优化模糊C均值聚类的台区用户用电特征分析方法

精准的用户特性分析方法是配电网模型计算与电力服务制定的重要基础之一,为克服现有配电台区多样性用户划分的数量选择与特征选择难题,提出一种优化模糊C-均值聚类的用户用电特征分析方法。利用优化的模糊C-均值算法实现聚类分析,通过聚类中心建立特征模型,从而获知多样化场景下配电台区用户特性。在聚类过程中,通过蜜獾算法优化选取模糊C-均值聚类初值,来应对易局部最优的难题,找到目标函数最小的结果;利用指标自适应极小值的原则选取最佳聚类数,使聚类中心代表性更强。通过天津地区的典型案例获取用户用电特征,实现聚类目标函数与结果综合性评价指标最优的目的。

基于截断技术的鲁棒模糊C均值聚类

[目的]直接利用模糊C均值(FCM)对原始数据进行聚类,容易导致聚类结果受到噪声和离群点的影响,但通常利用松弛技术对样本点模糊隶属度或空间位置关系进行松弛的解决方法只能降低,而无法完全剔除噪声和离群点的影响.为了解决这个问题,提出了基于截断技术的鲁棒模糊C均值(TRFCM)聚类算法.[方法]基于模糊局部信息C均值(FLICM)聚类模型,通过引入截断技术,提出TRFCM算法.该算法的主要思路为:(1)利用FLICM,在学习数据聚类结构的同时保留样本点的局部邻域结构;(2)基于FLICM的聚类结果动态调整原始数据,使其满足期望的聚类结构;(3)将聚类结构特征学习与原始数据的调整(即截断掉部分样本点),统一在一个优化框架中,从而实现组合最优化.将TRFCM算法与近年来相关算法进行比较以检验TRFCM的参数敏感性、收敛性、鲁棒性、时效性等性能.[结果]实验包括5个部分:参数敏感性与收敛性分析、鲁棒性检验、图像分割实验、Benchmark数据集实验和各算法计算时间对比实验.在参数敏感性和收敛性分析中,TRFCM算法在合适的范围内对参数不敏感且在大多数情况下可以获得良好的聚类效果.同时,算法对各数据集的聚类均可以在20轮迭代内收敛.在鲁棒性检验中,TRFCM的准确率是81.55%,较FLICM高出9.71个百分点,聚类结果更接近于真实数据分布,这证明了TRFCM对噪声具有良好的鲁棒性.在图像分割实验中,各对比算法对图像的划分在一定程度上都不够准确,部分算法出现了环境划分不完整、不同的部分错分到相同类中、不同的类之间发生重叠等问题.而TRFCM均规避了这些问题,取得了良好的聚类结果.在添加了均值为0、方差为0.05的高斯噪声的图像分割实验中,TRFCM算法对噪声干扰的抑制效果最优.在Benchmark数据集上,对Banknote Authentication、Wine、COIL20、WarpPIE10P、Yale和USPS数据集进行聚类分析,TRFCM在ACC、NMI与purity三种评价指标上都取得了优于其它对比算法的得分.在算法时效性的实验中,在相近的时间内,相较对比算法TRFCM能够获得更好的聚类效果.[结论]将截断技术引入到模糊聚类算法中,可实现对原始数据的动态调整,剔除噪声和离群点对聚类过程的干扰,从而保留更多对聚类有利的数据细节.基于该思路,利用截断技术以相似的方式对以往其他经典的模糊聚类模型进行改进,可以得到一系列的优化算法,为未来的研究提供新的方向.

基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息GX和类中心点的近邻信息GV融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。

基于空间信息的鲁棒模糊C均值聚类的苗族服饰图像分割算法

针对苗族服饰图像中破损污渍、折叠痕迹、色彩差异大和噪声破坏等现象所导致的传统模糊C均值聚类(Fuzzy C-means,FCM)算法分割质量不佳问题,提出了基于空间信息鲁棒FCM算法,用于苗族服饰图像分割。通过均值滤波和中值滤波处理空间邻域信息,对应获得2种方法,并用一个加权参数调节模糊隶属度的稀疏性,旨在加强细节的提取和提高算法对噪声的鲁棒性。实验表明,对于被高斯噪声破坏的图像,基于均值滤波处理的改进算法,其划分系数提高约3.6%,划分熵降低约5.6%;对于被椒盐噪声破坏的图像,基于中值滤波处理的空间约束项的改进算法,划分系数提高约2.7%,划分熵降低约4.3%。该算法提高了对这类苗族服饰图像分割的质量,对于传统文化的传承具有非凡的意义。

