基于稀疏自编码的多维数据去重聚类算法分析

随着科技信息的不断发展,数据量与数据类型与日俱增,针对数据集维度高、重复数据多导致有效信息提取复杂的问题,提出基于改进稀疏自编码器的多维数据聚类算法。算法分为数据处理与聚类分析两大部分,数据处理时首先利用S-SAE中逐层贪婪的原理将高维数据集降维至每组6维的数据集;接着采用映射值匹配机制对降维后的数据集进行重复数据清洗处理,被清洗的值用0替代;然后将处理好的数据投入到K-Means++聚类算法中进行聚类分析;最终构建出TS-SAE-K-Means++多维数据聚类模型,并通过最优化分析得出其最优化参数设置情况。通过对不同基线组合算法的仿真对比分析表明,TS-SAE-K-Means++在聚类轮廓系数S与模型特征值F1评价体系中均优于其它算法组合。这表明提出的算法在解决高维数据内有效信息提取的问题上具有一定的优越性。

基于改进自编码网络的电力负荷识别

为提高电器设备识别的准确率,提出一种基于改进稀疏自编码网络和支持向量机算法相结合的电力负荷识别方法。以自编码网络的编码部分对输入数据的表征能力为基础,结合卷积神经网络特征提取的能力,采用卷积层替换自编码网络中的全连接层;通过在损失函数中加入惩罚项,进一步优化网络对负荷特征的提取能力;最后将特征放入粒子群优化后的支持向量机模型做识别。试验结果表明,方法能够有效地对电器进行多种类型的识别。相较传统自编码网络,改进后的模型泛化能力更强,识别率更高。