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PCA和改进K均值算法的动作电位分类

微电极阵列记录的神经元信号往往是电极临近区域数个神经元的动作电位信号以及大量背景噪声的混叠,研究神经系统的信息处理机制以及神经编码、解码机理需了解相关每个神经元的动作电位,因此需从记录信号中分离出每个神经元的动作电位。基于此,提出基于主元分析(PCA)和改进K均值相结合的动作电位分类方法。该方法采用PCA提取动作电位特征,使用改进K均值算法实现动作电位分类。实验结果表明,该方法降低了动作电位的特征维数以及K均值算法对初始分类重心的依赖,提高动作电位分类结果的正确率及稳定性。尤其是在处理低信噪比信号时,分类正确率仍能达到理想水平。

一种学习稀疏BN最优结构的改进K均值分块学习算法

目前贝叶斯网络(Bayesian networks,BN)的传统结构学习算法在处理高维数据时呈现出计算负担过大、在合理时间内难以得到期望精度结果的问题.为了在高维数据下学习稀疏BN的最优结构,本文提出了一种学习稀疏BN最优结构的改进K均值分块学习算法.该算法采用分而治之的策略,首先采用互信息作为节点间距离度量,利用融合互信息的改进K均值算法对网络分块;其次,使用MMPC(Max-min parent and children)算法得到整个网络的架构,根据架构找到块间所有边的可能连接方向,从而找到所有可能的图结构;之后,对所有图结构依次进行结构学习;最终利用评分找到最优BN.实验证明,相比现有分块结构学习算法,本文提出的算法不仅习得了网络的精确结构,且学习速度有一定提高;相比非分块经典结构学习算法,本文提出的算法在保证精度基础上,学习速度大幅提高,解决了非分块经典结构学习算法无法在合理时间内处理高维数据的难题.

基于改进K均值算法的移动图书馆用户评论需求聚类研究

对移动图书馆用户评论的自动聚类研究有助于更准确高效地获取用户需求。本文结合移动图书馆评论特征,在传统K均值算法的基础上,使用HT-LaD算法对初始聚类中心进行算法改进,并使用移动图书馆的用户评论数据进行实证。结果表明,利用改进后K均值算法完成移动图书馆用户评论文本的需求聚类是可行的,且聚类精度和稳定性得到提高。

改进K均值聚类法在变压器故障诊断中的应用

将改进K均值聚类法在模式辨别和分类方面的优势应用到变压器故障诊断中。对K均值聚类法的不足进行分析,采用改进K均值聚类法和油溶气体分析技术中改良三比值法相结合的方法对变压器的多种常见故障进行诊断,并将诊断结果同K均值聚类法进行对比分析,应用MATLAB对两者的结果进行仿真。结果表明,改进K均值聚类法不仅能正确、有效地进行变压器故障判断,而且优化了K均值聚类法在初始聚类中心选择方法上的不足,使诊断结果更趋于准确真实。

基于改进K均值聚类算法的汽车行驶工况构建

汽车行驶工况是描述汽车速度-时间曲线,中国一直采用欧洲工况作为标准,但研究表明,中国的实际道路和欧洲差异很大,甚至每个城市都各不相同,所以中国急需构建属于自己的汽车行驶工况,研究汽车行驶工况具有重要意义。首先建立有效的数学模型,使用T4253H滤波算法进行数据预处理,筛选和消除异常存在的数据;其次采用主成分分析法对原始数据进行降维,来确定主成分的个数,进一步增加了选择的特征参数的代表性;最后结合改进K均值聚类算法对降维后的特征参数进行聚类分析,选择适用的运动学片段,进行汽车行驶工况信息的构建。经过与实测数据进行对比分析,研究结果表明:构建的工况数据与实测数据的误差均小于7.4%,更能真实反映实际车辆行驶的运行状况。

基于改进K均值特征点聚类算法的作物行检测

精准施药是现代精准农业发展不可或缺的一部分,而准确地提取作物行是进行精准施药的关键环节。为此,以苗期的玉米为研究对象,提出一种基于改进K均值特征点聚类算法的作物行检测方法。该方法根据距离函数最值关系求出最佳聚类数目,再依据点密度大小和邻域半径确定初始聚类中心,减少了迭代次数,提高了算法的执行效率和划分效果。首先,采用改进的超绿法(1.27G-R-B)进行灰度化和Otsu方法进行二值化,得到作物行的二值图像;然后,利用左右边缘中间线算法提取作物行特征点;最后,采用改进K均值算法和最小二乘法对作物行中心线特征点进行聚类和直线拟合。试验数据表明:提出的改进K均值特征点聚类算法识别效果好,精确度高,可为精准施药提供理论依据。

