变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法

提出了一种变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法。首先,对实测振动信号进行处理,得到VMD的参数;然后,对信号进行VMD分解,得到一系列限带内禀模态函数(BIMF)分量,筛选并叠加组成重构信号;第三步,计算重构信号的样本熵和均方根值作为特征向量,从而得到训练样本和测试样本的特征向量集;第四步,通过KFCM聚类方法对训练样本特征向量集进行聚类分析,得到四种类型信号的聚类中心;最后根据测试样本特征向量与训练样本聚类中心欧式距离最小的原则识别故障类型。此外,将振动信号用经验模态分解(EMD)方法进行消噪,再用KFCM聚类进行分类识别,将两种方法的识别效果进行对比,结果表明所提方法的故障识别效果要优于EMD消噪和KFCM聚类相结合方法的识别效果。

基于高斯核模糊C均值聚类的光伏阵列故障诊断方法

光伏阵列故障诊断过程中传统的故障特征量难以区分特征相似的单故障和多重故障情况,而实际诊断中外场实验采集到的数据也含有较强的噪声,从而导致故障诊断准确率下降。针对这一问题,提出由一个新的特征向量对不同故障进行表征,该特征向量包含:归一化电压V_(norm)、归一化电流I_(norm)、填充因子FF共3个特征量,并利用这3个特征量采用高斯核模糊C均值聚类(GKFCM)方法对光伏阵列中8种故障进行故障识别的方法。这3种故障特征量的结合可有效减少外界气象条件对故障识别的影响;由于GKFCM对复杂数据集具有良好的聚类性能,在复杂环境下不同故障类的识别过程中可有效提高识别准确率。该算法分为训练和测试阶段,在训练阶段对训练集中故障数据利用3个特征量构成的特征向量进行表征并聚类获取类心,在故障识别阶段新故障数据利用同样的方法获得聚类类心并与训练阶段获得的各类故障类心进行相似度计算,从而实现故障分类和新故障的识别。该方法不仅可诊断单故障情况,也可识别多重故障情况,具有较强的抗干扰能力。最后通过仿真及实验证明该方法可有效诊断光伏阵列中的常见故障。

核模糊C均值聚类算法优选BDS-3三频组合观测值

目前对全球导航卫星系统(global navigation satellite system,GNSS)三频组合观测值优选的研究,主要集中在全球定位系统(global positioning system,GPS)和北斗二号(beidou navigation satellite system,BDS-2)上,对BDS-3的研究相对较少。为克服以往聚类优选算法中存在的仅适用于类球形簇、聚类数目和初始聚类中心的确定主观性强、对离群点敏感、易陷于局部最优等不足,提出一种改进的核模糊C均值聚类算法,引入核函数与抑制离群点的新距离度量,基于多类广义核极化准则优化核参数,用改进爬山法确定聚类数目与初始聚类中心。然后,以模糊C均值聚类算法为对照进行了对比实验,在短、长两种基线下分别解算组合模糊度。通过对优选所得代表性组合的模糊度固定成功率进行对比分析,验证了该算法的可行性与算法改进的有效性。

基于核主元约简与半监督核模糊聚类的车辆行驶工况判别

为有效利用汽车行驶工况中与类别属性间的统计特征,提高汽车行驶工况判别的准确性与快速性,首先选择车速和踏板信号的数据信息构建特征集,利用相关性分析和核主元分析对特征集中能敏感反映工况类别的特征数据信息进行二次特征提取,按累计贡献率大于90%的标准进行主要特征量的选择,实现输入变量的二次约简;利用小波核函数的非线性映射能力构建半监督核模糊C均值聚类方法进行车辆行驶工况的判别。通过长春某混合动力公交车试验结果表明,该方法更全面准确地反映了工况特性,有效降低了输入特征参数的维数,更加准确有效地提取了不同工况条件下汽车行驶状态的数据特征,通过半监督核模糊C均值聚类算法中加入少量的训练样本来引导聚类过程,聚类精度可达到98.75%。

基于核模糊C均值指纹库管理的WIFI室内定位方法

针对目前已有的基于指纹的WIFI室内定位指纹库的管理方法对野值和噪声的敏感性,提出一种基于核模糊C均值聚类的指纹库管理的室内定位方法.利用核函数将指纹库从低维空间映射到高维空间并结合模糊聚类方法在高维空间进行指纹库管理,并在管理后的指纹库上进行定位匹配.将指纹库映射到高维空间可以使指纹库中的数据线性可分,从而实现更好的聚类.核模糊C均值(KFCM-Ⅱ)的聚类鲁棒性能够降低聚类对噪声和野值的敏感性,从而保证系统的鲁棒性.在实测数据的实验中,将所提出的方法与基于K均值聚类和基于模糊C均值聚类的室内定位方法进行对比,实验结果表明,所提出的方法相较于K均值方法和模糊C均值方法聚类准确度分别提高了14.20%和10.58%,定位精度分别提高了26.98%和20.43%.

