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.

基于可拓距的改进k-means聚类算法

针对现有聚类算法在初始聚类中心优化过程中存在首个初始聚类中心点落于边界非密集区域的不足,导致出现算法聚类效果不均衡问题,提出一种基于可拓距优选初始聚类中心的改进k-means算法。将样本经典距离向可拓区间映射,并通过可拓侧距计算方法得到可拓左侧距及可拓右侧距;引入平均可拓侧距概念,将平均可拓左侧距和平均可拓右侧距分别作为样本密集度和聚类中心疏远度的量化指标;在此基础上,给出初始聚类中心选取准则。通过与传统k-means聚类算法进行对比,结果表明改进后的k-means聚类算法选取的初始聚类中心分布更加均匀,聚类效果更好,尤其在对高维数据聚类时具有更高的聚类准确率和更好的均衡性。

改进K-Means聚类算法在停车用户价值分群中的应用

随着信息化、互联网时代发展层次的不断深入,现在很多企业将用户关系管理作为营销的焦点,用户价值分群是量化用户关系管理系统的关键指标。论文以停车业务用户停车数据为切入点,在传统客户关系管理分析RFM模型的基础上,结合停车业务要求,重构分析参数,构建FLCPA参数模型,并在传统K-Means聚类算法的基础上,提出一种新的确定K-Means算法最优聚类数的方法,有效识别不同价值的用户,最终实现用户价值分群,帮助企业制定针对化和个性化营销策略。

基于改进K-means聚类算法的大学生就业内驱因素路径分析

大学生的个体因素直接影响着大学生的就业状况,分析个体内驱因素可以预测大学生求职的能力.该文利用改进的K-means算法对大学生就业内驱因素进行聚类分析,建立求职内驱因素路径数据模型,优化内驱因素路径,为就业指导教育和大学生求职能力提升提供参考.

改进K-means聚类算法对学生成绩的分析与评价

提出一种改进K-means聚类算法——cnnK-means算法,优化学生成绩分析.分析结果表明,语文和数学成绩联系最大,数学和英语成绩联系最小,英语成绩对学生成绩的分类影响最直接和也最明显.如果想要提高学生的整体成绩,教育者需要在英语方面做出更大的努力.

基于多维网格空间的改进K-means聚类算法

K-means算法是被广泛使用的一种聚类算法,传统的K-means算法中初始聚类中心的选择具有随机性,易使算法陷入局部最优,聚类结果不稳定。针对此问题,引入多维网格空间的思想,首先将样本集映射到一个虚拟的多维网格空间结构中,然后从中搜索出包含样本数最多且距离较远的子网格作为初始聚类中心网格,最后计算出各初始聚类中心网格中所包含样本的均值点来作为初始聚类中心。此法选择出来的初始聚类中心与实际聚类中心拟合度高,进而可据此初始聚类中心稳定高效地得到最终的聚类结果。通过使用计算机模拟数据集和UCI机器学习数据集进行测试,结果表明改进算法的迭代次数和错误率比较稳定,且均小于传统K-means算法测试结果的平均值,能有效避免陷入局部最优,并且聚类结果稳定。

基于狮群优化的改进K-Means聚类算法研究

针对K-Means聚类算法对初始聚类中心选择依赖性强的问题,利用狮群优化算法的快速收敛性及易于获取全局最优解的优势,提出了一种基于狮群优化的改进K-Means聚类算法。通过狮群优化算法对狮王不断迭代更新,优化狮王位置,将算法停止执行时的狮王最优解作为聚类中心,替代传统算法经过随机初始化得到具有不确定因素的聚类中心。选择UCI数据集进行验证,实验结果表明,改进算法的聚类效果较好,有效降低了K-Means对初始聚类中心的依赖。将改进的K-Means聚类算法应用于点云精简过程,获得了较好的点云精简效果。

大数据下基于改进K-means聚类算法的税收风险识别

目前的税收风险管控模型通常是基于税务人员的先验知识构建的,在海量数据环境下模型的实用性、可扩展性和精确性都有较大的局限。为解决这一问题,提出改进的K-means聚类算法。该方法是无监督学习模型,可以在无先验知识的前提下构建指标,快速且精确地对实例进行聚类,将出现明显异常的小类识别为异常,判定其存在税收风险。基于该模型对房地产类企业股权转让中的税收风险进行分析和评估,发现税收风险等级高的企业及其风险疑点,验证了本方法的有效性。

基于改进K-means聚类算法的战区内军事物流基地数量规划

以战区军事物流基地数量规划问题为研究对象,考虑战区内军事物流基地同后方仓库的业务关系,利用改进K-means聚类算法,对战区内后方仓库进行空间聚类,并对聚类结果进行分析,以聚类结果中的聚类个数作为战区内军事物流基地数量规划的依据。研究表明,该方法比较科学合理,具有应用价值。

一种用于解调失真QAM信号的改进K-means聚类算法

在短距离无线通信中,无线节点或移动终端通常有低成本、小体积、低功耗的要求,因此无法使用复杂的预失真或补偿电路克服功放的非线性影响,这是无线节点或移动终端在上行链路中难以使用高阶QAM调制的重要原因之一。基于QAM矩形星座的特点,提出了一种K-means聚类的改进算法作为中央基站节点的高阶QAM解调算法。在发送信号受到较严重的功放非线性失真时,所提改进算法解调性能更优,算法复杂度更低。

基于自适应改进K-Means聚类算法的黑启动分区方法

针对目前黑启动分区方法中大多利用边介数法对系统进行划分并不能很好地满足系统恢复的时间性和安全性要求,在分析黑启动系统特点和分区要求的基础上,对K-Means算法进行了自适应改进,根据电网的拓扑和电气特性将系统简化为无向有权网络,利用改进后的K-Means算法对系统进行黑启动分区,并以IEEE 39节点和118节点系统为例对所提算法进行验证。结果表明,改进后的K-Means算法的分区结果更为合理,且降低了计算难度、减少了计算量。

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。

基于改进K-means聚类算法在电力客户价值分群的应用

针对电力客户特点实行不同的营销策略和提供差异化服务,就需要对电力客户做出准确的分群。传统K-means聚类算法对数据分布均匀的类似球形的数据集聚类效果比较好,一旦数据集分布密度不均衡,类簇大小差异明显时,传统K-means算法容易使稀疏的大类簇被高密度小类簇瓜分,导致电力客户分群正确率下降。论文基于电力客户数据分布不均衡的特点,采用了一种改进的K-means聚类算法。改进的K-means算法提出一个新的加权聚类准则,并根据该准则修改了聚类迭代过程。文章最后在对电力客户数据的分群聚类结果表明,改进的K-means聚类算法的分群聚类效果中各个群类的紧凑性得到有效提高,误分情况明显改善。