基于改进快速密度峰值算法的电力负荷曲线聚类分析

为解决传统聚类算法对大数据背景下高维海量、类簇形状差异巨大的电力负荷曲线进行聚类分析时存在的聚类结果不稳定、聚类效果较差、聚类速度慢和内存消耗过大等问题,提出一种改进的快速密度峰值聚类算法。首先应用主成分分析法对归一化后的负荷曲线集进行降维处理,以减少样本向量间欧式距离的计算量和加快后续操作。然后利用kd树算法对降维后的数据进行快速K近邻搜索生成KNN矩阵。最后以KNN矩阵代替原算法的距离矩阵作为输入数据。在基于KNN改进的样本局部密度和距离计算准则的基础上,运用快速密度峰值算法对负荷曲线进行聚类分析。通过实验和算例分析验证了所提改进算法的实用性和有效性。

基于信令数据的轨迹驻留点识别算法研究

针对密度聚类算法只能识别密度相近的簇类且计算复杂度高等问题,该文提出一种基于信令数据中时空轨迹信息的密度峰值快速聚类(ST-CFSFDP)算法。首先对低采样密度的信令数据进行预处理,消除轨迹震荡现象;然后基于密度峰值快速聚类(CFSFDP)算法显式地增加时间维度限制,将局部密度由2维扩展到3维,并提出高密度时间间隔以表征簇中心在时间维度上的数据特征;接着设计筛选策略以选取聚类中心;最后识别用户出行轨迹中的驻留点,完成出行链的划分。实验结果表明,所提算法适用于采样密度低且定位精度差的信令数据,相比CFSFDP算法更适用于时空数据,相比基于密度的时空聚类算法(ST-DBSCAN)召回率提升14%,准确率提升8%,同时降低计算复杂度。

基于四分位与CFSFDP的风电机组异常数据清洗方法

在分析风机功率曲线异常数据的类型及产生原因的基础上,将异常数据划分为堆积型和离散型;在进行简单的异常数据剔除后,分别利用四分位–快速密度峰值聚类、快速密度峰值聚类–四分位这2种不同的组合方法进行数据清洗。将取自数据采集与监视控制系统的4台风机历史运行数据用于实验验证,并采用数据剔除率以及相关性指标来判断异常数据的清洗效果。实验结果表明所提算法可行、有效。

基于极限学习机的乳房形态识别

为了提高乳房形态识别精度,采用密度峰值快速聚类(clustering by fast search and find of density peaks,CFSFDP)算法对西部地区108位青年女性的乳房形态特征数据进行聚类分析,再运用极限学习机(extreme learning machine,ELM)算法识别乳房形态,并对比分析了在3种激活函数下,ELM乳房形态识别模型隐含层神经元个数与准确率的关系。结果表明:ELM算法对乳房形态识别准确率较高且用时较短,平均时长为1.28 s。当模型激活函数选择sin且隐含层神经元个数为25时,模型识别乳房形态准确率较好,平均为98.3%。ELM乳房形态识别研究在一定程度上改善了消费者乳房与文胸号型之间的配伍性,为人体形态识别模型参数的选择提供了依据。