利用核模糊聚类和正则化的图像稀疏去噪

针对目前图像去噪方法噪音抑制不彻底、容易模糊细节等问题,提出了一种利用核模糊C均值聚类和正则化的图像稀疏去噪方法.该方法首先将图像分成大小相同的若干块,并采用核模糊C均值聚类算法对相似的图像块进行聚类,从而保证同一类图像块共享相同的稀疏去噪模型;然后,选择由经典图像库中图像训练而得的全局字典作为初始字典,很好地适应图像的多种特征;接着,对于同一类图像块,通过施加1/2范数正则化约束,实现该类图像块在字典下的稀疏分解,确保分解系数更为稀疏;最后,通过改进的K-奇异值分解算法完成字典的更新,并选择与原稀疏模型差异最大的图像块来替换更新字典的冗余原子,从而有效地去除图像噪音.实验结果表明,与小波扩散去噪法、固定字典去噪法、最优方向去噪法、K-奇异值分解去噪法相比,该方法能更有效地去除图像噪音,保留图像细节,改善图像视觉效果.

基于核模糊聚类的变分水平集医学图像分割

针对李春明提出的"无需重新初始化的变分水平集分割模型"存在对内部像素灰度值相近、边缘分离性差、图像分割效果不理想等问题,提出了一种改进的基于核模糊聚类的变分水平集医学图像分割方法.将原始图像进行核模糊C均值聚类处理得到聚类图像,并将其引入初始水平集函数中.然后将改进的边缘指示函数代入李模型中,实现最终的图像分割.通过对人体脑部、肩部MR医学图像进行试验,并采用最大香农熵进行客观评价.结果表明所提出方法的最大香农熵的值在一定程度上大于李模型方法,且运行时间和迭代次数都有所减少,证明了新方法具有良好的分割质量、适应性强,且无需重新初始化.

基于改进人工蜂群的核模糊聚类算法

针对核模糊C均值(KFCM)算法对初始聚类中心敏感、易陷入局部最优的问题,利用人工蜂群(ABC)算法的构架简单、全局收敛速度快的优势,提出了一种改进的人工蜂群算法(IABC)与KFCM迭代相结合的聚类算法。首先,以IABC求得最优解作为KFCM算法的初始聚类中心,IABC在迭代过程中将与当前维度最优解的差值的变化率作为权值,对雇佣蜂的搜索行为进行改进,平衡人工蜂群算法的全局搜索与局部开采能力;其次,以类内距离和类间距离为基础,构造出适应KFCM算法的适应度函数,利用KFCM算法优化聚类中心;最后,IABC和KFCM算法交替执行,实现最佳聚类效果。采用3组Benchmark测试函数6组UCI标准数据集进行仿真实验,实验结果表明,与基于改进人工蜂群的广义模糊聚类(IABC-KGFCM)相比,IABC-KFCM对数据集的聚类有效性指标提高1到4个百分点,具有鲁棒性强和聚类精度高的优势。

基于谱估计与核模糊聚类的往复压缩机轴承故障评估方法

针对往复机轴承性能衰退评估中模型适应性和指标量化困难等问题,提出一种基于奇异谱分布与核模糊C均值聚类算法(KFCM)的性能衰退评估方法。利用变分模态分解(VMD)算法提取并优选主模态多重分形奇异谱(MSS)构成谱形态参量,经奇异值分解降噪处理,建立KFCM与二叉树支持向量机相结合的评估模型,并给出完整的轴承性能衰退评估流程;进行压缩机轴承磨损故障模拟及算法对比分析。结果表明:该方法能有效评定滑动轴承磨损故障性能衰退程度。

改进的并行模糊核聚类算法在电力负荷预测的应用

用户用电典型模式的分类预测是电力负荷预测的重要组成部分。针对单核模糊C均值算法在电力大数据挖掘中不能兼顾预测精度和普适性能好的问题,提出了一种电力短期负荷场景中改进的无监督学习多核模糊C均值聚类算法,建立了双层神经网络的电力数据负荷预测模型对比该改进的算法对电力负荷预测效果的影响。用户数据由MapReduce并行化处理加速。数值实验结果表明:改进的算法在实际电力用户数据集中,具有广泛的适用性和有效性,同时能显著提高电力短期负荷预测的精度。

