基于改进K-means聚类和皮尔逊相关系数户变关系异常诊断

用电信息采集系统易出现台区户变关系错误问题,传统诊断技术主要针对少用户台区出现异常用户情况,但对于多达数百用户台区,存在多相邻台区异常用户特征提取难题。文中首先通过主成分分析对GIS系统获取台区总表和用户电表电压数据实现降维,建立改进K-means聚类提取电压数据特征,提出改进皮尔逊相关系数算法分析待检测用户,据此建立基于改进K-means聚类和改进皮尔逊相关系数的户变关系异常诊断方法,实现多异常用户所属正确台区诊断。实际算例分析结果表明,文中提出算法在识别同一台区一个及多个异常用户、不同台区多个异常用户情况下均能有效实现异常用户的准确检测与分析,相比传统检测方法,实现简单且准确性更高。

基于融合改进K-means聚类算法的数据检测技术

针对现有医疗财务数据分析系统平台老旧,采用传统K-means算法进行数据处理时性能较差的问题,文中设计了一种财务异常数据检测算法。对于传统K-means算法存在的分类效果不佳、运行效率偏低等不足,该算法结合密度峰值法对样本点的局部密度和高密度距离进行计算,进而优化簇中心的选择。同时融合PCA降维算法减少了数据的冗余信息,进一步提高了运行效率。通过引入LOF离群检测算法对分簇后的数据进行检测,从而得到异常数据结果。实验测试中,所提算法在人工数据集上的平均ARI指标为0.844,真实数据集的准确率则达到了79.2%,在所有对比算法中均为最优,表明该算法具有良好的性能,可以对财务异常数据进行准确地检测。

基于改进K-means聚类的电网抢修资源优化技术

针对传统电网抢修资源配置中存在主观性强、处理突发状况能力较弱的问题,文中基于改进K-means聚类算法提出了一种电网抢修资源的分配策略。该策略采用改进算法分析平台的工单数据,以获得聚合数据包,并利用主成分分析法完成对数据的降维。降维后的数据经过深度稀疏自编码器的训练,得到的数据特征被K-means++算法聚类,进而输出工单任务的优先级。所提改进算法考虑了多种复杂因素的影响,相比传统算法其综合性能更为理想。多项实验结果表明,所提算法的聚类性能和数据训练性能在多个对比算法中均为最优,可以准确地识别出测试用例中的任务等级,为电网抢修资源的分配与决策提供技术支撑。

基于改进K-means聚类的医疗信息系统信息安全检测方法

医疗信息系统中的信息数据在实际更新过程中容易产生振荡,导致实际安全检测时产生的检测时延数值过大,为此设计基于改进K-means聚类的医疗信息系统信息安全检测方法。划分医疗信息系统信息场景,获取医疗信息系统信息数据,随机选定一个信息数据作为聚类初始位置,划定信息数据的判断方向,形成一个基于改进K-means聚类算法判断信息数据安全状态的过程,构建不同层次信息的安全状态判断矩阵,完成安全检测方法的构建。结果表明:设计的检测方法误报率较低,产生的时延在0.1s左右,与两种文献中的检测方法相比,文中设计的安全检测方法产生的时延时间较短,实际检测过程所需的检测时间最短。

基于改进K-means聚类算法和最小生成树融合模型的配电网规划研究

本文针对配电网在规划分区时各分区用户负荷差值较大而造成可靠性不足和经济损失等问题,分别提出了一种基于负荷因子的平衡负荷初步分区方法和基于欧式距离权重的改进K-means聚类算法,并将其应用于配电网规划研究。以我国某城市街道为例,试验结果表明改进的K-means聚类在负荷分区的均匀分布上优于传统的K-means聚类方法,改进的K-means聚类负荷差值的平均值由0.364MW下降到0.1675 MW。输出聚类结果后的最短路径以实现配电网规划线路图。

