基于交互基函数的数据流聚类算法研究

聚类是数据挖掘的有效工具,数据流聚类成为当前研究热点,目前很多数据流聚类算法已经被提出,但大部分算法将距离作为相似度度量标准,存在对噪点敏感问题,且聚类效果不理想。为了增强数据流聚类算法的灵活性并提升聚类质量,该文将分数阶交互基函数(IBFs)引入数据流聚类,结合模糊ART算法对其进行了扩展,生成柔性决策边策略,提出了新颖的数据流聚类算法IBFs_ART。该算法首先对到达的数据点根据特征之间的相关性通过预计算函数特征扩展,并对原有特征进行分数阶变换,之后再基于交互基函数进行数据流聚类。交互基函数可生成灵活的决策边界且不需要指定软件,预计算函数可以在任何算法中实现,其可用于数据流聚类算法的任何扩展。经过实验表明,使用IBFs实现了较低计算成本生成灵活决策边界来找到最优聚簇,在相同警戒参数下实现了更高聚类质量和纯度,较传统聚类算法拥有更高的聚类精度、对称度量和更小的错误率。

基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法(particle swarm optimization,PSO)修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。

基于Bernstein函数类的Bezier曲面类

为了进一步丰富Bezier曲面理论,以及克服原有Bezier曲面理论中的一些不足,在梁锡坤提出的Bernstein函数类的基础上,对基于该类函数的Bezier曲面类的生成方法进行了研究。并给出了两种具体的Bezier曲面类曲面,这两种曲面是基于有理形式调配函数,即RB函数的实用曲面,称之为RB曲面和附权RB曲面。重点研究了RB曲面和附权RB曲面的表示方法和有关性质,同时还分析了这两种曲面之间以及与Bezier曲面之间的关系。得到了较好的结果,使Bezier曲面理论更加完善。

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据,采用一种新的动态聚类算法进行聚类,来确定RBF网络的隐含层节点,不仅聚类速度快,而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络强的拟合特性映射线损与特征参数之间复杂的非线性关系,使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例,仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。

模糊子空间聚类的径向基函数神经网络建模

传统径向基函数(radial basis function,RBF)神经网络模型在处理噪声环境下的数据时,会因缺乏去除噪音特征的机制而使得受训模型的泛化性能下降。针对此缺陷,根据模糊子空间聚类(fuzzy subspace clustering,FSC)算法的子空间特性,为RBF神经网络添加特征抽取机制,提出了一种模糊子空间聚类RBF神经网络建模新方法(RBF neural network modeling using fuzzy subspace clustering,FSC-RBF-NN)。与传统RBF神经网络建模方法相比,FSC-RBF-NN方法可根据FSC的子空间特性和特征抽取机制,为不同的隐含层节点选取不同的特征子空间。当训练数据中含有大量噪音特征时,FSC-RBF-NN方法可通过特征抽取机制去除噪音特征,只保留对建模有积极作用的特征,使模型能保持良好的泛化性能。模拟和真实数据集上的实验结果亦验证了FSC-RBF-NN方法在噪声环境下具有更好的鲁棒性。

基于Bernstein基函数拟合预测的改进模型

文章针对朱建平(2003)提出的数据挖掘新模型——基于Bernstein基函数拟合预测模型,研究了模型的理论特点和应用缺陷,并提出了改进方案。用岭回归对控制点的估计进行改进,并提出了用所有控制多边形矢量进行拟合预测的方法。应用本文的方法对中国上证综合指数这一稠密时间序列数据进行了分段拟合建模预测,分析了实际拟合模型和拟合预测相对误差,并与朱建平的方法进行了对比分析。

基于最近邻聚类的光伏-制氢系统运行备用容量需求预估模型

在预估光伏-制氢系统运行备用容量需求时,受光伏-制氢系统运行数据不确定性的影响,预估结果的误差偏大,为此,提出基于最近邻聚类的光伏-制氢系统运行备用容量需求预估模型。引入最近邻聚类中的不确定自然最近邻机制,以近邻数数量为基础,按稠密点、稀疏点、噪声点的分类标准,将数据集中的不确定光伏-制氢系统运行数据对象进行划分处理;在使用不确定自然邻域搜索算法获取到不确定的自然稳定状态输出结果后,根据特征值的差异性去除噪声点,借助不确定自然邻域密度因子对光伏-制氢系统运行数据进行聚类;在预估模型构建阶段,将径向对称的高斯径向基函数(radial basis function, RBF)作为核函数,并将所有的RBF输出结果映射到同一个空间中,得到光伏-制氢系统运行备用容量需求结果。测试结果表明,所提方法对最大备用容量需求预估结果的偏差始终稳定在250 MW以内,对最小备用容量需求预估结果的偏差始终稳定在150 MW以内,有效降低了能量管理的成本开销。

