基于改进K均值聚类的光伏板缺陷检测方法

为了能够对光伏组件热斑部分准确地识别和提取,提出了一种基于HSV空间模型的改进K均值聚类图像处理方法。首先,将红外图像进行HSV空间转换和双边滤波处理,去除噪声并提高图像对比度;其次,使用高斯核函数估计实现图像灰度概率密度函数提取,并以此获取初始聚类中心;最后,利用先验知识对图像进行K均值聚类,提取和量化热斑缺陷。研究结果表明,该方法能够快速地检测定位热斑位置并统计出光伏板损坏程度,具有较高的精度以及较好的灵敏性和稳定性。

基于改进K-均值聚类算法的汽车用户行为分析方法研究

汽车用户的驾驶行为和操作习惯等决定着驾驶是否存在风险,对于道路交通安全具有重要的意义,针对这种情况,提出一种用于预测汽车用户驾驶行为风险等级的模型。该模型为了提高模型的分类效率,在自组织映射神经网络算法中采用遗忘第二名的策略,然后结合自组织映射神经网络改进K-均值聚类分析方法,实现对于车辆驾驶人员的风险行为等级进行划分,通过聚类分析得到风险标签后,利用XGBoost算法实现对于用户风险行为的辨识。实验结果表明,改进算法的聚类精确度和运行效率都得到了提高,预测准确率为98%,召回率为98%,F1值98%,kappa系数高达0.97,远远超过其他集成辨识模型,表明本文模型在汽车用户行为的分辨准确率上得到有效提高。

基于改进K-均值聚类的数字化档案智能分类方法研究

针对现有分类方法在对数字化档案分类时存在分类结果轮廓系数和CH指数过低的问题,本文引入改进K-均值聚类,开展数字化档案智能分类方法的设计研究。通过提取数字化档案特征,并对特征主分量分析,利用改进K-均值聚类,完成对档案特征相似度的计算,结合相似度计算结果,对数字化档案关键词自动聚类,并实现智能分类。通过实验证明:新的分类方法应用后,数字化档案分类结果的轮廓系数和CH指数均显著提高,该分类方法具备较高的分类精度,同时也可广泛应用于类似资源分类当中。

基于改进K均值聚类的光谱重建训练样本选择研究

光谱反射率重建过程中,训练样本的选择方法及样本容量与重建精度密切相关,寻找一种高效的训练样本选择方法是光谱重建的目标之一。K均值聚类计算复杂度小,计算效率高,但因聚类初始值选择的随机性,以及离群点的影响致使聚类结果不稳定,进而影响光谱重建的精度。基于此,提出了一种改进K均值聚类的训练样本选择方法。首先,将训练样本集的几何中心作为聚类中心的初始值;其次,基于高斯函数构建样本空间分布概率密度函数,并以欧几里德(欧式)距离作为其他聚类中心的度量依据;最后,在训练样本集中,基于簇内平方差度量光谱反射率样本间的相似度,将每个聚类子集中与中心距离最近的样本作为训练样本。为验证该方法的有效性,通过主成分分析法进行光谱重建。实验结果表明,所提的方法相较于传统的方法,光谱重建精度有一定的提高,重建光谱的平均均方根误差小于4%, CIE DE2000色差小于3.756 7。提出的改进的K均值聚类的训练样本选择方法,能够一定程度上提高了光谱重建精度,基本满足复制再现图像的要求。

基于k-均值聚类算法的高层建筑表面风压分区研究

为分析高层建筑表面的风压特征和关键区域,以高宽比为4∶1的高层建筑风洞试验模型为对象,采用k-均值聚类算法,对0°风向角下模型各个面的风压测压管时程数据进行分析,研究结果表明:建筑左、右侧面以强烈的负压为主导,且角点附近存在负压极值;k-均值聚类算法可以有效地识别不同表面风压场的特征,风压的聚类结果与平均风压系数的分布较为吻合,且能得到代表性的风压测压管。

基于改进K-均值聚类算法的背景建模方法

针对背景差法易受外界环境因素影响的缺点,提出了一种基于改进K-均值聚类的背景建模方法。通过比较任意样本与该像素位置处的子类中心之间的距离,对各个像素的观察值进行聚类,并在聚类过程中逐步确定其类别数。一段时间的学习之后,样本数最多的子类就构成了背景模型。仿真结果表明,该算法即使在运动目标存在的情况下也能准确的提取出实际的背景,而且显著地降低了系统的存储量。

