基于弱关联挖掘技术的电网故障自动诊断研究

针对电网故障进行诊断的过程中,故障信息存在不完整或不确定性,甚至存在关键信息丢失的情况,造成故障诊断难以得出正确结论的问题,提出一种基于弱关联挖掘技术的电网故障自动诊断方法。首先进行支持度计算,得到电网故障的表述参数,并将电网故障类别看作是贝叶斯网络的父节点,将挖掘的弱关联规则作为子节点,构建基于弱关联挖掘的贝叶斯网络模型,对各父节点的先验概率及各子节点的条件概率进行计算,完成对电网故障的自动诊断。仿真实验结果表明,采用所提方法对电网故障进行自动诊断,正确性高,容错性好,实用性强,具有很高的诊断精度。

云计算环境下数据弱关联挖掘模型的仿真

在对云计算环境下海量数据进行挖掘的过程中,容易出现大量冗余数据,造成数据间关联性降低,导致传统的基于模糊神经网络的云计算环境下海量数据中弱关联。由于容易陷入局部最小,无法有效完成弱关联的挖掘,提出一种采用弱聚类算法的云计算环境下海量数据中弱关联挖掘方法,通过数据的描述特征对数据特征进行分解,依据数据特征,对全部数据进行融合。基于关联决策概率将云计算环境下海量数据进行有效划分,完成所有数据特征关联概率的计算,通过弱聚类方法对属性元素进行分类,将数量型元素转换成类别型,通过弱化关联规则方法,对经聚类处理后的数据进行挖掘。实验结果表明,所提方法具有很高的高效性及有效性。

通信网络中高维混合数据弱关联挖掘方法仿真

采用当前方法挖掘高维混合数据弱关联时,数据挖掘所用的时间较长,方法对应的容错系数较低,存在挖掘效率低和容错性差的问题。为此提出通信网络中高维混合数据弱关联挖掘方法。采用K-means算法对通信网络做分簇处理,分析节点之间在通信网络中的关联模式,根据分析结果构建一元线性回归模型,消除高维混合数据中存在的空间冗余数据。通过FCM算法对处理后的高维混合数据做离散化处理,获得不同等级的模糊集,利用模糊集构建模糊数据库,采用Apriori算法在数据库中计算蕴涵度得到频繁项集,结合蕴涵度和频繁项集挖掘通信网络中高维混合数据的弱关联规则。仿真结果表明,所提方法的挖掘效率高,容错性好。