基于DBI-小波包分解和改进BP神经网络的轴承故障诊断方法研究

针对轴承故障诊断问题,以振动信号为分析对象,提出DBI-小波包分解和改进BP神经网络的诊断方法。采用4层小波包分解获取振动信号的不同频带特征,引入戴维森堡丁指数(Davies-Bouldin index,DBI)定量评价小波包分解结果,确定小波基函数为FK22时达到最佳分解结果。采用改进的BP神经网络对不同频带特征识别,引入弹性梯度下降法解决传统BP神经网络收敛速度慢和梯度消失等问题,提高网络训练速度。同时,针对BP神经网络隐藏层层数及各隐藏层节点个数难以确定的问题,设计正交实验对不同参数组合效果进行验证,选出最佳参数,避免盲目低效调参。对电机滚动轴承进行验证,结果表明平均故障识别准确率达到98.833%。

基于自组织聚类和JS散度的RBF神经网络

针对如何确定径向基函数(RBF)神经网络隐层结构这一问题进行研究,提出一种基于自组织聚类和JS散度的RBF神经网络。为解决K-means算法对初始值敏感的问题,提出基于距离的自组织初始聚类,将戴维森堡丁(DBI)指数作为准则函数,进一步提高聚类精度,得到代表数据集分布特性的隐节点;为解决隐节点冗余和相似的问题,提出一种基于敏感度分析的隐节点删除方法和基于詹森-香农(JS)散度的隐节点合并方法。仿真结果验证了该算法的有效性。

基于聚类算法模型的移动通信基站站址的规划研究

5G网络运营商在努力满足数据需求和新应用支持的建设过程中,面临一个关键问题就是基站密度的需求。实际的建设规划中考虑到成本和一些其他因素必然会有区域弱覆盖无法完全解决的情况,这时需要筛选出业务量高的弱覆盖区域优先安排解决。对弱覆盖点进行区域k-means聚类分析,首先根据聚类原则进行数据清洗;然后导入数据通过Matlab拟合与演算,得到弱覆盖区域,计算聚类中心点,推选最优解法,编辑运算最佳数据值,得到所有弱覆盖区域现网址坐标的聚类中心值;最后通过戴维森堡丁指数(DBI)对聚类方法复杂度进行检验。

基于聚合距离参数的改进K-means算法

针对传统K均值聚类(K-means)算法随机选择初始中心及K值导致的聚类结果不确定且精度不高问题,提出了一种基于聚合距离的改进K-means算法。首先,基于聚合距离参数筛选出优质的初始聚类中心,并将其作用于K-means算法。然后,引入戴维森堡丁指数(DBI)作为算法的准则函数,循环更新聚类直到准则函数收敛,最后完成聚类。改进算法提供了优质的初始聚类中心及K值,避免了聚类结果的随机性。二维数值型仿真数据的聚类结果表明,改进算法在数据样本数达到10 000时仍能保持较好的聚类效果。针对Iris和Seg这两个UCI标准数据集的调整兰德系数,改进算法比传统算法性能分别提高了83.7%和71.0%,最终验证了改进算法比传统算法聚类结果的准确性更高。

一种层次初始的聚类个数自适应的聚类方法研究

K均值聚类算法是一种常见且有效的基于划分的聚类算法。为解决该聚类算法对初始中心敏感的问题,常用的方法是层次化初始聚类中心。然而,层次初始的聚类算法仍然需要将聚类个数作为输入参数,在高维数据和海量数据中不易应用。基于能够自动确定聚类数目的目的,采用DBI度量,提出一种层次初始的聚类个数自适应的聚类方法(简称DHIKM)。通过UCI数据集和仿真数据上的实验,证明DHIKM可以在采样数据中快速找到合适的聚类个数,实验结果表明该算法在聚类质量与收敛速度上的有效性。