RKDG方法改进的K均值聚类坏单元指示子

为解决K均值聚类坏单元指示子中双实数型可调参数给数值应用带来的不便,通过采用简单、高效的数据归一化和极差的方法,直接筛选出含有坏单元的模板,再使用K均值聚类筛选出坏单元,从而将双参数改为单参数.数值计算结果表明,改进的坏单元指示子不仅继承了原方法的优点,而且极大地降低了确定参数的复杂度,有利于该算法的实际应用.

基于K-均值聚类电网基建工程造价中前期费用整合方法

为了优化电网基建工程造价中前期费用整合效果,减小费用整合结果与实际造价费用的偏差,引入K-均值聚类,开展了基于K-均值聚类电网基建工程造价中前期费用整合方法研究。首先,构建了电网基建工程造价数据库,明确工程造价中前期费用指标。其次,利用K-均值聚类算法,提取基建工程造价中前期费用特征量之间的相似关系与工程数据特征量,对基建工程造价中前期费用进行全方位的整合。应用分析结果表明,费用整合方法得以应用后,电网基建工程造价中前期费用整合正确率均达到了98%,费用整合结果与基建工程实际费用情况更加接近,有效地缩小了费用整合偏差。

一种改进的K-均值聚类分形编码方法

为了解决分形图像编码耗时过长的问题,该论文主要研究了基于K-均值聚类的快速分形编码算法。首先引入方差法将子块分为简单块和复杂块,随后采用K-均值聚类算法对复杂子块及父块进行分类,并在搜索匹配父块的过程中运用近邻搜索法,使得相应子块仅在近邻范围内与同类的父块进行匹配运算。该方法对匹配块的搜索过程进行了优化,大幅度减少了编码时间。测试结果表明,与基本分形编码算法相比可提速多倍,并且其重构图像效果较好。

层次K-均值聚类结合改进ITML的迁移度量学习方法

目前的迁移学习方法多针对单一迁移类型,使用低级特征空间,并且源集比目标集复杂耗力。针对这些问题,综合考虑特征表示迁移、参数迁移和实例迁移,提出迁移度量学习的通用框架。首先,基于属性相似性空间和类别相似性空间,利用层次K-均值聚类获取相似性;然后,利用信任评估框架和去相关归一化转换方法消除源集中的相关关系来抑制负迁移作用;最后,改进信息理论度量学习方法(ITML)进行相似性度量学习。对三种不同复杂度数据集进行实验,结果表明,提出方法的迁移学习性能较传统方法明显提高,且对负迁移影响具有更好的鲁棒性;提出的方法可应用于源集比目标集简单的情况,评估结果表明,即使源集知识有限,也可以得到较好的迁移学习效果。

新的K-均值算法最佳聚类数确定方法

K-均值聚类算法是以确定的类数k和随机选定的初始聚类中心为前提对数据集进行聚类的。通常聚类数k事先无法确定,随机选定的初始聚类中心容易使聚类结果不稳定。提出了一种新的确定K-均值聚类算法的最佳聚类数方法,通过设定AP算法的参数,将AP算法产生的聚类数作为聚类数搜索范围的上界kmax,并通过选择合适的有效性指标Silhouette指标,以及基于最大最小距离算法思想设定初始聚类中心,分析聚类效果,确定最佳聚类数。仿真实验和分析验证了以上算法方案的可行性。

基于改进预测强度的大数据K-均值聚类方法

为了降低偶然因素的影响,提出了一种基于改进预测强度的大数据K-均值聚类方法,其基本思想是:首先将数据集若干等分,每一等分轮流作为测试集,取其平均预测强度,然后根据预测强度确定聚类数和聚类变量,再用K-均值聚类方法对数据集进行聚类。用上述方法研究了访客在某网站各栏目的平均停留时间,结果表明,基于预测强度的聚类方法较常规聚类方法更适宜于大数据的聚类分析。