一种基于改进K均值聚类的输电线路覆冰状态侦测方法

输电线路覆冰是影响电网在寒冷季节正常运行的一大隐患。因此,必须对输电线路覆冰状态进行侦测,以确保及时发现覆冰现象并采取应对措施。本文提出一种基于改进K均值聚类的输电线路覆冰状态侦测方法。首先,获取输电线路图像,并进行预处理;之后,依次使用直线段检测(LSD)算法、改进K均值聚类、最小二乘拟合确定导线位置;最后,计算导线宽度,并根据覆冰前后宽度变化评估其覆冰状态。综合分析现场与实验环境的实验结果,所提方法能够快速、可靠地辨识导线覆冰状态,且具备较高精度。

基于图拉普拉斯矩阵和改进K均值聚类的滚动轴承故障诊断

由于轴承的振动信号中往往蕴含大量的干扰信号,高效提取故障特征并进行分类识别是轴承诊断工作的关键所在。传统的故障特征提取方法往往需要多种表征不同故障的指标集合,本文提出了一种基于马氏距离加权的Laplace矩阵和改进K均值聚类的轴承故障诊断方法。首先将轴承的时域离散信号映射到图形域以获得图信号,通过马氏距离加权和图信号的代数形式Laplace矩阵得到表征轴承不同故障状态的特征指标集合,再应用改进K均值聚类思想将特征指标集合进行评估和分类,以实现通过单一指标对不同故障状态轴承准确分类的目的。实验结果表明,基于马氏距离加权的Laplace矩阵和改进K均值聚类的轴承诊断方法能够有效提取不同故障的特征指标并进行准确分类,同时,该方法在单一指标分类上正确率远高于传统故障特征提取方法。

基于自编码器和改进K均值聚类的光伏组件故障诊断

光伏组件运行时关键参数具有连续性,难以直接用聚类的方式诊断故障,因此提出了基于自编码器(Autoencoder,AE)和改进K均值聚类K-Means++光伏组件故障诊断方法。利用AE降维数据输入特征数据,保证了特征之间的高内聚、低耦合以及去线性的特性。针对传统K均值聚类(K Means Clustering,K-Means)对初始聚类中心敏感,且聚类结果随不同的初始聚类中心波动的缺陷,基于数据分布特征选取初始聚类中心的K-Means++算法。数据试验结果表明,基于AE和K-Means++算法对短路、开路、阴影遮挡以及老化故障的诊断表现良好。

基于改进主成分和全局k均值聚类的汽车行驶工况构建

为解决传统聚类算法构建工况初始中心易陷入局部最优、执行时耗长的问题,提出了一种改进全局k均值聚类(improved global k-means clustering,IGKM)算法,以缩小作为候选下一簇的初始中心点集,减少算法的迭代次数;采用小波分层阈值降噪和小波分解域量化压缩对原始数据进行预处理,结合改进主成分分析(improved principal component analysis,IPCA)对片段进行降维和分类;最后,合成汽车行驶工况。实验结果表明,所提方法构建行驶工况的速度-加速度联合分布差异值仅为0.87%,聚类平均耗时仅为83.35 s,行驶工况拟合度较高,更能综合反映实际车辆的运行状况。

驾驶员避撞转向行为的改进K-means聚类与识别

本文中根据不同工况驾驶员转向行为数据,提出了基于驾驶员避撞转向行为特征的聚类算法。首先搭建驾驶模拟器,采集了定半径转向、常规换道和紧急避撞转向工况下的驾驶行为数据,通过对比正常行驶和紧急避障工况下驾驶员转向行为数据,定性分析了紧急避撞转向特点。之后,利用皮尔逊相关系数法分析了描述驾驶员转向行为的观测变量与紧急避撞转向行为的相关性,得出转向盘转速与转向工况的相关性最高。接着,以转向盘转速作为聚类特征参数,利用改进K均值(K-means++)聚类方法对转向行为数据进行了聚类,将转向行为划分为正常转向和紧急避撞转向,实现了紧急避撞转向工况的识别。最后,通过实车试验验证了所提出的紧急避撞转向行为K-means++聚类方法可有效识别驾驶员紧急避撞转向行为,聚类精度达96.7%。

基于改进的K-means法的高分辨率遥感影像道路提取

针对高分辨率遥感影像中道路提取存在的特征利用问题,提出一种基于改进的K-means算法的道路提取方法。首先根据遥感影像的具体场景进行相应的预处理;在此基础上,利用改进的K-means算法融合道路的光谱特征和纹理特征对图像进行分类,得到初始道路区域;然后利用道路的几何特征滤除非道路区域;最后采用数学形态学方法完善道路信息,得到最终结果。实验结果表明,该方法能实现复杂场景中道路提取,并拥有较好的效果。