激励下齿轮-转子系统故障模糊C聚类诊断

为了提高激励下齿轮-转子系统故障效率,采用模糊C聚类(FCM算法)算法对其进行特征处理。搭建齿轮-转子系统故障诊断试验,进行空载和扭矩为6N·m两种工况测试,从动轮上方箱体收集振动加速度信号。研究结果表明:应用改进EEMD分解后的仿真信号中提取的特征参数完成了FCM算法初始特征向量库的构建,验证了该方法方法对载荷激励下齿轮-转子系统故障诊断的有效性。搭建的齿轮-转子试验显示,改进EEMD和FCM结合完成叠加载荷激励作用下对齿轮-转子系统进行故障诊断的功能。综合运用改进EEMD和FCM方法可以满足齿轮-转子系统故障诊断的要求。该研究对提高机械传动领域运行稳定性,尤其是在激励作用下系统隐藏的故障危险的排出方面具有很好的实际价值。

基于线性优化模糊C均值算法和人工神经网络的光照传感器布局方法

针对目前光照传感器的布局方式计算量大、能耗高,易受人为因素的影响,难以准确地预测室内日光强度等问题,该文提出一种基于线性优化模糊C均值算法(LOFCM)和人工神经网络(ANN)的光照传感器布局方法。LOFCM算法利用线性优化(LO)稀疏权重矩阵后,使用模糊C均值(FCM)筛选数据,确定工作面光照传感器布局。随后,使用ANN分别训练工作面光照传感器测量值与4组辅助光照传感器测量值之间的非线性数学模型。实验结果表明,该文提出的基于LOFCM算法在保证计算工作面平均照度和均匀度准确的情况下,工作面光照传感器的数量比对比方法减少了37.5%。此外,在4组辅助光照传感器布局中,墙壁和窗户布局方式具有较好的预测精度,为预测室内日光强度提供了更加准确的预测方式。

基于IHBA优化模糊C均值的三维WSN分簇路由算法

针对分簇路由算法在三维场景下能量消耗大、网络生存周期短的问题,提出了一种基于改进蜜獾算法优化模糊C均值的三维无线传感网分簇路由算法IFCRA。IFCRA分别对网络成簇、簇首选举以及数据传输阶段进行了优化。首先,采用改进蜜獾算法优化模糊C均值算法,解决模糊C均值易陷入局部最优的问题,并综合节点的距离和能量特征划分拓扑结构。其次,结合簇内节点的能量和相对距离构建最优簇首函数,平衡簇首负载。最后,采用自适应传输机制寻找中继节点,综合节点距离和能量构建最优传输路径函数,采用改进蜜獾算法进行寻优,均衡数据传输能耗。仿真结果表明,IFCRA在三维异构场景中分簇合理、能耗均衡且生存周期长。

基于相对熵改进模糊C均值聚类的溢流预警研究

钻井过程中溢流的早期发现非常重要,目前国内外基于人工智能的溢流预警模型普遍使用大量先验知识或训练数据,其准确性、实时性、可靠性完全受限于先验知识和训练数据,文章提出了基于相对熵改进模糊C均值聚类的溢流预警模型,采用相对熵理论改进模糊C均值聚类算法,克服传统模糊C均值聚类时聚类数目由用户主动给出的缺点,并结合溢流故障的发生与立压、套压的变化趋势具有相关性的特点,建立了早期溢流智能预警模型,实现对早期溢流的及时发现。通过对现场数据的仿真分析表明,该预警模型能够通过立压和套压的斜率变化及时准确地判断是否发生溢流。

面向模糊C均值算法的MAME聚类有效性指标

聚类有效性指标可用来评估聚类结果的有效性,并且帮助判别聚类的类别数。现有的面向模糊C均值算法的聚类有效性指标存在对于类内紧致性的刻画不太到位、对于类间分离性的度量刻画不够准确的问题。为此,基于类内紧致性和类间分离性两个角度着手设计,提出了一种新的模糊聚类有效性指标——考虑最大值和均值的指标(maximum-mean,MAME)。首先,考虑了整个数据集的综合特征,计算分别分为K类和1类的情况的比值,提出了一种新的模糊紧致性度量表达式。其次,引入最大聚类中心距离和平均聚类中心距离,提出了一种新的分离性度量方法。最后,从模糊紧致性度量表达式、分离性度量方法出发,提出了MAME指标。面向5个UCI数据集和6个人工数据集,和9个聚类有效性指标(包括CH、DB、NPC、PE、FSI、XBI、NPE、WLI和I指标)一起进行了对比实验,验证了所提指标的准确性、稳定性,说明了MAME指标的鲁棒性较好。

