基于高斯混合模型聚类的双馈风电场动态等值建模方法

针对风电场动态运行条件下等值建模精度偏低、聚类依据不足的难题,提出一种基于高斯混合模型聚类思想的风电场等值建模方法。首先,分析单台双馈感应式风力发电机在低电压穿越期间的动态响应特性,根据响应特性的集群特征构建聚类指标。然后,提出基于高斯混合模型动态初步聚类、优化聚类数目的两阶段等值建模方法,推导出赤池信息和贝叶斯信息准则下聚类数目的寻优算法。以典型中等规模风电场为例,在Matlab/Simulink平台进行不同故障穿越条件的仿真测试,结果表明所提风电场等值建模方法聚类有效、精度高。

基于模型聚类的说话人识别研究

随着说话人识别技术的广泛应用,说话人规模不断增长,若采用传统的说话人辨别方式逐一比较,则计算量较大,难以实时响应,使说话人识别系统的性能与实用性大大降低。传统的K-L散度距离由于非对称性,并不是一种很好的聚类距离度量,聚类效果不佳。论文提出了一种基于Wasserstein distance聚类方法,相比于传统说话人识别方法,该方法的识别准确率提升了近4.7%,并且识别耗时仅为传统识别方法的25.5%,大大提升了说话人识别系统的性能与实用性。

模型聚类及在集成学习中的应用研究

聚类技术是一种重要的数据分析工具,在数据挖掘、模式识别等领域具有广泛的应用前景.通常,聚类算法的聚类对象为传统的数据集合,它们可以表示为欧式空间中的点.然而,在一些任务中,聚类的对象并不是显式的数据点,而是一些抽象的数据模型,例如神经网络、决策树、支持向量机等模型.通过定义广义的距离(实际任务中的距离定义可能各不相同),研究了数据对象为一般模型的聚类方法,提出了基于模型对象的一般聚类算法框架;作为模型聚类的一个应用,研究了应用神经网络模型的聚类提高集成学习差异性的方法,实验研究了聚类的簇数、集成学习的规模以及集成学习性能间的关系.

遗传距离聚类法和模型聚类法在地方鸡种群体遗传结构分析中的比较

利用16个微卫星标记,计算品种间DA遗传距离和基因流(Nm),并基于DA遗传距离运用NJ算法和基于Structure程序构建2类聚类图,比较分析10个地方鸡品种群体间的遗传结构和亲缘关系。结果表明:基于DA遗传距离运用NJ算法构建的聚类图将10个地方鸡品种总体上分为2大类:轻体型的鸡种(包括茶花鸡、藏鸡、仙居鸡、固始鸡和白耳鸡)和重体型的鸡种(包括狼山鸡、大骨鸡、北京油鸡、鹿苑鸡和萧山鸡);在轻体型的类别中,茶花鸡和藏鸡、仙居鸡和固始鸡聚为一类;在重体型的类别中,鹿苑鸡和萧山鸡聚为一类,狼山鸡、大骨鸡和北京油鸡则表现为独立分支,聚类结果与品种间基因流动相一致。Structure程序在预先未标识个体品种来源的条件下,准确推断出10个地方鸡种群体所属类别,构建的聚类图与遗传距离聚类结果基本一致。Structure程序还根据个体基因组分数,指出了10个地方鸡种群体中迁移个体和具有复杂遗传基础个体的分布,这是遗传距离聚类法所不能揭示的。

基于模型聚类算法的领域问题本体构建

基于领域目标模型语义相似性计算,对领域资产库中的领域目标模型进行相似性聚类,然后根据领域中角色、目标、过程以及服务这四类模型之间的关联关系实现角色模型、过程模型以及服务模型的聚类.从而将一些在业务上存在因果联系、或者在功能上相互依赖、相互制约的模型组织在一起,形成一个领域问题.最后抽取每个聚类中的模型的基本信息生成领域问题本体,从而为利用领域问题本体实现对领域模型进行有效组织和管理奠定了基础,为云计算环境下面向服务的应用系统的构建提供了更便利的支撑.

