新型无监督聚类算法监测与评估桥梁结构健康状况

近年来,因车辆超载、结构设计缺陷、施工质量问题等原因导致的城市高架桥梁倒塌事故时有发生。因此,首次提出了一种可实时监测高架桥梁运行状况、通过改进K-means聚类算法实现对结构损伤实时检测、对数据驱动结构损伤进行检测的高效方法。该方法主要是对钢结构桥梁模型在结构完好状态下的振动数据进行采集,然后通过深度研究从这些数据中提取有效的结构损伤敏感特征值,最后利用改进的无监督聚类算法训练奇异值检测模型。试验结果表明,采用桥梁结构完好状况下的损伤敏感特征值作为训练数据,对数学模型加以训练后,可以有效检测并识别出桥梁结构在不同损伤状况下的测试结果。该新型检测方法可实现城市高架桥梁在长期运营阶段的结构健康实时监测。

基于无监督聚类的车辆换道过程提取及换道模式研究

为了分析车辆驾驶人换道行为的多样性,提出一种基于无监督聚类划分换道模式的换道特性分析方法:首先利用无监督聚类技术实现换道过程的准确定位与提取,获得每个换道行为的完整换道过程;其次,采用换道持续时间表征驾驶人换道行为的多样性,并利用无监督聚类技术对换道持续时间聚类以实现换道模式的划分;最后,采用统计分析以及多项式拟合法对不同换道模式下的换道特性进行分析。结果表明:换道行为作为一种横向运动,与纵向运动相比,其运动特征的多样性更显著;车辆换道过程可被划分为3种换道模式,且大部分车辆的换道过程属于普通型换道模式;不同换道模式下的横向偏移量、横向车速和纵向车速等换道特征的变化趋势存在显著差异,印证了换道过程的随机性。

基于深度残差自编码器的无监督聚类算法

随着社会数字化程度的加深,数据的类型和维度不断增长,数据逐渐呈现出高维特性。在高维数据下,传统无监督聚类算法聚类效率低下,维度灾难导致其性能不佳。随着深度学习的发展,自编码器技术在降维任务上取得了长足的进步。提出了基于深度残差自编码器的无监督聚类方法——ResDAE-KMeans++。上述方法在无监督训练的深度残差自编码器基础上,应用KMeans++在低维特征空间中自主聚类。相较其他无监督聚类算法,应用非线性的残差自编码器编码后的特征空间使得聚类速度显著提升的同时,准确率也得到了进一步提高。在Iris、Wine、MNIST数据集上与其它主流无监督算法进行对比,实验结果表明,ResDAE-KMeans++算法在对比其它聚类算法存在有明显优势。

基于钻头井底机械比能无监督聚类的水平井分段压裂段簇优化

水平井多簇射孔分段压裂是非常规油气储层体积压裂改造主体技术之一,然而我国非常规储层普遍非均质性强,水平井段不同位置裂缝起裂压力差异较大,多簇射孔难以保证簇间裂缝的均衡起裂扩展,因此,亟须精细评价水平井段岩石强度的差异性,优选岩石强度相近井段布缝,以达到均衡改造的目的。为此,基于钻录井数据,建立了水平井段钻头井底机械比能无监督聚类模型,考虑了钻柱摩阻、复合钻进和射流辅助破岩等因素对井底机械比能的影响,获得了分米级空间分辨率的井底机械比能分布和聚类类别;最后综合考虑缝间应力干扰、套管接箍位置、桥塞位置和井底机械比能聚类结果,形成了以均衡改造为目标的水平井体积压裂布缝优化方法。研究结果表明:(1)相较脆性指数、泊松比、应力差等因素,射孔孔眼冲蚀面积与井底机械比能相关性较高,井底钻头机械比能可有效表征水平井段射孔簇进砂量的差异性,能够作为优选布缝位置的重要指标之一;(2)钻录井数据清洗与平滑、手肘法优选聚类数是获取井底机械比能聚类结果的关键步骤,可实现分米级分辨率区分井底机械比能的差异性;(3)优选了段内井底机械比能均值10%范围内布置射孔簇,所编制的计算机算法能自动优选压裂段簇位置,实现了段间距和簇间距的差异化设计。结论认为,该项研究成果可进一步提高非常规油气储层体积压裂布缝效率和压裂改造均衡性,该技术有望为非常规油气储层水平井体积压裂布缝优化提供思路和新方法。

