多尺度聚类挖掘算法

数据挖掘领域在多尺度研究上已取得了一些进展。然而,当前研究主要集中于空间、图像数据的多尺度挖掘,并且传统的聚类挖掘并未对数据集的多尺度特性进行单独的研究。针对存在的问题,进行了普适性的多尺度聚类挖掘理论和方法的研究。首先,根据概念分层理论扩展尺度定义并构建多尺度数据集;其次,阐述尺度转换原因、分类,归纳多尺度聚类的定义;然后,以克里格法为理论基础,给出多尺度聚类尺度上推算法MSCSUA和多尺度聚类尺度下推算法MSCSDA;最后,利用公用UCI聚类数据集和H省全员人口真实数据集对算法进行实验验证,结果表明MSCSUA和MSCSDA是有效、可行的。

混合尺度聚类模型收敛性分析及仿真

针对被分类对象属性多样性的客观实际,分析使用单一间隔尺度或名义尺度进行聚类的局限性,并提出一种混合尺度聚类模型。新模型以明氏距离及翻转距离为基础,引入混合尺度。利用下准则函数及逐步聚类算法可证新模型的收敛性。以某小区保安预警系统的采样数据为例,运用Matlab软件对新模型进行仿真验证,结果表明,新模型可应用于被分类对象具有多种特征属性的聚类问题。

基于粒计算的多尺度聚类尺度上推算法

多尺度科学在数据挖掘领域的研究多见于图像和空间数据挖掘,对一般数据的多尺度特性研究较少。传统聚类算法只在单一尺度上进行,无法充分挖掘蕴藏在数据中的知识。引入粒计算思想,进行普适的多尺度聚类方法研究,对数据进行多层次、多角度分析,实现一次挖掘,多次应用。首先,介绍粒计算相关知识;然后,提出多尺度聚类尺度上推算法UAMC(upscaling algorithm of multi-scale clustering),以簇为粒子,簇心为粒子特征进行尺度转换,利用斑块模型得到大尺度知识,避免二次挖掘带来的资源浪费。最后,利用UCI公用数据集和H省全员人口真实数据集对算法性能进行实验验证,结果表明算法在准确性上优于K-means等基准算法,是有效可行的。

基于加权向量提升的多尺度聚类挖掘算法

多尺度聚类挖掘在指导人们进行多尺度决策方面有着不可取代的作用,然而传统的多尺度聚类挖掘算法有一个致命的弱点,即需要在每个用户感兴趣的尺度上应用聚类挖掘算法。为克服此缺陷,定义了一种将数据的多尺度特性进行向量化的方法;结合地学领域的尺度转换机制,提出了一种新的知识的多尺度转换机制——基于加权向量提升的多尺度聚类挖掘算法WVB-MSCA(Weight Vector Based Multi-scale Clustering Algorithm)。算法首先在选定的基准尺度上进行聚类挖掘,获取聚类结果,并借助尺度转换机制将基准尺度的聚类结果反演到其它感兴趣的尺度上。实验表明,算法WVB-MSCA是可行且有效的。

多尺度聚类Hough变换航迹起始方法

针对基于Hough变换航迹起始方法存在的航迹簇拥现象,提出了一种基于多尺度聚类的Hough变换(MSC-HT)航迹起始方法。该方法首先对量测进行Hough变换,利用较低的阈值得到备选航迹;然后对备选航迹进行多尺度聚类,通过变化尺度参数寻优,自适应确定起始航迹数目和航迹参数,仿真结果表明了算法的有效性。

基于多尺度时空聚类的动态传感信息多源异构数据集成方法

针对多源异构数据集成易受数据随机性和不确定影响的问题,提出了基于多尺度时空聚类的动态传感信息多源异构数据集成方法。在可编程阵列逻辑下,构建多源异构数据采集框架,实现数据采集接口与帧格式的实时可配置。通过机器学习方法分析数据,依据对象之间类似程度划分数据集,分析任意2个对象之间的相异性,构建相异同数据结构矩阵。通过时间反转处理方式重构高维空间,实现多源异构数据时空结构的加权处理。由实验结果可知,与高效实体识别、规则化有限学习机(Regularized finite learning machine,RELM)方法相比,所提方法数据集成效果较好,且数据集成时间较短,最短为25s。实验结果验证了所提方法具有高效集成效果,具备较好的应用价值。

一种基于动态多尺度聚类的湖泊选取方法

当前湖泊选取方法多采用整体选取的形式,且难以兼顾湖泊的属性特征、分布特征和拓扑特征。通过分析和模仿制图专家人工选取湖泊的认知行为和过程,提出一种顾及分布特征和拓扑特征保持的基于动态多尺度聚类的湖泊选取方法。首先设置面积阈值以选取大面积湖泊,然后通过缓冲区选取'孤立'湖泊,接下来对湖泊群进行动态多尺度聚类来划分出湖泊分布密度不同的区域,对不同区域按开方根规律确定选取数量指标并采用不同选取策略,其中对包含湖泊数量较多的区域依据由主成分分析法定量计算出的重要性综合评价进行迭代选取,直至达到选取数量指标。实验对比表明,该方法在综合考虑重要性的前提下,有效地保持了选取前后湖泊群的形态结构和密度对比。

