基于K-Means聚类算法的井下电缆双端在线局放定位方法

常规的电缆局放定位方法以反射信号识别与定位为主,时间同步偏差相对较大,影响最终的局放定位精准度,因此设计了基于K-Means聚类算法的井下电缆双端在线局放定位方法。该方法通过提取井下电缆双端行波模量特征,将井下电缆局放信号进行相模变换,分析相应电荷气隙平衡条件,获取更加准确的双端局放位置。基于K-Means算法构造电缆在线局放定位聚类中心,将空间距离相似的电缆进行局放判断,排除异常定位数据对聚类结果的影响,从而减小定位误差。采用对比实验验证了该方法的定位精准度高,能应用于实际生活中。

基于AHP-灰色聚类模型的舰艇自身抗损能力评估方法

针对当前舰艇平台性能评价标准不一的问题,尤其是如何更好评价定性指标的问题,探究一种客观公正的评价方法。以舰艇自身抗损能力为研究对象,提出层次分析(AHP)-灰色聚类模型在自身抗损能力综合评估的应用,并在分析研究舰艇自身抗损能力影响因素的基础上建立评估指标体系。运用AHP确定各指标权重,针对舰艇自身抗损能力的各项评价指标,基于专家打分法的打分结果,应用灰类的白化权函数进行数据归一化处理,得到各项评价指标的分数值。根据指标评价体系以及各项指标的权重和分数值,对舰艇自身抗损能力进行综合评价。实例分析结果表明,该方法使用便捷,能够对舰艇自身抗损能力进行客观公正的评价,可为舰船自身抗损能力综合评估提供指导。

基于K-Means聚类的思政教育资源个性化推荐

思政教育可以体现中国特色社会主义本质要求,因此研究基于K-Means聚类的思政教育资源个性化推荐方法。首先,根据两组相邻用户之间的共同喜好,划分思政教育资源个性化推荐等级。其次,选择协同过滤算法归一化样本数据,计算相似度制定用户偏好,构建思政教育资源推荐模型。最后,基于K-Means聚类算法给定目标函数,建立个性化推荐流程,实现思政教育资源推荐,完成方法设计。实践表明,该方法既能够满足思政教育资源的匹配,又能够保证用户对思政教育资源的喜爱程度,具有实际的应用效果。

改进萤火虫算法与 K-means 算法结合的 配电网负荷聚类特性分析

负荷聚类特性分析是实现配电网的定制电力、高品质供电、高可靠性供电的重要基础.然而现有的Kmeans聚类分析方法,受限于数据样本集和聚类初始中心的选取等,会出现因初始中心不同造成聚类结果差异大的问题.为此,针对配电网负荷数据特点,提出一种基于改进萤火虫算法和K-means算法结合的配电网负荷聚类特性分析方法.利用萤火虫优化算法全局搜索能力强的优势,考虑类内相似度和类间差异度,寻优K-means算法初始中心,使聚类结果的聚类有效性指标取得最小值;进一步针对萤火虫算法在处理负荷数据时的弱点,通过密度法为萤火虫算法加入优秀初代个体,改进吸引公式以及个体间概率吸引移动的方式优化迭代过程中的个体移动方式,加快萤火虫算法前期收敛速度,并实现后期稳定收敛,算法更快地接近极值,计算速度更快.算例验证了本文所提算法的聚类有效性,并针对某配电台区电力负荷数据,寻得K-means算法最优初始中心,使得聚类结果的戴维森堡丁指标(Davies-Bouldin index,DBI)最小,负荷聚类结果类内差异小,类间差异大,最终聚类中心的特征代表性强,为负荷类型划分、聚类特性分析提供重要依据,为需求侧差异化电力服务定制奠定有力基础.

基于K-Means的文本层次聚类算法研究

提出了一种基于K-Means的文本层次聚类算法。它结合凝聚层次聚类和K-Means算法的特点,减少凝聚层次法在凝聚过程中的错误,提高了聚类质量。实验结果表明,该算法的聚类质量优于层次聚类法。

基于k-d树的k-means聚类方法

在直接k-means算法的基础上提出了一种新的基于k-d树的聚类方法。通过把所有的对象组织在一棵k-d树中,可以高效地发现给定原型的所有最近邻对象。利用的主要思想是:在根结点,所有的聚类中心(或称为候选原型)都是所有对象的最近邻候选集合,对于根结点的子结点,通过简单几何约束来剪枝该候选集,这种方法可以被递归使用。使用基于k-d树的方法可以使直接k-means算法的总体性能提高一到两个数量级。

具有层次结构的K-means聚类算法研究

提出一种改进的基于层次微聚类的K-means聚类算法,并重新构造准则函数S(k).通过层次聚类生成一颗层次聚类树,根据微聚类思想在该聚类树上动态更新中心点,利用改进的准则函数S(k)选择合理聚类个数K和对应中心点,使得聚类结果达到全局最优.标准数据集上的实验结果表明,与传统K-means聚类算法相比,改进后K-means聚类算法的聚类效果和聚类精度都有较大提高.