基于无监督聚类与LSTM网络的航天器健康状态预测方法

健康状态预测是从系统层面保证航天器在轨安全稳定运行的关键技术.针对机电类关键部件存在性能退化过程的特点,提出一种基于无监督聚类与长短时记忆(LSTM)网络的航天器健康状态预测方法.该方法首先提取航天器单部件多维参数的高维时域特征,通过PCA方法将高维特征融合为反映部件运行状态的健康因子,再结合无监督聚类算法识别出故障的不同演化阶段,最后采用LSTM网络分别对各退化阶段构建其健康状态演化预测模型,实现对航天器部件健康状态预测.本文以控制系统关键部件控制力矩陀螺(CMG)为例对上述算法进行试验验证,验证了方法的有效性.

基于DeepCluster的朝鲜语古籍文字图像的无监督聚类方法研究

为了提高朝鲜语古籍文字图像的标注效率,提出了一种基于DeepCluster的朝鲜语古籍文字图像的无监督聚类方法.首先,基于DeepCluster对AlexNet卷积网络进行简化;然后,采用Sobel滤波器的线性变换消除图像域中的颜色和增加局部图像的对比度;最后,利用数据增强方法强化模型对朝鲜语古籍样本特征的学习能力.在无标注的朝鲜语古籍文字图像数据集上进行实验显示,该方法的准确率和NMI指标比DCN方法分别提高了15.32个百分点和0.180.由此表明,该方法可有效提高文字图像的标注效率,可应用于朝鲜语古籍文字标注数据集的构建中.

基于支持向量机与无监督聚类相结合的中文网页分类器

提出了一种将支持向量机与无监督聚类相结合的新分类算法 ,给出了一种新的网页表示方法并应用于网页分类问题 .该算法首先利用无监督聚类分别对训练集中正例和反例聚类 ,然后挑选一些例子训练 SVM并获得 SVM分类器 .任何网页可以通过比较其与聚类中心的距离决定采用无监督聚类方法或 SVM分类器进行分类 .该算法充分利用了 SVM准确率高与无监督聚类速度快的优点 .实验表明它不仅具有较高的训练效率 ,而且有很高的精确度 .

基于无监督聚类的入侵检测方法

研究了基于无监督聚类的入侵检测算法 .算法的基本思想是首先通过比较无类标训练集样本间的距离来生成聚类 ,并根据正常类比例N来确定异常数据类别 ,然后再用于真实数据的检测 .该方法的优点在于不需要用人工的或其他的方法来对训练集进行分类 .实验采用了KDD99的测试数据 ,结果表明 ,该方法能够比较有效的检测真实网络数据中的未知入侵行为 .

基于扩展熵的无监督聚类的中医辨证

聚类是目前数据挖掘中非常重要的研究内容,目前已经形成了很多有效的聚类方法,常用的有K-均值法、k中心点法、自组织神经网络、Bayes神经网络等[1、2]。但他们大多是有监督聚类,Bayes神经网络聚类是将隐含单元看作聚类数,但该方法需要一定的先验经验确定其先验概率分布,并且当变量很多的情况下很难得到最优的聚类结果。无监督聚类是从样本的特征向量出发,研究通过某种算法将特征比较相似的样本聚集在一起,从而达到区分具有不同特征样本的目的。由于无监督聚类没有专家知识的监督,分类的准确性有限[3],因此很多学者长期以来不断探索新的聚类方法以解决不同的实际问题,挖掘数据中人们期望的相关规律。信息瓶颈理论是由Tishby等人在1999年根据Shannon熵信息失真率理论提出的数据压缩方法[4],该方法是从变量合并前后信息损失量一个全新的角度来分析变量的聚类问题,是一种适合于复杂聚类问题的新方法,由于该方法是基于Shannon熵的,因此必须通过统计分析得到变量的概率分布情况,当特征变量只是一个数值而无法统计出其概率时,该方法无法使用,针对这种情况,提出基于扩展熵的无监督聚类方法。扩展熵是基于数值比值的一种熵的定义形式[5],适合于分析一组正数集合的不确定性问题,如药物配比、数值分组等问题。下面以冠心病心绞痛的证候聚类为例,对扩展熵的无监督聚类进行分析。