基于模型聚类匹配和形态特征识别的保护压板状态辨识技术

继电保护压板的管理与运行维护是实现电力系统安全稳定运行的必要保障,保护压板的状态监测是二次运维的重要组成部分。目前尚缺乏智能化的非接触式方案监测保护压板的状态信息,且现有方案无法实现运维工作智能化与网络化的需求。提出了一种基于模型聚类匹配和形态特征辨别的压板状态辨识技术,该技术使用移动式巡检设备对保护硬压板的投退状态进行图像采集与状态辨识。辨识方法基于颜色模型匹配与形态特征的提取,辨识结果作为保护管理系统的输入信息。该技术已经集成于同期开发的智能化二次运维系统,系统及附属高级应用模块已经在天津地区某变电站中开展测试工作,测试结果表明该技术具有良好的准确性与可靠性。

基于K-L散度的恶意代码模型聚类检测方法

在云计算应用环境下,由于服务系统越来越复杂,网络安全漏洞和被攻击情况急剧增加,传统的恶意代码检测技术和防护模式已无法适应云存储环境的需求。为此,通过引入高斯混合模型,建立恶意代码的分层检测机制,使用信息增益和文档频率等方法分析和提取样本数据特征值,结合K-L散度特性,提出基于K-L散度的恶意代码模型聚类检测方法。采用KDDCUP99数据集,使用Weka开源软件完成数据预处理和聚类分析。实验结果表明,在结合信息增益和文档频率进行特征分析的前提下,与贝叶斯算法相比,该方法在虚拟环境中恶意代码的平均检测时间降低16.6%,恶意代码的平均检测率提高1.05%。

基于先验知识的三音子模型聚类结构自适应策略

该文提出了一种基于先验知识的三音子模型聚类结构自适应策略,可以在规模很小的自适应语音库条件下改善三音子声学模型的聚类结构使之更适合应用对象的协同发音特点。以基本声学模型训练过程中的三音子模型聚类结果作为先验知识的聚类中心,依据基本声学模型对自适应语音库的分割,按照最大似然准则迭代地重估新的聚类中心和模型聚类结构。实验表明:基于先验知识的三音子模型聚类结构自适应策略可以在不足两小时的自适应语音库上实现三音子模型聚类结构重估,在针对汉语母语说话人的英语声学模型实验中,该文的模型聚类结构自适应策略可以将系统识别率从74.59%提高到83.63%。

基于高斯混合模型聚类的风电场短期功率预测方法

对任意来流条件下的风电场发电功率进行准确预测,是提高电网对风电接纳能力的有效措施。针对大型风电场的功率预测采用单点位风速外推预测代表性差的局限,提出基于高斯混合模型(GMM)聚类的风电场短期功率预测方法。方法结合数据分布特征,利用GMM聚类将大型风电场划分为若干机组群,借助贝叶斯信息准则指标评价,获得风电场内最优机组分组方案。实际算例验证表明,按照小时级、月度级、年度级等时间尺度进行统计,所建立的GMM聚类模型均极大地提高了未分组的风电功率预测模型的准确性。相较于应用广泛的k-means聚类、层次凝聚聚类等方法,GMM聚类方法在分组功率预测中表现出了显著优势,为大型风电场短期功率预测模型的优化及运行经济性的提升提供了技术支持与依据。

基于说话人模型聚类的说话人识别

为了提高说话人识别系统的识别效率,提出一种基于说话人模型聚类的说话人识别方法,通过近似KL距离将相似的说话人模型聚类,为每类确定类中心和类代表,构成分级说话人识别模型。测试时先通过计算测试矢量与类中心或类代表之间的距离选择类,再通过计算测试矢量与选中类中的说话人模型之间对数似然度确定目标说话人,这样可以大大减少计算量。实验结果显示,在相同条件下,基于说话人模型聚类的说话人识别的识别速度要比传统的GMM的识别速度快4倍,但是识别正确率只降低了0.95%。因此,与传统GMM相比,基于说话人模型聚类的说话人识别能在保证识别正确率的同时大大提高识别速度。

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集;然后,利用K-means算法确定了振动信号特征集的可分类别数;最后,基于振动信号特征集及其可分类别数,利用高斯混合模型聚类构造了齿轮箱运行状态的多维高斯分布函数,建立了齿轮箱在各运行状态下的从属概率模型,并根据从属概率大小,实现了齿轮箱故障的快速识别。实验和研究结果表明:针对实验环境下齿轮箱轴承和齿轮典型故障识别,基于K-means和高斯混合模型聚类的齿轮箱故障识别方法平均识别准确率为94.3%,高于基于模糊c均值聚类方法的故障识别平均准确率(84.5%)。

基于高斯混合模型聚类和多维尺度分析的负荷分类方法

针对传统聚类方法存在聚类"硬分配"的局限性,及其面对海量数据集难以同时满足聚类效率与聚类精度要求的问题,文章提出一种基于高斯混合模型聚类和多维尺度分析的负荷分类方法,对负荷数据进行多维尺度分析降维后,输入高斯混合模型聚类算法中,实现大规模负荷数据集的分类。基于Rstudio工具对上海市办公、商场、宾馆和综合型楼宇各一栋的负荷(2015—2017年每小时用电负荷)进行分类,并将该方法与K-Means、模糊聚类、层次聚类和高斯混合模型聚类等方法比较。此外以降维速率、降维质量、降维损失和聚类质量为评价指标,将多维尺度分析与高斯混合模型聚类的结合与t分布随机邻域嵌入、主成分分析与高斯混合模型聚类的结合进行比较。结果表明,该研究提出的分类方法不仅有效精细地实现了楼宇负荷分类,且能够有效节约计算成本,提高运算效率。