基于改进K-Means聚类和BP神经网络的台区线损率计算方法

配电网线损管理中面临的主要问题有表计配置不齐备、运行数据不易收集、元件和节点数过多。这些问题导致线损率计算工作十分繁杂。提出了一种基于改进K-Means聚类算法和Levenberg-Marquardt(LM)算法优化的BP神经网络模型快速计算低压台区线损率的方法,并通过编程加以实现。根据样本的电气特征参数,提出了改进K-Means聚类算法,将台区样本分类,解决了台区线损率数值分散的问题。在此基础上,采用LM算法优化的BP神经网络模型对样本数据按类进行训练,利用BP神经网络拟合样本线损率与电气特征参数之间的关系,得到其变化规律。以某地区601个台区样本数据为例进行仿真计算,验证了所提方法的准确性。结果表明,与标准BP神经网络模型相比,LM算法优化的BP神经网络模型具有快速收敛、高精度等优点。

基于改进K-means聚类的配电网工程数据预处理算法设计

针对传统配电网工程数据的预处理方法较为依赖电力工程师专业知识,工作效率低且难以保证准确率等问题,提出了基于改进K-means聚类的配电网工程数据预处理算法。该算法通过对原始数据进行标准化处理来消除量纲对数据的影响,采用改进K-means算法对处理后的数据实现聚类分析。同时根据计算相似性的方式优化聚类结果,并利用线性回归分析对聚类结果加以处理得到最终结果。实验结果说明,文中方法对配电网工程数据的测算误差低于8.01%,相较于传统对照组方法具有显著优势。利用该文所提算法对配电网工程的各类相关数据进行深入的挖掘分析,能够为电力工程的精准推进提供有效的数据支撑。

基于改进K-Means聚类算法的车轮踏面损伤检测研究

为提高列车车轮踏面检测效率,设计了一套基于机器视觉的车轮踏面动态检测系统,分析了k-means聚类算法,通过加权欧式距离对该算法进行改进,利用聚类法具有保持最大相似性的特性,将基于加权欧式距离的k-means聚类算法用于机器视觉的图像处理。先对原始图像作图像增强、图像灰度化等预处理,再以特征聚类思想对图像作阈值分割,使图像中的各部分特征更加突出。图像处理结果显示,基于加权欧式距离k-means聚类算法的车轮踏面损伤视觉检测系统可以有效地检测出踏面损伤。

基于改进K-means聚类的汽车行驶工况构建方法研究

为提升对实际道路载荷数据典型工况提取的合理性,将采集到的车辆数据进行预处理、运动片段划分、特征参数提取并形成特征参数矩阵,使用主成分分析法对特征参数降维处理,通过孤立森林对降维后的数据进行离群点检测,并采用K-means算法进行聚类分析,根据各工况运行时间所占比例构建汽车行驶工况。结果表明,改进后的K-means聚类算法的Average Silhouette值提升了6.53%,聚类效果明显优化,所构建的汽车行驶工况的相对平均误差为5.09%,验证了该方法的有效性。

基于改进K-means聚类的配电网电压暂降频次估计法

传统考虑保护动作特性的电压暂降频次估计法需要获取详尽的保护配置信息,然而配电网保护配置多样,在不同因素如过渡电阻、运行方式、故障类型等的影响下,阶段式保护各级保护区可能产生较大变化,采用传统方法对电压暂降持续时间进行评估可能会产生较大误差。文中提出一种基于改进K-means聚类的配电网电压暂降频次估计方法,在未知线路保护配置基础上,基于电压暂降历史监测数据与保护动作信息,采用改进K-means聚类算法,对电压暂降幅值-持续时间进行聚类分析,推断线路保护配置情况,计算保护动作时间与保护动作电压。根据计算结果,在考虑不同故障类型、不同运行方式及不同过渡阻抗的情况下进行配电网电压暂降频次估计。在IEEE RBTS-6母线测试系统的母线5配电网中进行仿真,验证了文中方法的有效性和优越性。