基于模糊C均值聚类的二维直流电阻率与射频大地电磁联合反演

为结合直流电阻率(direct current resistivity, DCR)与射频大地电磁(radio-magnetotelluric, RMT)法反演优势,开展了二维DCR与RMT数据联合反演研究。在经典最小结构模型正则化的基础上,采用平衡算子调节两个数据间的权重,引入模糊C均值(fuzzy C-means, FCM)聚类对电阻率模型进行约束,根据数据均方根误差自动调整FCM聚类项的权重,提高了联合反演效果。通过单独反演与联合反演结果的对比,分析了两种方法的反演能力,总结了联合反演的优势。模型试算表明,DCR与RMT数据联合反演得到的电阻率模型较单独反演更接近实际模型,FCM聚类约束的应用可进一步提高联合反演的效果。

基于模糊C均值聚类的混合动力汽车典型运行工况构建

为了优化某款混合动力汽车在实际道路工况下的燃油经济性,采用模糊C均值聚类算法构建了其在目标城市下的典型运行工况。与运行工况实测数据相比,其特征参数平均误差为4.22%;速度-加速度联合概率分布吻合较好;试验车型的Cruise仿真模型在典型运行工况下的百公里油耗相对误差为1.89%。此外,将典型运行工况与NEDC、WLTC进行对比。可知,典型运行工况具有平均车速低的特点,体现了目标城市道路工况与现行法规工况之间的差异。

基于模糊C均值聚类的振冲碎石桩加固地层识别

精准掌握软弱地基的地质信息资料是确定振冲碎石桩施工工艺和控制成桩质量的重要依据。现有地质勘探技术确定地层地质信息的方法存在较大的随机性和离散性,不能获取所有加固区域的地质条件。为了克服传统方法存在的缺陷,依托拉哇水电站振冲碎石桩施工过程实时监控系统采集到的大量桩成孔过程中与地层分类属性相关的数据,通过对大数据进行清洗,选取与地层分类属性相关的进尺深度、速度和电流为特征属性,采用模糊C均值聚类算法对软弱地基进行地层识别研究。结果表明,与传统的K-means算法相比,本文方法对地层分类识别具有更高的准确性和优越性,可实现对地层地质条件的实时研判。研究成果对后续进行振冲碎石桩施工质量合理评价以及振冲碎石桩桩成过程智能化施工等都有重要的指导意义。

面向时间序列的鲁棒性半监督模糊C均值聚类

针对时间序列模糊C均值聚类算法对噪声数据敏感,及其未能将数据中少量已标记数据所包含的监督信息进行有效利用的问题,提出了一种改进的鲁棒性半监督模糊C均值聚类算法。该算法中先使用马氏距离提出一种样本不确定性分析方法,并加入到半监督模糊C均值聚类建模中,以消除噪声点的影响。并改进半监督模糊C均值聚类的部分监督机制来加大已标记数据的监督能力。采用能够弹性度量时间序列相似性的时间扭曲编辑距离代替欧氏距离进行聚类。通过对7组公开的时间序列数据集进行实验对比,结果表明所提算法具有良好的聚类效果。

基于模糊神经网络的SCR脱硝效率预测模型研究

针对火电厂选择性催化还原(SCR)系统存在变量多、耦合性强等特点,造成脱硝效率难以准确实时监测的问题,提出利用Takagi-Sugno(T-S)模糊神经网络算法,建立多输入单输出预测模型,以研究未来时间脱硝效率的变化。将模糊C均值(FCM)聚类算法用于结构辨识、模糊神经网络的混合学习算法用于参数辨识,构造T-S模糊预测模型。在分布式控制系统(DSC)上采集连续48 h实时数据,并利用MATLAB进行模型训练与检验。试验结果显示:训练集98%点的相对误差在±1.5%之间,最大误差小于2%,检测集99%点的相对误差在±0.5%之间,最大误差小于2.5%。该模型能够较好地反映SCR烟气脱硝效率,可以为脱硝效率的控制优化提供依据。