基于改进k-均值聚类的负荷概率模型

提出采用改进的k-均值聚类方法对电力系统小时负荷进行聚类,避免了传统k-均值聚类存在的聚类中心初始值难以确定、聚类结果不稳定的问题。在建立聚类负荷模型的基础上,进一步建立了考虑负荷不确定性和相关性的负荷概率模型。RBTS和IEEE RTS79算例分析结果表明,采用所建立的聚类负荷模型时的发电系统可靠性计算结果精度高,节省了状态抽样法的计算时间;负荷不确定性和相关性对发电系统可靠性有较大影响。所建立的负荷概率模型为采用解析法和状态抽样法进行发电和发输电系统可靠性评估提供了基础。

基于K-均值聚类算法的行驶工况构建方法

提出一种基于K-均值聚类算法的城市循环工况构建方法,该方法通过实车采集某城市道路行驶工况的数据,将工况数据预处理后划分为工况块,运用平均速度、行驶距离和巡航时间比3个参数对工况块进行K-均值聚类分析,采用距离聚类中心越近越能代表簇特征的原则选取工况块,最终拟合出某城市循环工况,并对其从特征参数、转毂实验和废气分析采集的油耗和排放数据3个方面与其他典型城市循环工况进行了对比。对比分析结果表明:采用本方法构建的城市循环工况能够很好地反映某地实际交通道路状况,具有实用价值。

一种改进的k-均值聚类算法

针对k-均值(k-means)聚类算法中随机选取初始聚类中心的缺陷,提出了一种新的基于数据样本分布选取初始聚类中心的方法。实验结果表明,改进后的算法能改善其聚类性能,并能取得较高的分类准确率。

基于改进的k-均值聚类和数学形态学的彩色眼科图像病灶分割

病灶面积的定量化研究在眼科临床上具有重要的意义 ,为此首先需要把病灶从眼科图像中分割出来。已有的分割算法未充分利用眼科图像的整体信息 ,不适用于角膜病灶的分割。因此 ,本文提出了一种新算法 :首先利用改进的k 均值算法 ,对色度和亮度进行聚类 ,再通过数学形态学运算分割角膜病灶。实验结果表明 。

基于节点生长k-均值聚类算法的强化学习方法

处理连续状态强化学习问题,主要方法有两类:参数化的函数逼近和自适应离散划分.在分析了现有对连续状态空间进行自适应划分方法的优缺点的基础上,提出了一种基于节点生长k均值聚类算法的划分方法,分别给出了在离散动作和连续动作两种情况下该强化学习方法的算法步骤.在离散动作的MountainCar问题和连续动作的双积分问题上进行仿真实验.实验结果表明,该方法能够根据状态在连续空间的分布,自动调整划分的精度,实现对于连续状态空间的自适应划分,并学习到最佳策略.

基于密度加权的粗糙K-均值聚类改进算法

针对粗糙K-均值聚类算法中类均值计算式的特点,提出了一种改进的粗糙K-均值算法。改进后的算法基于数据对象所在区域的密度,在类的均值计算过程中对每个对象赋以不同的权重。不同测试数据集的实验结果表明,改进后的粗糙K-均值算法提高了聚类的准确性,降低了迭代次数,并且可以有效地减小孤立点对聚类的影响。

基于改进k-均值聚类算法的LTE基站需求选点方法

针对目前LTE基站需求阶段选点由于多部门、多类型来源导致在同一个相近位置附近存在重复上报的问题,为了提高无线基站规划的建设效率,通过对普通k-均值聚类算法中初始k值、聚类中心、离散点处理这几个关键点进行改进,进而提出一种全新的无线基站需求选点方法。该方法已嵌入目前已投入使用的无线规划设计审核平台中,在需求阶段中得到了很好的应用。

改进的K均值聚类红外目标检测方法

利用图像方差能很好地反映目标边缘信息的特点,提出一种基于方差的K均值聚类红外目标检测算法。利用形态学方法对红外图像进行预处理,运用相应的模板计算得到红外图像的方差图像,利用K均值聚类算法对方差图像进行聚类,从而分离出目标类别和背景类别。实验表明,该算法提取的红外图像中目标信息的兰德指数最高,说明该算法能有效地提取红外图像中目标信息,从而达到目标检测的目的。