基于EMD-RVM的风电场机组分组功率预测

通过识别不同风电机组的相似性将风电场内各机组区分为不同的机组群,对每组机群分别建立功率预测模型,既提高了计算效率,又改善了大型风电场短期功率预测精度,较好解决了风电波动性和间歇性对电力系统安全运行的影响。提出了一种基于戴维森堡丁指数与聚类算法的风电场机组分组功率预测方法,以实际测量风速,测量功率以及两者的组合作为机组分组模型输入,分析其对聚类精度的影响程度。首先,采用经验模态分解方法将风电功率序列分解后,将与原信号具有高相关性的固有模态函数(intrinsic mode function,IMF)分量重构,作为K-means聚类算法的输入重新进行场内机组分组。然后,对每组机群分别构建经验模态分解-相关向量机(empirical mode decomposition-relevance vector machine,EMD-RVM)模型。最后,将预测功率分量叠加获得总功率的预测值。仿真实验结果表明,风速是影响聚类结果的主要因素,功率可作为不同聚类模型输入变量的重要补充;基于EMD-RVM的分组功率预测提升了预测精度,提高了预测效率。

基于DBI和稀疏轨迹数据的交通状态精细划分与识别

浮动车轨迹数据已逐渐成为城市交通状态识别的主要数据源之一,但是现有基于浮动车轨迹数据的交通状态识别中多数是应用高精度或是多源轨迹数据。针对稀疏轨迹数据在城市交通状态识别中存在识别精度不高的问题,本文提出一种结合戴维森堡丁指数(DBI)和轨迹相似性度量的动态交通状态划分方法。首先,对轨迹数据和路网数据进行预处理并且建立不同时间片的路段轨迹集合;接着,依据轨迹速度-空间相似性,利用戴维森堡丁指数动态地扩展轨迹的空间维度,并根据轨迹相似性度量方法构建最佳车辆队列;然后,将前后不同的车辆队列进行二次处理,连接组成交通流簇;最后,基于模糊C均值聚类方法将交通流进行划分,实现路段交通状态的识别。采用厦门市厦禾路、湖滨西路和湖滨南路交叉路段上的真实出租车轨迹数据进行测试,结果表明,本文所提方法保证了车辆队列速度分布与原始轨迹速度分布基本一致,相比对比方法Kmeans++和ST-DBSCAN,本文方法均方根误差平均下降了18.77%和21.22%,并且在不同的实验路段表现更加稳定,可有效、可靠地运用稀疏轨迹数据识别城市交通状态,进而实现城市交通状态的精细分析。

考虑风光与负荷时序特性的主动配电网分布式电源优化配置

主动配电网中分布式电源优化配置时,风光机组出力与负荷时序波动特性使场景过多,这既会增加模型求解的难度,也会影响优化配置结果。为此,首先引入戴维森堡丁指数(Davies-Bouldin index,DBI)结合K-means算法对全小时场景进行聚类缩减。然后,建立考虑风光与负荷时序特性的主动配电网双层优化配置模型,上层以系统年综合经济成本最优为目标,决策变量为风光机组接入配电网的位置及容量;下层以系统各时段运行电压水平最优为目标,决策变量为配电网主动管理措施下的运行成本;综合考虑风光机组时序出力和负荷侧时序响应,实现主动配电网分布式电源优化规划。最后,采用改进的自适应遗传算法对模型进行求解。IEEE 33节点系统算例表明,所提方法及模型在确保场景选取的多样性和合理性的同时,兼顾了风光机组出力与负荷时序波动特性,提高了系统运行水平,降低了系统运行成本。

基于车载GPS轨迹的立体交叉口空间结构信息获取方法

为了识别立体交叉口中不同的行驶规则,利用随机森林特征选择方法分析了车辆轨迹数据特征,按照重要性评分对特征进行聚类;利用戴维森堡丁指数衡量聚类结果,获得交叉口最优聚类结果下的各个行驶规则的聚类簇,并构建聚类簇范围约束的狄洛尼三角网;利用骨架线提取与公共序列合并方法,提取立体交叉口的几何结构与拓扑连通关系,获取城市立体交叉口空间结构信息;以武汉市2016年出租车轨迹为数据源,选取了武汉市城区立体交叉口进行空间结构信息获取试验。研究结果表明:立体交叉口中车载GPS轨迹特征重要性评分的前4项依次是终点角度、起点角度、起终点角度差、中间角度平均值,其中利用终点角度与起点角度特征组合的聚类结果是最优的;立体交叉口空间结构信息获取方法在直行、左转、右转方向下识别准确率分别为85.7%、85.4%、87.5%,综合准确率为86.2%,直行、左转、右转方向下信息召回率分别为91.5%、87.2%、85.9%,综合召回率为88.2%,因此,较高的准确率与召回率说明本文提出的方法可以准确识别立体交叉口空间结构信息,并提取立体交叉口中各个行驶规则的几何与拓扑连通关系。