粒度模糊规则建模方法研究综述

本文旨在梳理粒度模糊规则模型中的主要研究及构建方法,并且进行系统分析与总结。粒计算是一种能模拟人类思维方式和求解复杂问题的新兴理论体系,以此为基础的粒度模型为复杂非线性系统的描述和问题求解探索了新的方向。粒度模糊规则模型将信息粒融入现有的模糊规则建模方法中,进行粒度级别的系统建模,以实现更高层次的数据分析与推理。本文简要介绍模糊聚类和模糊规则模型的基础知识;归纳了信息粒的构建方法,并讨论了相应的评估方法;总结了典型的粒度模糊规则模型的设计架构和优化方法。

基于空间模糊C均值聚类和贝叶斯网络的高分一号遥感影像变化检测

在目前经典的变化检测算法中,后验概率空间变化向量分析(CVAPS)方法广泛用于遥感影像的变化检测。然而,基于支持向量机(SVM)的CVAPS法无法有效处理高分一号影像中等分辨率遥感影像中的混合像元问题,且难以有效保证变化检测的精度。因此,本文通过引入空间信息,使用空间模糊C均值聚类(Spatial Fuzzy C Means, SFCM)有效地实现高分一号影像混合像元的分解,并结合简单贝叶斯网络(SBN),提出一种新的后验概率空间变化向量分析法SFCM-SBN-CVAPS。实验结果表明,本文算法的总体精度和Kappa系数均高于基于普通模糊C均值聚类(Fuzzy C Means, FCM)的CVAPS算法,且耗时更短,本文所提出的算法有助于提高遥感影像变化检测的精度和效率。

模糊C均值聚类在网络入侵检测系统中的应用

随着网络规模的快速扩大,网络安全的重要性也越来越受到关注。其所承载的数据量也极其庞大,潜在的网络入侵风险也越来越高,基于此,本文将模糊C均值聚类算法应用到网络入侵行为检测系统当中,并构建了完整的网络入侵检测模型,以改进网络入侵检测系统的检测效率与效果,并为相关网络研究提供一定的参考价值。

基于上下文人工蜂群的模糊C均值聚类算法

针对传统模糊C均值聚类算法(FCM)过度依赖初始中心且易陷入局部最优等问题,提出一种基于上下文人工蜂群的模糊C均值聚类算法(CABCFCM)。首先,引入人工蜂群算法,用来确定FCM算法的初始聚类中心;其次,采用邻域半径和高斯扰动提升人工蜂群算法的局部搜索能力,并引入上下文多臂赌博机提升算法开发能力;最后,将CABCFCM应用到广告分发业务的推荐模型上。仿真实验结果表明,其准确率明显更高、聚类效果更佳。

基于FCM-LSTM的光热发电出力短期预测

对光热电站的出力进行短期预测,可以有效应对太阳能随机性和波动性带来的影响,为电网调度做好准备.该文以青海某光热电站为例,首先使用模糊C均值聚类算法对预处理后的实验数据进行分类,然后通过分析不同聚类类型下出力和气象数据中各因子间的关联程度,充分挖掘出数据间的关系,确定不同类型预测模型的输入变量,进而构建出不同类别下的长短期记忆神经网络预测模型.结果表明,与传统长短期记忆神经网络模型、BP神经网络模型、支持向量机模型和随机森林模型的预测结果相比,基于模糊C均值聚类的长短期记忆神经网络预测模型效果良好,大幅减少了预测误差,验证了该预测模型的有效性.

基于FCM和EO-SVM水轮机尾水管压力脉动特征识别

为有效识别水轮机尾水管压力脉动特征,提出了一种基于模糊C均值聚类、平衡优化器算法与支持向量机的识别方法。该方法首先采用平衡优化器算法优化SVM的惩罚因子和核函数以获得更好的SVM参数组合,构建EO-SVM识别模型以实现其在水轮机尾水管压力脉动特征识别中的应用。然后采用模糊C均值聚类算法将待分类的压力脉动特征进行初始聚类,将其分为四类,并依据聚类结果选择最靠近每类中心的样本作为EO-SVM模型的训练样本。将SVM和EO-SVM两种模型的识别分类结果进行比较,验证了所提EO-SVM模型的有效性。