无尺度图k-中心点聚类算法在文本挖掘中的应用

本文基于词的同现频率的方法对文本的特征进行提取,涉及了文档的语义。同时,引入了无尺度网络的理论,用无尺度图聚类算法对文本进行聚类。最后,我们使用错误分类度(MI)的均值和离差方法显示实验的结果。

基于可变尺度先验框的声呐图像目标检测

利用深度学习对声呐图像进行目标检测是近年来的研究热点,然而声呐图像存在目标尺度分布集中、数据获取难等问题,导致检测效果难以满足需求。针对该问题,提出了一种基于可变尺度先验框的目标检测方法。首先,考虑到声呐图像中目标的尺度分布具有其特殊性,基于先验统计生成可变尺度先验框。其次,为了解决声呐图像稀缺的难题,采用数据增强的方法对训练集进行扩充。最后,探索了模型的轻量化,通过删减模型的大目标检测层,在不降低模型精度的同时简化模型结构。为了评估算法的有效性,以前视声呐图像为例进行了综合试验,平均精度(mean average precision,mAP)@0.75和mAP@0.5:0.95分别达0.585和0.559,较原Yolov5网络分别提升了5.8%和3.1%,同时每秒10亿次浮点运算次数下降到14.9。结果表明,所提算法具有更高的精度和更轻量化的模型结构。

基于Hough变换和聚类的航迹起始算法

基于Hough变换的航迹起始是密集杂波环境中低信噪比目标起始的一种有效方法,但其存在阈值选取困难及一个目标起始多条航迹(航迹簇拥)等问题。提出了一种MeanShift多尺度聚类Hough变换航迹起始算法(MSMSC-HT)。该算法先用低阈值进行航迹初选;然后对初选航迹进行多尺度聚类,并用MeanShift算法求取聚类中心;最后通过尺度寻优自适应地确定航迹数目和航迹参数。该算法通过聚类避免阈值设计的困难,解决了航迹簇拥下航迹的检测与估计问题。仿真结果表明了算法的有效性。

基于量子蒙特卡罗的地震多属性聚类方法

多属性聚类分析是从众多地震属性中提取地下地质特征的重要途径。为了更好地提高属性聚类分析的有效性,本文将寻优能力更强的量子蒙特卡罗方法引入到聚类分析中,它能自动根据数据结构的特点,动态调整数据固有的类别数;通过在聚类分析过程中引入相关性分析,估算各个属性的权重大小,提出根据权重大小进行加权的方法,突出对地质特征敏感的地震属性的作用;并提出变尺度的方法,挖掘属性之间共有的、宏观的特征之外的细节部分,减少属性交叉信息的影响。实例应用结果表明,本文提出的方法能很好地挖掘数据的内在特征,提高储层预测的准确性。

分类属性数据量子聚类算法的改进

分析量子势能、量子力学中粒子分布机制和分类属性数据的量子聚类CQC(Categorical Quantum Clustering)算法。针对CQC算法存在的聚类效果对聚类度量尺度β较敏感,而β的选取往往凭经验确定没有通用原则,以及对线性可分数据聚类效果显著,但对线性不可分数据不能奏效等问题,通过引入新的相异性度量测度及聚类度量尺度步长βstep,重新定义紧致性指标ICD,提出一种改进的ICQC算法。该算法首先在不同粒度水平上划分数据样本产生初始类(簇),之后采用聚类中心间相异性测度最近邻方法合并初始类(簇)完成聚类。通过与CQC算法的实验比较,证明该算法具有更高的聚类效能,在CQC算法失效的情况下,也能获得良好的聚类效果。

一种基于量子机制的分类属性数据层次聚类算法

受物理学中量子机制特性的启发,结合层次凝聚思想,通过引入新的相异性度量测度以及聚类度量尺度步长sβtep概念,重新定义以紧致性指标AIAD和离散性指标AIED为基础的聚类有效性函数CVF,提出一种针对分类属性数据的基于量子机制层次聚类算法CQHC.该算法首先在不同粒度水平上划分数据样本产生初始类(簇),然后以聚类有效性函数CVF为评价标准,动态地合并初始类(簇)完成聚类.仿真实验采用2个真实数据集,即:线性可分的大豆疾病样本数据集和线性不可分的动物园数据集.实验结果表明,该算法与已有的其他几个算法相比,不仅具有更高的聚类准确率,而且能够准确地检测出最佳类别数,是有效且可行的.