基于KFCM双重聚类的铁路客运产品类别划分

客运产品是铁路运输市场的主要供给,开行方案是客运产品设计的核心内容。将客运产品进行类别划分,是不同类型客运产品需求演变趋势分析的重要基础,有利于简化客运产品优化设计问题。本文以不同列车开行方案属性为样本特征变量,考虑列车能力利用对客运产品优化设计的影响,结合平均列车客座率提出了有效能力隶属度,构建了基于KFCM的双重聚类模型对样本进行聚类,利用Xie-beni和分离系数法确定最佳聚类数。最后对京沪高铁进行实例分析,研究结果表明,将该线客运产品分为4类可获得较好的聚类效果,不同类别的客运产品表现出明显的结构特性。

岩心颗粒彩色图像的多维特征KFCM聚类分割算法

岩心颗粒的彩色图像包含的信息具有复杂性和多样性,除了人眼视觉系统容易感知的颜色与空间形状特征之外,还隐含着更深层次的纹理特征信息。提出一种多维特征核模糊C均值(Kernel Fuzzy C-Means,KFCM)聚类分割算法:首先使用Gabor滤波器组在频域的不同尺度和方向上对岩心颗粒彩色图像进行卷积滤波处理,并将Gabor滤波结果作为频谱的局部纹理特征;然后将纹理特征、颜色特征以及图像像素点空间位置信息合并到核模糊C均值聚类算法中,从而实现岩心颗粒彩色图像的分割。结果表明:与其他算法的分割结果相比,多维特征KFCM聚类分割算法能更准确地识别不同类型的岩心颗粒的彩色图像,获得了良好的分割结果。

基于钻进参数聚类的含煤地层岩性模糊识别

通过钻进参数进行煤矿巷道围岩特征描述可为煤矿安全绿色开采提供地质信息保障。针对煤矿井下坑道钻探中随钻地层岩性识别难度大、精度低的问题,提出了一种基于钻进参数核模糊C均值聚类(Kernel Fuzzy C-means,KFCM)算法的含煤地层岩性模糊识别方法。结合钻进试验台上开展的模拟岩样钻进试验,获得了包括钻速、转速和钻压等敏感钻进参数的训练样本,利用KFCM算法对获取的钻进参数训练样本进行学习,构造钻进参数样本空间并映射到高维空间进行聚类处理。建立了以典型含煤地层分类为目标的聚类模型,采用高斯核函数分别确定了软弱夹层、煤层和泥岩层的分布结构以及对应的聚类中心。其中,对比线性核函数,高斯核函数在垂向上的分类效果符合沉积岩构造的特征,且聚类时间节约了7.2%。进一步基于钻进参数的聚类结果,将钻速作为衡量各类岩石钻进性能的关键参数,通过分析钻进参数数据集的变化规律,建立了钻速与转速、钻压幂函数表达形式的地层岩性预测模型,采用数据插值拟合方法完成了典型软弱夹层、煤层和泥岩层的空间划分。并应用模糊数学方法通过构建钻速的分段三角形隶属度函数,得出样本地层钻速对典型含煤地层钻速的隶属度公式,根据隶属度公式将地层岩性划分为5个级别,实现了对样本地层岩性的模糊识别。在实钻试验中,对提出的模糊识别方法的有效性进行了验证。结果表明,该方法能够在PDC锚杆钻头回转钻进条件下快速识别典型含煤地层岩性,识别的正确率为92%,研究结果为实现煤矿井下巷道隐蔽致灾因素动态智能探测提供了借鉴。

基于相似类合并FCM在图像分割中的应用

传统的基于模糊C均值聚类的图像分割算法分割结果中类内数据空间分布离散,无法准确分割出目标物体.针对这一问题,提出一种基于相似类合并模糊C均值聚类算法,并将其应用到图像分割中.首先,提出一种全局空间相似性度量标准和全局灰度相似性度量标准,并将其引入到一种新颖的节点间距离度量公式中来计算图像中任意一点与聚类中心点的差异.其次,算法选取彩色直方图作为区域描述算子,采用巴氏距离计算聚类过程中得到的任意两类间的相似性.最后,应用最大相似类合并策略得到最终的分割结果.实验结果表明,与传统模糊C均值聚类算法和空间约束核模糊C均值聚类算法相比,该算法获得更加精确的图像分割结果.