基于粒子群算法的K均值半监督聚类算法研究

定义了一个欧氏距离和监督信息相结合的最近邻计算函数,综合考虑无监督学习的空间距离和监督学习的标签数据的影响,从而将K均值算法很好地用于半监督聚类问题;针对K均值算法对初始质心敏感的缺陷,用粒子群算法的搜索空间模拟聚类的欧氏空间,通过迭代搜索找到较优的聚类质心。同时提出动态管理种群的策略以提高粒子群算法搜索效率。新算法在UC I的多个数据集上测试都得到了较好的聚类准确率。

面向可靠性评估的两阶段聚类风-光-荷典型场景生成方法

由于风光出力和负荷的不确定性,高比例可再生能源电力系统可靠性评估需要大量输入场景以保证评估精度。为降低计算复杂度,选取适用的典型场景至关重要。传统典型场景生成直接采用聚类算法对输入场景聚类,因此面对高维数据处理困难且无法保留负荷极端场景,生成可靠性评估典型场景的效果不理想。为选取适用于可靠性评估的风-光-荷典型场景,研究建立了基于密度的噪声应用空间聚类(DBSCAN)和改进K均值两阶段聚类模型,保留极端场景同时引入降维算法处理高维时序数据。算例表明该算法兼具高效性和有效性,所得典型场景应用于电力系统可靠性评估得到可靠性指标精确度良好。

风电功率波动特性的混合Logistic分布模型

自然界中风固有的波动性直接影响风电功率的准确预测。因此,如何定量描述风电功率的波动性是解决该问题的关键。文中提出一种混合Logistic分布模型来定量描述风电功率的波动变化率,采用改进K均值聚类算法来确定模型参数。从不同采样间隔分布特性以及时间窗分布特性分析该模型性能,并将该分布模型与单一分布模型Normal分布、Logistic分布以及混合高斯分布等模型进行对比,通过利用吉林省某风电场的实测数据仿真实验,比较其评价指标,验证了该文提出模型的有效性。

基于Hough变换和聚类的舰艇编队队形识别算法

编队队形识别技术是反舰导弹武器系统目标识别领域中的一项重要研究内容,具有队形识别能力的反舰导弹可以有效增强对密集型舰艇编队当中重要目标的选择能力,进而直接提升导弹的命中概率和作战效能。基于Hough变换技术研究了一种舰艇编队队形识别算法,在无探测噪声影响时具有很好的识别率。当目标信息受污染较严重时,进一步采用了改进的K均值聚类算法对Hough变换后得到的积累矩阵局部峰值进行聚类处理,根据峰值聚类的结果准确提取出待识别队形的参数,从而有效抑制了探测噪声带来的不利影响。仿真结果表明,采用该算法可以正确识别出舰艇编队队形,在目标信息受污染较严重时也具有较好的识别效果,具有较好的鲁棒性。对该算法复杂度及目标指示误差对算法精度的影响进行了分析。

计及用电模式的居民负荷梯度提升树分类识别方法

居民负荷分类与识别是负荷监测与需求侧管理的研究基础。为了实现居民负荷用电模式的提取和识别,本文对负荷公共数据集运用主成分分析降维并聚类,提出了一种计及典型用电模式的梯度提升树负荷分类识别方法。首先对负荷公共数据集重采样并获得各类负荷能耗特征样本,归一化后通过主成分分析法降维得到特征的主成分。再通过改进K均值聚类法获得各类负荷的典型用电模式,训练梯度提升树并进行超参数优化,对测试集负荷类型进行识别。在公共数据集与实测数据上测试发现,该方法对于居民负荷分类识别有良好效果,能够实现对负荷的分类识别。

基于碳交易的含大规模光伏发电系统复合储能优化调度

为提高电力系统对光伏发电的接纳能力,提出一种基于碳交易的含大规模光伏发电的电池储能—抽水蓄能电力系统复合储能优化调度模型。基于低碳经济理念,将阶梯型碳交易机制引入电力系统经济调度中。采用基于最大最小距离准则的改进K均值聚类算法对光伏发电的出力场景进行有效聚类,在保证光伏发电出力分布特征的前提下削减场景数量;以系统综合运行成本最低为目标,兼顾系统的运行经济性和低碳性,利用电池储能作为功率型储能以平滑光伏电站出力波动,抽水蓄能作为能量型储能参与接入光伏发电后系统的调峰平衡。以改进的IEEE-RTS96系统对所提模型进行仿真分析,算例结果验证了模型的合理性和有效性。