类均值核主元分析法及在故障诊断中的应用

核主元分析在应用过程中,通常采用累积贡献率法确定核主元个数,舍弃一些贡献率较小的核主元,导致数据样本部分信息的损失,影响故障诊断的效果。针对这一情况,提出一种类均值核主元分析法,它将输入空间的数据样本映射到高维特征空间后,先求出各类映射数据的类均值矢量,然后在类均值矢量张成的子空间上对类均值矢量进行主元分析,利用构建的类均值核矩阵,建立类均值核主元算法。由类均值核主元形成的特征矢量包含原数据样本的全部变异信息,并且维数低于故障类别数,能够在类均值矢量基础上实现无信息损失的数据降维。将改进算法应用于滚动轴承故障诊断,结果表明,它具有比传统核主元分析更强的综合原始变量信息的能力,能更好地提取数据样本的类别信息,快速实现故障模式的准确识别。

基于组合核函数的类均值核主元故障诊断方法

慢漂移是指系统参数从额定值发生偏移的现象,系统正常的慢漂移影响故障诊断的结果。针对单一核函数对慢漂移系统故障误诊率高的问题,提出了基于组合核函数的类均值核主元分析故障诊断方法。首先,使用组合核函数将原始样本数据映射到高维特征空间,求出各类映射数据的类均值矢量;然后在类均值矢量张成的子空间上对类均值矢量进行主元分析;最后,利用建立的类均值核矩阵构建类均值核主元算法。将该方法应用于田纳西-伊斯曼(TE)和蒸馏塔过程,仿真结果显示,该方法提高了故障的检测率,柔性因子的引入满足故障监控模型对灵敏度、鲁棒性的动态平衡要求,具有较好的过程监控性能。

基于改进类均值核主元分析的控制系统传感器故障检测

针对复杂控制系统数据维度大、变量之间的耦合性高的特点,采用了一种基于粒子群优化的类均值核主元分析的故障检测方法。首先利用粒子群优化高斯径向基核函数的参数,避免其设置的盲目性,然后利用优化后的类均值核主元分析法将输入数据样本映射到高维特征空间中,构建类均值矢量进行主元分析,完成对控制系统传感器的故障检测。类均值矢量包含了原数据的全部信息,且维数低于故障类别,能够实现数据的无损失降维。实验结果表明,与传统核主元分析相比,该方法能有效提高控制系统传感器故障检测的准确性。

基于类均值向量及指数分布的流量行为特征分析

引入类均值向量度量及αβ指数分布方法,旨在提高分类正确率的基础上,克服由于抽样而带来的对分类结果的影响。利用流记录NOC_SET为DATASET,并以NETFLOW固有的测度和少量扩展测度为属性,利用所提出的FBRI(Flow behavior identification)属性选择算法对经典的机器学习算法进行流量识别。实验结果表明:任意比例的抽样对于采用FBRI属性选择的评估结果基本一致,并且利用FBRI属性选择算法可以提高应用识别正确率。

改进局部均值与类均值权重的近邻分类

为改进传统的基于局部均值与类均值的近邻分类算法的分类精度,有必要对分类中类均值向量的权重分配进行研究。将类均值向量的权重基于客观决策信息确定为数学公式,并运用步长优化的统一迭代法来对加权权重进行选取,通过UCI数据集大量实验表明,使用改进的分类算法进行仿真实验,结果表明,改进算法在正确率方面优于传统算法。

复杂设计下类均值复制与类加权均值复制的比较(英文)

复制数据是处理抽样调查中数据项目缺失的一种常用方法.在两种常见模型及复杂抽样设计下,本文对处理数据项目缺失的类均值复制和类加权均值复制方法进行了对比.

工业系统故障诊断中类均值核主元分析法的应用

类均值核主元分析法通过计算映射数据的类均值矢量,再由类均值矢量张成的子空间进行核主元分析,使之包含原始数据的全部信息,实现无信息损失的数据降维。然而,不同核函数的选取对故障诊断结果有所影响。文章以工业系统故障诊断为背景,就高斯径向基核函数、多项式核函数以及两者的混合核函数,结合粒子群算法优化核参数,通过BP神经网络进行故障识别分类,利用T^2和SPE统计量检验及时性,有效验证不同核函数的效果。