基于改进K-Means聚类与水平集的木材横截面管孔分割

针对管孔随机分布且大小不一导致管孔分割鲁棒性不高,及木纤维、木射线和轴向薄壁组织等噪声对管孔分割效果影响较大的问题,本研究提出一种改进K-Means聚类与水平集的木材横截面管孔分割算法。采用改进K-Means聚类对管孔区域进行粗分割,有效地区分管孔区域与木纤维、木射线以及轴向薄壁组织等噪声区域。再对粗分割结果采用水平集算法进行精分割。实验结果表明,平均每张木材横截面微观图像有98.8%的管孔被准确有效地分割出来,且分割出的管孔与实际管孔基本吻合。相比之下,本研究提出的改进分割算法较其他算法,每张木材微观图像的平均管孔分割准确率提高了1.7%。该算法有效地解决传统K-Means聚类算法在图像分割时噪声影响大和初始聚类中心的随机性问题,在针对大小不一且随机分布的管孔分割过程中鲁棒性更高,具有良好的分割性能。

基于改进K-means聚类算法的大田麦穗自动计数

单位种植面积的小麦麦穗数量是评估小麦产量和小麦种植密度的一个重要参量。为了实现高效、自动地麦穗计数,该文提出了基于改进K-means的小麦麦穗计数方法。该方法建立从图像低层颜色特征到图像中包含麦穗的一个直接分类关系,从而不需要再对图像进行分割或检测。以颜色特征聚类为基础的这种方法能够估计麦穗在空间局部区域中数量,并且在不需要训练的情况下更具有可扩展性。统计试验结果表明,该文算法能够适应不同光照环境,麦穗计数的准确率达到94.69%,超过了传统基于图像颜色特征和纹理特征分割的麦穗计数方法 93.1%的准确率。

基于改进K-means聚类和霍夫变换的稀疏源混合矩阵盲估计算法

混合矩阵的估计是稀疏源盲分离的关键组成部分,其估计精度直接影响到源信号的估计精度.本文首先针对K-means聚类算法依赖初始值选取的问题,将微分进化算法思想引入到K-means聚类算法中,提出了一种改进的K-means聚类算法.利用该算法,对稀疏源混合信号数据进行聚类,保证了聚类结果的鲁棒性.然后利用霍夫变换,对每一类数据的聚类中心进行修正,从而估计出混合矩阵,提高了混合矩阵的估计精度.仿真实验表明,相比于经典的稀疏源混合矩阵盲估计算法,本文算法具有更强的鲁棒性和更高的估计精度.

基于改进K-means聚类算法的组合模型建模

在传统的K-means聚类算法中,初始聚类是随机选取的,其聚类结果易随着不同的初始聚类中心波动。针对这一问题,首先采用最大距离积法对传统K-means聚类算法的初始聚类中心进行了优化。同时定义了一种新的目标函数并将其引用到传统的K-means聚类算法中,以实现对聚类结构类别数K的优化选择。将训练集样本数据经上述方法聚类后,再将各个子类分别建立基于支持向量机的子模型,通过开关切换的方式连接各子模型得到组合的支持向量机模型。将该方法应用于双酚A生产过程的缩合反应单元溶解罐出口苯酚含量的软测量建模。工业实例仿真结果表明:该算法能较好地跟踪苯酚含量的变化趋势,有效地改善了数据分类效果,提高了软测量模型的估计精度,显示了它在工业领域的应用潜力。

基于深度学习和改进K-means聚类算法的电网无功电压快速分区研究

随着电网规模的不断扩大,对整个大电网进行统一的电压调控变得越发困难。提出一种基于深度学习和改进K-means聚类算法的电网无功电压快速分区方法。首先建立电耦合强度矩阵反映系统节点间的电气耦合关系的强弱。然后采用深度学习中的稀疏自编码器,通过训练实现对输入的高维矩阵进行特征提取和降维。最后基于改进的K-means聚类算法用以对降维后的特征序列进行聚类分析,通过检验电气模块度值来确定最终的分区。以电气模块度、无功储备校验两个评价指标对电网分区质量进行评估。对IEEE39节点和IEEE118节点系统进行仿真分析,验证了所提方法在保证连通性以及充足的无功储备的的基础上,具有较高的电气模块度。