基于熵聚类的改进算法在电厂脱硫系统中的应用

石灰石-石膏湿法脱硫技术采用石灰或石灰石作为脱硫剂,影响其脱硫性能的主要因素有石灰石原料、机组运行参数和可调参数等方面。在参数约减后,将浆液密度、浆液的p H值、钙硫比(Ca/S)可调参数控制在其最优值范围内,得到影响脱硫效率的因素为机组负荷、入口SO2质量浓度和浆液泵运行台数。对基本的熵模糊聚类(EFC)进行相关改进,提出阀值β变尺度EFC算法,并验证了算法的准确性。利用改进算法在各典型负荷邻域区间内对实际运行数据分别进行多参量同步聚类,挖掘出不同负荷所对应的入口SO2质量浓度、浆液泵开启台数与脱硫效率之间的关系,并提出浆液循环泵优化调度方案。

多尺度数据挖掘概述

多尺度数据挖掘应用领域广泛,是一个跨学科课题,其在数据挖掘基础之上,利用多尺度理论,多层次、多方位对数据进行分析,学习更全面的信息。多尺度数据挖掘在不同学科、不同领域有着不同的应用,针对一般数据集而言,主要集中在多尺度关联规则、多尺度聚类和多尺度分类。为了便于理解,从概念、步骤和分类三方面对多尺度数据挖掘研究进行了简要的阐述以及分析。

改进模糊均值聚类算法在用地规划识别及负荷预测中的应用

针对传统模糊均值聚类算法在城市规划图纸的地块信息分割识别中存在噪声敏感、误差较大等问题,提出了一种改进模糊均值聚类算法的用地规划智能识别技术.算法扩展了像素样本和聚类中心之间的距离,并在目标函数中引入了邻域像素的空间信息从而提高FCM聚类算法的准确性和抗干扰性.实验结果表明,采用改进的FCM算法得到城市规划不同性质用地的聚类面积和实际规划面积误差在-6.95%~13.08%,在此基础上得到的负荷预测数值与历史数据相比,准确率平均值约为96.4%.

基于稀疏自动编码器神经网络的负荷曲线分类方法

随着电力市场精细化发展以及电力大数据的广泛应用,深度探索电力用户用电行为特性具有重要意义,因此该文提出一种结合有监督和无监督算法的电力负荷曲线分类方法。首先,基于距离与曲线形态的双尺度相似性度量,采用无监督优化谱聚类算法获得负荷曲线精准标签数据;其次,采用稀疏自动编码器神经网络学习大规模待分类负荷曲线的内在特征,得到隐藏层权值矩阵即神经网络的优化初始参数;最后,基于已获得的标签数据,训练支持向量机神经网络分类器,实现对大规模待分类负荷曲线的有监督分类。基于爱尔兰负荷数据,算例表明本文提出的分类方法在DBI指数、轮廓系数、分类有效性以及计算速度等方面具有更好的性能。

基于多尺度时空聚类的共享单车潮汐特征挖掘与需求预测研究

当前,我国政府和单车企业多以划定电子围栏停车点的方式进行共享单车的规范化管理,由于单个电子围栏内部单车流入流出的随机性和不确定性较大,以单个围栏为单位进行单车管理的工作量大且不具现实意义。因此,有必要对电子围栏停车点进行聚类划分,实行区域化的管理与调度。基于此,本文提出一种基于时空约束的网络图聚类算法,该算法综合考虑空间因素(地理位置、地理环境特征)和时间因素(历史订单),只需通过距离阈值设定即可实现电子围栏的多尺度聚类划分,实验分别在3000 m和700 m距离阈值条件下对厦门岛和乌石浦地区电子围栏进行聚类,结果显示该算法不仅能够将具有相似时空特征的电子围栏聚到同一社区簇内,而且能够使得单车流动主要集中在划分后的社区内部;随后,在社区划分基础上进行单车潮汐特征挖掘,能够有效识别和定位单车使用的热点地区;最后,利用长短时记忆神经网络(Long-Short Time Memory network, LSTM)进行单车订单需求预测,结果显示有84%以上社区的预测准确率在85%以上,平均预测准确率为91.301%,预测效果较好,可有效满足单车调度需求。本文研究成果可服务于电子围栏停车点规划与共享单车的区域化管理与调度工作。

融合尺度空间聚类思想的海温多尺度分区方法

采用多尺度空间聚类方法研究了太平洋海温的多尺度区域划分。首先,基于尺度空间思想,针对气候时间序列,提出了一种改进的尺度空间聚类方法。然后,采用所提出的聚类方法对太平洋海温进行多尺度划分,结果发现,多尺度区域划分结果可以准确重建现有海洋气候指数,且不需用户输入参数。

基于论文-专利整合的3D打印技术研究热点分析#

3D打印技术对我国新型工业化建设和促进传统产业转型升级具有重要作用。为综合全面地揭示3D打印技术的研究热点,研究首先以关键词为切入点将期刊论文与专利文献进行整合,然后对高频关键词进行多维尺度聚类,并引入时间维度对聚类确定的信息技术、精密机械、工艺方法和打印材料4个主题领域的关键词词频进行阶段统计,最后依据领域词频的阶段变化对研究现状及热点进行了分析,分析认为:3D打印技术研究热点主要集中在信息技术领域,其他主题领域的研究也均处于持续上升阶段,呈现出多元化的发展趋势。