一种改进的无监督聚类的关键帧提取算法

针对关键帧提取方法中一般聚类算法的阈值只能预先指定的缺陷,提出一种基于无监督聚类的自适应阈值改进算法。对视频帧进行区域分割并提取纹理特征,然后根据视频内容的复杂度自适应获取阈值,通过无监督聚类得到视频关键帧。大量不同视频类型的关键帧提取实验表明:该算法简单,无需预定义任何阈值便能有效地提取合适数目的关键帧。

基于无监督聚类算法的入侵检测

针对应用聚类方法检测入侵中参数人为指定的问题,提出了一种新的基于无监督的聚类算法。该方法不需要人为设置参数并且不受数据输入顺序的影响,聚类的形状是任意的,能够较真实地反映数据分布的具体性状。算法通过比较无类标训练集样本间的距离,根据距离最近的样本首先聚合成类的特性,在每一步聚类结束时,再次比较类间距离以及计算类内数据占总数据的比率来确定异常数据类。实验证明该算法处理未知入侵检测问题的检测率为89.5%,误报率为0.4%。

基于无监督聚类支持向量机的入侵检测方法研究

提出了一种将无监督聚类和支持向量机相结合的新的入侵检测方法。算法具有无监督聚类速度快和支持向量机精度高的优点,其基本思想是通过将网络数据包和聚类中心的比较确定是否需要进一步的采用支持向量机进行分类,从而减少了通过支持向量机的数据量,达到速度与精度的统一。实验采用KDD99的测试数据,结果表明,该方法能够有效的检测网络数据中的已知和未知入侵行为。

基于人工蜂群和最近邻原则的无监督聚类方法

针对聚类划分问题,提出一种基于改进人工蜂群和最近邻原则的无监督聚类方法。该方法将每个蜜源作为聚类问题的一个可行解,设计了蜜蜂的多维编码结构。为了有效执行聚类,依据采蜜蜂和跟随蜂局部搜索阶段选择的较优聚类中心,利用k均值算法中的最近邻原则划分聚类空间的所有模式。为了使蜜蜂有较强的局部和全局搜索能力,根据聚类问题特点,提出了新的局部和全局搜索方法。仿真实验结果表明了新方法的可行性和高效性。

利用无监督聚类实现深度图像的遮挡边界检测

提出一种利用无监督聚类思想检测深度图像中遮挡边界的方法.首先根据遮挡边界点与其邻域点的空间及深度信息提出了加权最长线段特征并定义了其计算方法.其次,结合遮挡边界点与其邻域点的特征值分布情况提出了一种非线性归一化方法归一化遮挡相关特征.然后,以像素点为单位将各遮挡相关特征组成联合特征向量输入到无监督聚类分类器中,判断待测像素点是否为遮挡边界点.最后,将遮挡边界点可视化得到深度图像的遮挡边界.实验结果表明,无需标记样本的所提方法对深度图像中目标物体的遮挡检测效果同已有的基于监督学习方法的检测效果相当.