采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法

针对传统聚类算法处理点云简化问题时精度低、耗时长且易丢失特征信息等问题,提出了一种基于动态精英自适应混合策略的鹈鹕算法(DEAMPOA)与加权熵法联合优化的模糊C-均值聚类(FCM)信息熵点云简化算法。采用动态自适应种群混合策略,同时融合了精英反向化思路,显著提升了鹈鹕优化算法(POA)的收敛趋势和全局寻优能力,提高了寻找FCM最优聚类中心的成功率;利用DEAMPOA结合加权熵法对FCM进行优化,提高鲁棒性的同时增强了搜索精度,得到较好的聚类结果;在8种UCI标准数据集上与4种算法对比进行聚类性能评估实验,验证了所提方法综合性能优越;将所提方法与信息熵融合,并应用在三维点云KITTI数据集简化中。实验结果表明:与包围框简化法、随机采样简化法和特征选择简化法对比,所提方法全局误差简化前后点集之间平均欧式距离(MED)指标分别降低了2.25%、6.93%、5.74%,点云简化效果最优且运行速度满足要求。

基于高斯滤波与均值聚类的异质多源传感器数据加权融合

异质多源传感器之间工作频率存在差异,导致数据之间的一致性较差,加权融合后的观测误差较大,因此提出基于高斯滤波与均值聚类的异质多源传感器数据加权融合方法。采用高斯滤波对异质多源传感器数据空间单元格进行划分,建立基于单元格的最佳连通域,保留传感器内部数据,完成传感器数据的高斯滤波平滑处理。引入均值聚类对异质多源传感器数据进行一致性处理。通过免疫粒子群搜索最优权重和参数,利用最优权重和参数完成异质多源传感器数据加权融合。仿真结果表明,所提方法能够降低融合后传感器数据的观测误差与均方误差,观测误差与均方误差最小值均为0.002。因此,说明所提方法提高了融合后异质多源传感器数据的可利用性。

基于改进K均值聚类的光谱重建训练样本选择研究

光谱反射率重建过程中,训练样本的选择方法及样本容量与重建精度密切相关,寻找一种高效的训练样本选择方法是光谱重建的目标之一。K均值聚类计算复杂度小,计算效率高,但因聚类初始值选择的随机性,以及离群点的影响致使聚类结果不稳定,进而影响光谱重建的精度。基于此,提出了一种改进K均值聚类的训练样本选择方法。首先,将训练样本集的几何中心作为聚类中心的初始值;其次,基于高斯函数构建样本空间分布概率密度函数,并以欧几里德(欧式)距离作为其他聚类中心的度量依据;最后,在训练样本集中,基于簇内平方差度量光谱反射率样本间的相似度,将每个聚类子集中与中心距离最近的样本作为训练样本。为验证该方法的有效性,通过主成分分析法进行光谱重建。实验结果表明,所提的方法相较于传统的方法,光谱重建精度有一定的提高,重建光谱的平均均方根误差小于4%, CIE DE2000色差小于3.756 7。提出的改进的K均值聚类的训练样本选择方法,能够一定程度上提高了光谱重建精度,基本满足复制再现图像的要求。

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。

基于改进K均值聚类的光伏板缺陷检测方法

为了能够对光伏组件热斑部分准确地识别和提取,提出了一种基于HSV空间模型的改进K均值聚类图像处理方法。首先,将红外图像进行HSV空间转换和双边滤波处理,去除噪声并提高图像对比度;其次,使用高斯核函数估计实现图像灰度概率密度函数提取,并以此获取初始聚类中心;最后,利用先验知识对图像进行K均值聚类,提取和量化热斑缺陷。研究结果表明,该方法能够快速地检测定位热斑位置并统计出光伏板损坏程度,具有较高的精度以及较好的灵敏性和稳定性。

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。

基于模糊C均值聚类的空—地—井垂直重力梯度数据反演方法

通过重力梯度数据三维反演能够获得地下密度结构模型,用于地质资源勘探等领域。航空、地面和井中观测的重力梯度数据含有不同频率的信息,通过数据联合可以降低反演多解性,提高成像分辨率。对于具有复杂形态的地下异常体,目前这种多尺度数据联合反演的纵向空间分辨率,尤其是异常体底部的成像分辨率有待提升。针对该问题,开展了航空—地面—井中垂直重力梯度数据的联合反演方法研究。首先,在正则化反演中引入模糊C均值聚类算法,通过在迭代过程中加入聚类约束降低多解性;其次,联合航空、地面和井中垂直重力梯度数据,提出一种联合反演方法,并使用GPU加速计算;然后,将反演应用于理论模型数据与美国文顿盐丘地区重力梯度数据,验证方法的效果,并讨论了井位置对结果的影响;最后,对基于GPU加速的并行反演方法进行性能分析。数据试验证明了模糊C均值聚类算法能够降低反演的多解性,通过联合反演能够获得准确的密度分布,该方法具有一定的抗噪能力;使用异常旁井和穿异常井数据的成像分辨率更高。计算的文顿盐丘地区密度分布与其他学者的结论相近,证明了方法是有效且可行的。试验还表明,GPU并行方法具有较高的加速比,提出的方法能够为地质找矿等研究提供技术支撑。

