工方式去除,算法合理有效;对哈夫曼树法确定立木扫描点聚类中心的性能进行了试验分析,3种不同树干分布类型下分别运用随机抽样法和哈夫曼树法进行K-均值聚类,前者平均正确率仅为76.4%,后者则为95.5%;同时分析了Ⅰ型分布下2种算法聚类的迭代次数和耗时,5个不同距离下,随机抽样法的平均迭代次数明显高于哈夫曼树法,平均运行耗时上,哈夫曼树法则高于随机抽样法,前者变化范围为120~220 ms,后者为50~85 ms,该范围为林区测绘的可接受范围。试验证明,基于斜率变化确定聚类数和基于哈夫曼树法确定聚类中心的K-均值算法是林区立木点云聚类的有效算法,可应用于林区的立木检测。

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。