基于无监督聚类方法的城市消费场景识别研究:以长沙为例

新芝加哥学派的场景理论近年在规划学界和业界产生了较大影响。“场景营城”成为城市更新和活力再造的新思路,为实现城市高质量发展,提供了切合居民日常生活和需求习惯的消费空间设计方法。文章以长沙为案例,探索并实验一种基于无监督聚类方法的城市消费场景识别技术。研究利用窗口滑动方法构建场景识别单元,然后用无监督聚类方法对消费场景进行分类,最后,基于结果探究各类场景的分布规律和机制。研究发现,长沙的消费场景总体可以分为7类,不同场景类别存在一定空间分布规律,并且互相之间存在影响。本研究将机器学习无监督聚类方法应用于场景识别的实证分析,探索了一套智能化方法,帮助规划师、管理者等有针对性地精细化识别、布局相关舒适物设施,为场景营城相关实践提供技术工具。

自适应无监督聚类算法的运动图像关键帧跟踪

针对运动图像关键帧跟踪错误大,速度慢等缺陷,为了获得更高精度的运动图像关键帧跟踪结果,设计了自适应无监督聚类算法的运动图像关键帧跟踪方法。首先对运动图像关键帧跟踪流程进行分析,找到影响运动图像关键帧跟踪效果的因素,然后采集运动图像序列,对其进行分帧处理,提取运动图像关键帧特征,采用聚类算法对特征运动图像关键帧进行处理,最后引入自适应无监督聚类算法进行运动图像关键帧跟踪,并进行运动图像关键帧跟踪仿真实验,实验结果表明,文中方法获得了理想的运动图像关键帧跟踪效果,不但运动图像关键帧跟踪误差要小于其它方法,而且运动图像关键帧跟踪速度更快,具有十分显著的优越性。

一种融合无监督聚类的层次向量机多类分类方法

层次支持向量机(SVM)是多类分类方法应用中的研究热点。针对SVM的分类面仅由支持向量决定的理论,提出一种基于无监督聚类方法来预抽取支持向量,训练向量机;并分析现有多类分类方法所存在的弊端,基于综合考虑节点的类集合可分性,设计一种基于树分类器整体性能最优的SVM二叉树层次分类方法。实验表明,该方法对比传统一类对余类法和成对分类法在整体分类精度和训练时间上都有明显提高。

基于无监督聚类和频繁子图挖掘的电力通信网缺陷诊断与自动派单

缺陷诊断一直是电力通信领域研究的难点之一。基于人工规则的缺陷诊断已经无法应对告警数据的海量增长。基于有监督学习的智能方法需要大量的标注数据和较长的系统构建时间,且大多面向指标性数据,实现部署缺乏可行性。面向告警数据,提出一种基于无监督聚类和频繁子图挖掘实现告警归并和缺陷模式发现的自学习算法,设计了一个自动化完成缺陷诊断及处置的架构。该架构具有良好的可扩展性和迭代更新能力,并部署于实际缺陷自动派单系统中。通过真实场景数据集进行实验验证,结果显示出良好的性能表现,实现了对缺陷的及时发现及精准派单维护。

基于无监督聚类算法的校园网络安全态势预测方法

针对传统校园网络安全态势预测误差大的情况,设计了一种基于无监督聚类算法的校园网络安全态势预测方法。应用无监督聚类算法,确定校园网络中的隐藏节点,根据无监督聚类结果,提取安全态势要素,将要素规范处理后得到安全态势要素集。在此基础上,使用安全态势要素集从时间上预测未来时间内的安全态势要素,判断未来时间的网络安全态势情况,由于时间预测具有一定的不确定性,引入空间数据发掘理论,得到空间特性引发的安全态势要素之间的影响关系,并采用空间数据中的指标定量计算网络节点的距离关系,得到网络安全态势预测值,以此完成校园网络安全态势的预测。实验对比结果表明,此次设计的基于无监督聚类算法的校园网络安全态势预测方法比传统方法预测误差小,能够真实反应校园网络的安全态势情况。

基于决策图的三维模型无监督聚类算法

针对三维模型的无监督聚类问题,目前广泛采用基于词袋的方法具有两大缺陷,既无法准确知道聚类的数目,也不能适用于结构复杂(比如呈流形结构)的形状空间.为此,本文采用两大方法加以改进,其一利用有流形聚类功能的决策图方法取代K-means,其二使用核函数更加有效地衡量三维形状之间的差异.在SHREC2010库和SHREC2011库上的大量实验结果表明,两种技巧的有机结合使聚类的精确度和效率得到了显著的提升.