基于模糊C-均值聚类算法的动态等值研究

近年来,随着特高压交直流输电线路的不断建立,需要准确地模拟交直流大电网故障期间的暂态特性已十分困难。电磁暂态仿真计算结果较为准确,但计算量太大,因此需要在计算前对被仿真网络进行动态等值。本文首先介绍了模糊C-均值聚类算法(FCM)及基于物理等效的动态等值计算方法;然后,提出了基于模糊C-均值聚类算法的动态等值计算方法及其流程图。最后,对某区域进行FCM机组分群,并进行动态等值计算,结果表明,采用基于FCM的动态等值方法,等值前后的动态特性基本一致,该方法具有良好的实用性。

基于K均值聚类算法的谐振接地系统故障区段定位方法

现有的谐振接地配电网单相接地故障定位方法存在通信依赖过度、特征分析复杂和阈值设置困难等问题,现场运行的适用性较低。本文基于深度融合智能开关在配电网中的应用,研究三相电流变化量的波形特征,提出基于K均值聚类算法的就地选段方法。该方法提取各区段数据特征量,发挥K均值聚类算法无监督学习的优点,使各检测节点只需处理本地故障信号,从而减轻通信压力。利用仿真和现场数据验证该方法的可行性,结果表明,该方法在多种故障工况下都表现出较高的可靠性,并且能够较好地适应现场环境。

数据驱动下基于量子人工蜂群的K均值聚类算法优化

该文将量子人工蜂群(Quantum artificial bee colony,QABC)算法用于K均值(K-means)聚类的类别中心点选择,优化K均值聚类算法,可有效解决因随机设置K均值中心点而导致聚类准确度不高的问题。该文设置K均值聚类类别数,并随机设置若干类别中心,采用人工蜂群(Artificial bee colony,ABC)算法优化类别中心点,根据待聚类样本点构建蜜蜂种群,并对蜂群个体位置采用量子比特表示。以样本点和中心点的距离的倒数作为ABC算法适应度,并将适应度值较高个体定义为蜜源。通过引领蜂在运动范围内的粗粒度遍历和跟随蜂的细粒度探索,不断搜寻适应度较高个体,并且更新蜜源,直至ABC算法稳定后确定较优蜜源位置为聚类中心。采用ABC优化得到的聚类中心进行K均值聚类。试验结果表明,通过合理设置ABC搜索边界,并引入蜂群位置的量子表示,可有效增强ABC对聚类中心的搜索精度。相比于常用聚类算法,QABC+K均值算法的聚类性能更优。

基于知识量加权的直觉模糊均值聚类方法

针对聚类算法中特征数据对聚类中心贡献的差异性及算法对初始聚类中心的敏感性等问题,提出一种基于知识量加权的直觉模糊均值聚类方法。首先将原始数据集直觉模糊化并改进最新的直觉模糊知识测度计算知识量,据此实现数据集特征加权,再利用核空间密度与核距离初始化聚类中心,以提高高维特征数据集的计算精度与聚类效率,最后基于类间样本距离与最小知识量原理建立聚类优化模型,得到最优迭代算法。基于UCI人工数据集的实验结果表明,所提方法较大程度地提高了聚类的准确性与迭代效率,分类正确率及执行效率分别平均提高了10.63%和31.75%,且具有良好的普适性和稳定性。该方法首次将知识测度新理论引入模糊聚类并取得优良效果,为该理论在其他相关领域的潜在应用开创了新例。

基于疯狂捕猎秃鹰算法的K均值互补迭代聚类优化

在处理庞大复杂的点云数据时,传统聚类方法精度低、耗时长并且受离群点影响大,针对以上问题,提出基于疯狂捕猎的柯西反向秃鹰搜索算法(QO-BESCH)的K均值互补迭代聚类优化方法.所提算法构建基于体元包围盒的初始聚类中心选择模型,提升初始化聚类中心质量;提出疯狂捕猎机制,同时融合动态自适应控制算子和柯西反向策略,提升秃鹰搜索算法(BES)的寻优能力,增加寻找聚类中心的成功率;利用QO-BESCH优化K均值聚类(KMC),在减小迭代次数的同时增加搜索效率,得到较好的聚类结果.利用UCI标准数据集对所提算法进行测试,并与8种聚类算法进行对比,实验结果证明了所提算法的优越性.将本研究算法结合PCL点云库应用于ModelNet40点云数据集聚类,结果表明,所提算法可以实现有效聚类,适用性较强.

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。