基于改进K-means聚类和SBR算法的风电场景缩减方法研究

场景法是适应风电高占比电力系统优化调度的重要方法。作为场景分析方法的研究热点,场景缩减的意义在于用少量代表性场景描述大量复杂性场景特征,达到降低计算复杂度的目的。针对风电出力提出一种基于改进的K-means聚类和同步回代消除算法(simultaneous backward reduction,SBR)相结合的场景缩减方法。首先基于改进的K-means聚类算法对原始场景进行快速分类,其次针对每一类簇中的场景集合采用基于Kantorovich距离的SBR算法进行缩减。该方法可以在保证计算精度的同时,提高规模较大场景集合缩减的计算效率。最后采用我国西北某省网风功率实际数据开展实证分析,通过布莱尔分数(Brier score,BS)指标和风功率波动的高斯混合模型验证了所提场景缩减方法的有效性和优越性。

基于改进K-means聚类算法的室内WLAN定位研究

位置指纹法定位中所建立的位置指纹库能否正确反映指纹信号与位置之间的映射关系将影响最终定位效果。本文将一种改进的K-means聚类算法运用于WLAN室内指纹数据库的建立,较之传统K-means聚类算法所建立的指纹数据库,采用了改进K-means聚类算法所建立起来的指纹数据库优化了初始聚类中心选择方法及准则函数,避免了被聚类的指纹数据陷入局部解现象。实验结果表明:本文所提算法建立的指纹数据库可提高WLAN室内定位精度,缩短定位时间。

改进k-means聚类算法多模型建模的一种新的评价函数

The modeling and control of pH neutralization processes is a difficult problem in the field of process control.A multi-modeling method using an improved k-means clustering based on a new validity function is proposed in this paper.There are some common problems, including the number of clusters assumed as a priori knowledge and initial cluster centers selected randomly for classical k-means clustering.The proposed algorithm is used to compute initial cluster centers and a new validity function is added to determine the appropriate number of clusters, then partial least squares (PLS) is used to construct the regression equation for each local cluster.Simulation results showed that multiple models using the proposed algorithm gave good performance, and the feasibility and validity of the proposed algorithm was verified.

基于改进K-means聚类的在线新闻评论主题抽取

新闻评论反映民众对新闻事件的观点,抽取评论主题,对用户、企业、政府都具有很高的情报分析价值。基于K-means聚类的主题挖掘算法应用到新闻评论中时,在欧氏距离下,如果使用最大距离法选初始点则会聚成一大类。为解决这个问题,论文首先在预处理阶段增加同义词替换和自动构建领域词典的部分,改善了数据稀疏性和高维性。其次,提出了K-means改进算法,用隐藏长评论-最大距离法选初始点,解决了初始点多为离群点的问题,用方差拐点确定K值,解决了预先设定聚类个数的问题,实验发现了先用BW权重选初始点,再用新提出的BW-DF权重聚类的效果最好。最后,将改进算法与原算法的聚类效果比较,实验结果表明,改进算法准确率高,抽取新闻评论主题的效果明显。

改进K-Means聚类算法及其在视觉词典构造中的应用

K-Means聚类是视觉词典构造的常用方法,其聚类结果直接影响后续的特征量化效果和检索精度,而现有的K-Means聚类算法难以获得高质量的视觉词典。针对这种情况,提出局部化K-Means聚类算法。算法首先根据启发式原则将特征集划分成若干个独立的子集,并对各子集进行传统K-Means聚类,然后以各子集的聚类中心为对象进行加权K-Means聚类。上述过程不断迭代直至形成特定规模的视觉词典。实验结果表明,与现有算法相比,该算法提高了聚类质量。在SIFT特征集和标准数据集上进行的多组对比实验证明了该算法的有效性。