基于最小生成树的层次K-means聚类算法

针对K-means算法初始化时需要指定聚类数目,和随机选择初始聚类中心对聚类结果产生不稳定的问题,结合图论中最小生成树和层次算法的分裂、凝聚思想,提出一种基于最小生成树的层次K-means算法.该算法初始时根据数据样本生成一颗最小生成树,然后利用层次分裂思想把数据分成多个较小的簇,通过K-means算法迭代操作得到每次操作的评价函数值来判断是否进行簇的合并,进一步确定聚类簇数目.实验结果证明,该算法能够较准确地判断聚类数目,并且聚类结果的稳定性比基本K-means算法要好.

基于K-means聚类方法的早期聚落规模等级研究

选择聚落面积、文化层厚度、重要遗物、重要遗迹四大影响聚落规模等级的因子作为参评因子,通过数据预处理、数据归一化操作,利用K-means聚类方法对华夏文明核心区——环嵩山地区在裴李岗、仰韶、龙山、夏商4个时期的聚落规模等级进行划分。结果表明:(1)不同时期一级聚落的面积越来越大,在每个文化时期聚落中所占的比例却是越来越小。(2)各个文化时期的聚落数量有明显的等级分布特点,呈金字塔型层级结构,等级越高数量越少,等级越低数量越多。(3)裴李岗时期聚落等级规模之间的差异不明显。仰韶时期,聚落规模等级开始出现,龙山时期聚落规模等级进一步分化,夏商时期聚落规模等级最终形成。K-means聚类方法是早期聚落规模等级划分的科学有效的定量方法,可为区域文明化进程及聚落分布形态、聚落功能等问题研究提供重要依据。

基于K-means聚类与RBFNN的点云DEM构建方法

因无人机机载激光雷达(Light detection and ranging,LiDAR)数据具有离散性,在生成数字高程模型(Digital elevation model,DEM)时需选择有效插值方法。以荒漠植被区为研究背景,使用零均值标准化方法归一化点云回波强度,利用肘方法确定最佳聚类数目,采用K-means方法对点云强度值聚类得到地面点云。在此基础上,采用克里金(Kriging)方法插值抽稀率为20%和80%的地面点云数据,且将点云高程作为变量,建立RBF神经网络预测模型,并通过线性回归检验方法对模型进行精度分析,采用Delaunay三角网内插生成高精度DEM。结果表明:采用K-means方法实现最佳聚类数目为4的聚类,得到地面点云48722个,在点云较优抽稀率20%的情况下,径向基函数神经网络(Radical basis function neural network,RBFNN)训练时间为56s,点云高程预测的决定系数R2为0.887,均方根误差RMSE为0.168m。说明使用RBFNN对K-means聚类滤波得到的地面点云进行高程预测效果较好,可为基于点云构建高精度DEM提供参考。

K-means聚类方法在黑龙江省低山丘陵区坡耕地类型区划分中的应用

[目的]探索K-means聚类方法在黑龙江省坡耕地类型区划分上应用的可行性,为各市(县)坡耕地水土保持规划和治理提供依据。[方法]利用K-means聚类方法对黑龙江省70个低山丘陵区市(县)进行科学区划。[结果]低山区市(县)共21个,丘陵区县市共49个。[结论]所选16个分类指标的显著性均小于0.05,证明分类结果令人满意。

基于归一化RGB和K-means聚类的车牌阴影去除方法

提出一种基于归一化RGB和K-means聚类的车牌二值方法,实现对交通场景中的车牌阴影去除和车牌二值.首先,将RGB图像进行颜色的归一化,避免亮度改变的干扰,然后,再将图像转换到多维空间进行K-means聚类,根据聚类的标签对车牌进行二值.通过与Otsu、局部阈值等方法进行比较,该算法可以有效提高阴影覆盖车牌的二值效果.

基于K-means聚类方法的物流多配送中心选址优化研究

针对城市物流多配送中心选址过程中因素选取和方法融合研究方面存在的不足,提出先对备选配送中心进行聚类分析而后在各聚类单元内进行选址排序的思想方法。首先,建立物流多配送中心选址的评价指标体系,将语言变量值与梯形直觉模糊数相结合并应用模糊集成方法进行计算,进而得到各配送中心在准则指标下的集成综合评价值;其次,根据隶属度函数,将集成后的综合评价值拆分成3个分属性值,并将分属性值作为聚类过程的输入。然后,应用K-means方法计算多配送中心的聚类单元和确定初始聚类中心,并选取聚类单元均值作为新的聚类中心进行优化迭代计算,直到确定聚类中心位置,进而得到最终聚类结果。最后,应用TOPSIS方法计算各类中选址位置的评价值,排序选出配送中心选址位置。实例验证表明,所提方法得到的选址结果合理且优于其他选址方法,并可应用到多级物流配送网络的选址优化问题研究中。