模糊隶属度加权的KFCM脑MRI的组织分割方法

医学图像受成像机制的影响不可避免地会引入噪声.为解决传统医学图像分割算法对噪声敏感的问题,提出一种模糊隶属度加权的KFCM分割方法.该方法在传统KFCM算法基础上引入局部空间信息,定义了局部隶属度函数,并结合传统KFCM算法得到的全局隶属度函数构造加权隶属度函数,为每个像素计算隶属度值;进一步地,结合邻域信息,使用迭代聚合方法为每个像素重新分配隶属度值.选取Simulated Brain Database数据集,对加入不同噪声的图像进行实验的结果表明,该方法在保证对噪声鲁棒的同时,能够提高分割精度.

基于直觉模糊C核均值聚类算法的合成孔径雷达图像变化检测

针对合成孔径雷达图像中存在椒盐噪声影响变化检测精度的问题,在变化检测步骤中应用一种改进的直觉模糊C核均值聚类算法;首先运用代数运算方法——差值法、比值法、图像回归法,构建3幅光谱变化差异的图像,将3幅差异图像组成列向量;然后使用主成分分析算法对差异图像构成的列向量进行特征提取;最后采用直觉模糊C核均值聚类算法获取影像变化图。实验结果表明:所用算法可以减小椒盐噪声对合成孔径雷达影像变化检测的影响,而且该算法能更好地保留特征信息,提高变化检测的精度。

基于凸差规划的不完整数据填充聚类

为了提升聚类性能,文中提出基于凸差规划(DCP)的不完整数据填充聚类算法.采用DCP对核模糊C均值目标进行凸差化改造,实现DCP聚类和数据缺失项填充的交替优化过程,从理论上证明交替优化的收敛性.在UCI数据集上的实验验证文中算法在缺失数据填充和聚类上的优势.

基于分层遗传的新聚类算法应用于数据分类

针对FCM(模糊C均值聚类算法)对初始聚类中心的选取敏感以及梯度法易收敛到鞍点,在此基础上提出了一种分层遗传算法(HGA)优化的核模糊C均值聚类算法(HGA-KFCM)来提升聚类性能,首先用分层遗传算法(HGA)在全局筛选出高品质聚类中心以替代FCM的随机产生的聚类中心,再利用高斯径向核函数改变FCM中的距离函数并且重新定义目标函数,最终根据新参数进行迭代流程。在仿真实验中用两种数据集作为实验数据,利用FCM、HGA-KFCM以及其他三种聚类算法进行聚类测试,结果显示HGA-KFCM在一定程度上解决了FCM的缺陷,此外将新算法与另外三种性能不错的聚类算法在抗局部收敛能力,迭代次数和精度上比较,结果显示新算法具有良好的聚类性能。

基于KFCM和改进CV模型的海面溢油SAR图像分割

图像分割是合成孔径雷达(synthetic aperture radar,SAR)图像海面溢油检测的关键步骤之一,将核模糊C均值(kernel fuzzy C-means,KFCM)聚类方法及Chan-Vese(CV)模型应用于海面溢油SAR图像分割,为了解决单一KFCM方法分割精度不够高,及传统CV模型对初始条件敏感和收敛速度低的问题,提出了一种基于KFCM和改进CV模型的海面溢油SAR图像分割方法。首先利用KFCM算法将海面溢油SAR图像从原始样本空间映射到高维特征空间,得到聚类结果;然后将其作为CV模型的初始条件,以降低CV模型对初始条件的敏感性,并利用图像边缘强度取代传统CV模型中的Dirac函数,以提高模型的收敛速度和对不同SAR图像的适应性。大量实验结果表明,所提出的基于KFCM和改进CV模型的海面溢油SAR图像分割方法具有分割精度高、运算速度快的优点。

基于KFCM和改进分水岭算法的猪肉背最长肌分割技术

提出一种利用核模糊C均值聚类(KFCM)和改进分水岭算法分割猪肉眼肌切面图像中背最长肌区域的方法。该算法对经中值滤波去噪后图像的R分量利用最大方差自适应阈值(OTSU)去除背景,再采用KFCM提取出肌肉组织,然后进行空洞填充,最后由改进的分水岭算法分割出背最长肌区域。利用该算法对采集的60幅猪肉眼肌图像进行处理,分割正确率为86.67%;与传统的形态学算法相比,该算法能真实、完整地恢复出背最长肌区域。结果表明:该算法能有效地分割出猪肉眼肌图像中的背最长肌区域,与改进前分水岭算法相比,能避免背最长肌区域出现欠分割。