基于近似密度初始化的医学图像混合模型聚类

基于EM(ExpectationMaximization)的混合模型聚类的效果与参数的初始值存在密切的关系.提出了一种基于近似密度的EM参数初始化方法,该方法用近似密度估计聚类样本点,再根据每个聚类统计EM的混合比、均值、协方差参数的初始值.并应用于人体腹部医学图像数据的高斯混合模型聚类分析,实验结果表明该方法比Kmeans随机初始化方法有更好的聚类效果.

基于K-means和布谷鸟算法的流程模型聚类

流程模型聚类是流程管理领域的一个热门话题。本文提出一种基于布谷鸟算法的K-means算法,该算法弥补了K-means算法的依赖初始解、易陷入局部最优等缺点。本文从流程模型结构性能、成本、效率、顾客满意度以及质量等五个方面模拟数据集,并选择权重较高的属性进行试验操作,结果表明算法的具有较高的可行性和有效性。

基于外形特征的三维模型聚类方法研究

针对实际应用中三维模型数据集的模型分类管理、检索聚类预处理等聚类问题,提出了一种基于划分方法的无监督聚类模型。该模型通过以傅里叶矩不变算法为基础的特征提取算法,综合运用了现有聚类算法,将特征提取和聚类计算有效结合起来,充分考虑了聚类模型数据格式的敏感性问题。计算结果表明,该方法对有一定类结构的数据集在有整体聚类效果的情况下有一定的局部最优性。

一种基于GBDT算法的语音模型聚类方法

在基于HMM的Trainable TTS的语音生成后端,文章引入决策树聚类算法(Gradient boost decision tree,GBDT),分别应用在频谱、基频、时长三个维度的语音参数上。通过实验发现,该方法应用在基频模型和音素时长模型的聚类上,系统的主观听感的改善并不明显,而应用在LSF频谱模型聚类上,系统的主观倾向性得分提高了15.6%,这说明从主观感受来说,系统效果提升比较明显。

基于类云模型聚类的多目标数据关联算法

针对多目标跟踪中的数据关联问题,提出一种基于类云模型c-均值聚类的数据关联算法.该算法采用类云模型c-均值聚类算法对目标有效回波进行聚类,将聚类中心作为目标最终观测值,运用最近邻法对聚类中心与航迹进行关联,用Kalman滤波器进行状态估计.实验结果表明,本算法与联合概率数据互联算法相比,跟踪精度高,计算量小,更适应于工程应用.

基于模型聚类的软件可靠性混合模型研究

软件可靠性验证阶段的可靠性增长模型的建立与选择是软件可靠性工程人员长期关注的焦点.软件可靠性模型混合是解决模型适应性差、精度低的可行性方法.利用模型聚类的COBWEB算法处理失效数据,对基本分模型进行动态权重混合,以提高软件可靠性评估与预测的精度和稳健性.并利用软件工具对该方法进行模型评价.

基于模型的非凸聚类算法

由于数据可能分布在非规则的流形上,其中潜在的簇往往呈现非凸的形状和结构,针对这类数据的聚类问题被统称为非凸聚类。现有的主流非凸聚类方法包括基于原始空间的方法和基于空间变换的方法,均忽略了非凸数据模式的显式描述。提出一种描述性模型用于非凸聚类。首先,基于核密度方法定义了一种具有混合形式的特征加权核密度模型,其无需事先假定任何概率分布模型且不限制簇的形状,这是传统基于模型的聚类方法无法实现的。其次,基于提出的模型推导了聚类目标函数,并基于期望最大化算法提出一种求解密度函数局部区域密度极大值的优化算法,那些上升到密度函数相同密度极大值的样本点被划分为同一个簇。最后,定义了一种基于模型的非凸聚类算法。算法不需人为定义簇的数量,并且能够为每个簇分配一个显式的概率密度函数,有助于更稳健和更准确地表征集群。除此之外,算法不仅在优化过程中进行自适应带宽选择,而且在优化过程中赋予了样本空间特征权重,实现了嵌入式特征选择。

基于改进灰色聚类模型的本溪地区地下水脆弱性评估分析

文中结合地下水脆弱性评估指标,采用改进的灰色聚类模型对本溪地区地下水脆弱性进行评估。评估结果表明,改进后的模型对于区域地下水脆弱性评估更为合理。经评估,本溪地区从东向西,其地下水脆弱性评估指数逐步加大。研究成果对于区域地下水双控措施的科学规划具有重要参考价值。