基于k-means聚类算法和层次分析法的配送中心选址

针对黑龙江省配送中心的选址需求,使用k-means聚类算法对需求点进行分析,通过比较轮廓值得出两种较优划分方案。基于获得的选址方案,在考虑了能对选址问题产生影响的因素基础上,使用层次分析法对该问题进行目标层、准则层、指标层的划分。将各层影响因素两两比较确定了单层权值,进而综合评价得到了指标层的总权值以便于对备选方案进行评分选择,通过实例分析证明了该方法的适用性和可行性。

基于层次和K-means聚类的知识产权强省建设绩效评价实证研究

基于知识产权强省建设目标,从知识产权创造、知识产权保护、知识产权与经济发展及社会环境四个方面构建知识产权强省建设绩效评价指标体系。综合运用层次和Kmeans聚类算法对2014年度及2017年度27个省市区知识产权强省建设绩效进行聚类,并按强省建设绩效将其分为领先型、稳健型及追赶型三类,研究发现国家知识产权强省建设政策发布后,绝大多数省市区的知识产权工作取得了显著成效,稳健型与追赶型地区具有明显的动态调整性,但领先型与追赶型地区的强省建设绩效两极分化现象严重。最后,根据强省建设现状提出应基于领先型省份建立知识产权强省建设区域协同发展机制,总结并推广稳健型地区强省试点建设工作经验,加紧制定追赶型地区知识产权强省建设配套政策。

Monte-Carlo方法和K-means聚类法对手功能康复治疗仪参数的控制

手部疾病的发生率在逐年增多,手部功能障碍最常发生的部位是第二至第五指掌指关节出现僵直.设计了手功能康复治疗仪用于被动锻炼掌指关节的活动度,该仪器由关节活动次数等参数控制利用Monte-Carlo方法设计手康复治疗仪的参数,并采用K-means聚类算法对患者特征进行聚类以收集参数,并按照聚类分析后的结果赋值于新患者的起始参数.

基于改进的K-means聚类方法的多站数据关联异常检测

在传统的水文时序数据研究中,我们通常只关注单个测点的时序数据,这不仅造成数据大量的冗余,还大大增加了工作的繁琐度。本文针对时间序列数据聚类的统计特征和结构特征,基于滑动窗口特征提取算法提出了改进的K-means聚类方法,来探求水文时间序列数据是否在空间上存在某种关联,并在此基础上对多水文站数据进行关联异常检测。

基于最小生成树的多层次k-Means聚类算法及其在数据挖掘中的应用

针对传统聚类算法存在挖掘效率慢、准确率低等问题,提出一种基于最小生成树的多层次k-means聚类算法,并应用于数据挖掘中.先分析聚类样本的数据类型,根据分析结果设计聚类准则函数;再通过最小生成树对样本数据进行划分,并选取初始聚类中心,将样本的数据空间划分为矩形单元,在矩形单元中对样本对象数据进行计算、降序和选取,得到有效的初始聚类中心,减少数据挖掘时间.实验结果表明,与传统算法相比,该算法可快速、准确地挖掘数据,且挖掘效率提升约50%.

基于聚类分析的四川省职业院校学生的创新创业能力实证研究

本文基于四川产业发展、结合四川省“十四五”规划、四川地区高职高专学生的地域性格特性作为创新精神和实践能力的评价体系的重要参考,建立了四川省高职学生创新创业能力的评价指标体系,分别从创新能力和实践能力两个方面各选取三个准则层指标,并针对每个准则层指标选取三个指标层指标,使用德尔菲法,专家评分法,并运用层次分析法进行赋权,得到综合评价指标体系,以该体系为基础,对四川省内部分高校的高职学生进行分层抽样调查,采用k-means聚类方法,归纳总结了其在创新创业能力上的特征表现。并针对性的对四川省高职学生创新创业能力的提升提出了对策建议。

基于K-means聚类的调查问卷动态赋权统计方法

为了保证调查问卷统计结果的可靠性,文章提出了一种基于K—means聚类算法的动态赋权统计方法。该方法在保证调查问卷效度和信度的基础上,分层次编制调查问卷问题量表;通过K—means聚类算法演绎不同层次下样本数据的归类分布情况,结合类容量大小确定样本的动态权重系数,进一步地赋权计算综合结果。将该方法应用于某高校图书馆服务质量满意度的调查实践,结果表明:动态赋权统计方法能够客观、真实地表征主体人对客体物的认知差异水平,其调查统计结果在有效性、可靠性等方面优于平均赋权算法,具有一定的实用价值。