基于密度峰值法的设计理性聚类方法

针对设计理性的自动聚类问题,提出一种基于密度峰值法的设计理性聚类方法。该方法结合设计理性的语义特点,利用单元本词汇频率/单元本频率值方法将设计理性转化为特征向量。然后基于密度峰值法求出每个特征向量的局部密度和距离两个参数,绘制决策图确定聚类中心,并将其余的数据指派到相应所属的类别中。针对密度峰值法在处理密度分布不均的数据时聚类效果差的问题,利用K最近邻方法定义动态截断距离来改进局部密度函数。以某机械设计团队的55个设计理性为例验证了所提方法的有效性。

基于密度峰值法的复杂网络聚类增长维度研究

复杂网络是由个体或组织以及它们之间的关系所组成的结构。利用复杂网络的分形结构来解释和预测复杂网络的行为是目前的一个研究热点。分形维度是对复杂网络中分形结构的度量,为了更准确地对复杂网络分形结构进行度量,提出了一种基于密度峰值的方法来计算分形维度。该算法不同于之前选取一个种子节点或者将所有节点作为种子节点的方法,而是利用密度峰值法确定网络中的某几个核心节点作为种子,再计算网络的分形维度。仿真实验表明:基于密度峰值的方法比基于紧密度和原始方法得到更为精确的分形维度。

基于特征优选策略的居民用电行为聚类方法

针对用电负荷数据聚类特征选择的有效性及互补性问题,提出了一种基于信息量准则的特征优选策略,并在该策略的基础上进行了居民用电行为聚类方法的研究。首先,将贝叶斯信息准则(BIC)和相关系数分别作为特征有效性和关联性的判据来优选聚类特征。然后,采用布谷鸟算法优化了密度峰值法的截断距离。同时,利用异常值检测的思想实现聚类中心的自动选取。最后,根据优选出来的特征集和改进的密度峰值快速搜索聚类(CFSFDP)算法对实际居民用电数据进行聚类分析,验证了所提出方法的聚类效果。不同聚类方法的实验结果表明,采用改进的CFSFDP算法得到的聚类效果最优。

基于CRIOWA算子的协同设计方案群体决策方法研究

针对当前的信息集结算子研究在解决协同设计方案多准则群体决策中的不足,提出一种基于密度峰值法的类信息可靠性诱导有序加权平均算子.首先由决策者根据模糊数学的隶属度理论对备选设计方案进行定量评价,形成决策矩阵,在此基础上将决策者对每个设计方案的决策结果表示为特征向量;然后提出一种改进的密度峰值聚类算法对每个设计方案的决策向量进行聚类,并获取每一类的聚类中心作为代表数据;最后计算每类决策信息的可靠性,利用类信息可靠性诱导的有序加权平均算子进行信息集结,得到每个设计方案的综合评价结果.以某型号卫星的结构设计方案决策为例,验证了文中方法在解决多准则群体决策问题中的有效性.

基于DPK-means和ELM的日前光伏发电功率预测

日前光伏发电功率预测是电网经济调度的重要依据。针对K均值(K-means)聚类算法初始聚类中心和聚类数目不易确定的问题和传统神经网络训练参数较多、易陷入局部最优等缺陷,构建了DPK-means和极限学习机(extreme learning machine,ELM)的组合预测算法实现日前光伏发电功率的预测模型。首先,采用密度峰值法(density peaks clustering,DPC)对K-means聚类进行优化,解决了Kmeans算法初始聚类中心和聚类数目不易确定的问题。然后,在利用DPK-means算法对历史气象数据样本聚类分析的基础上,建立ELM预测模型实现日前光伏发电功率的预测。经实测数据验证可知,所提出的组合预测算法可得到较好的预测结果,具有较强的实用性。

基于BIC准则和加权皮尔逊距离的居民负荷模式精细识别及预测

针对居民日用电负荷的聚类分析和预测问题提出了一种基于居民用电负荷模式精细分类的预测框架。为了提高用于聚类分析的特征质量,首先基于贝叶斯信息准则(BIC)实现特征筛选。然后,采用基于加权皮尔逊距离的密度峰值法实现居民用电负荷曲线形态的准确识别。接下来,通过融合激活函数的方法对长短期记忆(LSTM)预测网络进行改进。最后,利用改进后的LSTM网络对精细分类的居民用电负荷模式进行预测。实验结果表明,根据所提出的方法得到的预测误差指标为平均绝对百分误差(MAPE),MAPE=6.6792%,提高了负荷预测质量,在居民用电负荷预测中具有较好的效果。