求解类拉普拉斯方程的径向基函数配点法

建立了径向基函数配点法求解类拉普拉斯方程定解问题的方法.将求解域依据系数张量为分片常量来分解为若干子域.在每个子域上分别利用所布置的中心点建立用径向基函数表达的近似待解函数.在每个子域内及子域边界与外边界重合部分的配置节点上分别利用类拉普拉斯方程和定解条件建立近似解函数的待定系数满足的配点方程组,在相邻子域的分界线的配置节点上利用相容条件建立待定系数满足的配点方程组.方程组联立求解就得到了整个域上的近似解.算例计算表明该方法求解问题简捷有效,算法具有很高的精度.

径向基函数在文本分类中的应用

利用RBF网络进行文本自动分类,对训练集进行聚类,使得每个簇内部的相似性尽可能高,而簇之间的相似性尽可能低.为每一个簇的中心定义相应的径向基函数,再对由这些径向基函数构成的两层神经网络进行训练.因考虑到了不同簇之间的差异性,因此很好解决"兼类"问题.

基于Bernstein基函数的曲线上点的几何迭代算法

文章针对传统的求曲线上点的插值法和幂基法的不足之处,提出了借鉴Berstein基函数求曲线上点的几何算法,并研究了如何将该方法用迭代算法来书写。采用了matlab编程的方法求解了一条平面曲线上指定的点,结果发现该算法能够比较精确地求出曲线上的点,比用通常的幂基函数的方法更简单,且对舍入误差不敏感;更重要的是易在计算机上用matlab编程实现,且具有较强的几何风格;但是该算法的计算效率稍差。因此在对计算效率要求不是很高的情况下,可以考虑用该几何迭代算法来弥补传统的求曲线上点的方法的不足之处。

交互基函数在数据流聚类中的应用

越来越多数据流的产生和应用需求使得对于数据流的挖掘变得炙手可热。挖掘数据流的目的是从这些连续不断的流数据中提取隐藏的知识结构。其中,数据流聚类是数据流学习的一项重要任务,许多相关算法已被提出。将交互基函数用于数据流聚类以提高算法的聚类精度。交互基函数可生成灵活的决策边界且不需要指定软件,预计算函数可以在任何算法中实现,可用于数据流聚类算法的任何扩展。

聚类集成研究综述

聚类分析作为数据研究领域的基本技术,旨在从无标签数据集中发现有意义的簇结构。由Kleinberg定理可知不存在能够学习任何数据集的基本聚类算法,即没有一种聚类方法能够正确地找到所有数据集的簇结构。聚类集成解决了这一固有挑战,通过组合多个聚类结果来探索高稳定性和鲁棒性的最终聚类。近些年来,提出了许多聚类集成技术,产生了解决实际问题的新方法以及新应用领域。从基聚类生成机制和共识函数设计两个维度对聚类集成技术进行了综述,分析了各种方法的优缺点并进行实验比较。最后针对当前的研究现状,讨论了未来的研究方向。

基于函数型主成分聚类的失业人口研究

为了深入研究近年来我国各省之间失业人口的变化差异,采用函数型主成分聚类的分析方法对我国各省失业人口的差异进行了研究。首先利用4次B样条基函数将我国31个省、市、自治区2001~2019年的城镇登记失业人口拟合成连续化的函数曲线,通过函数型数据在L2空间上的主成分分析进行降维,其次对主成分得分进行加权的K-means聚类,结果表明,我国劳动力失业人口的动态变化特性存在一定的区域异质性,除北京市外,劳动力失业人数最少的省份绝大多数来自西部地区,而劳动力失业人数较多的省份大部分来自华东和华中地区。最后从各地区的产业优势、国家出台的相关政策、人口年龄结构等方面对我国各省失业人口之间的差异进行分析并提出相应的建议。

基于密度峰值聚类和径向基函数的过采样算法

现有的大多数过采样算法在采样过程中只考虑少数类样本的分布而忽略多数类样本的分布,且数据集除了存在类间不平衡问题之外,还存在类内不平衡问题。针对这些问题,提出一种基于密度峰值聚类和径向基函数的过采样方法。该方法首先利用改进的密度峰值聚类算法自适应地为少数类聚类,获得多个子簇;利用聚类过程计算所得的局部密度为各子簇分配权重,并根据权重确定各子簇的过采样量;用径向基函数计算少数类样本的相互类势,以相互类势为依据对少数类进行过采样。将算法与不同分类器结合进行实验,用不同指标评价分类效果,实验表明,该算法的分类效果较优。

基于动态自适应径向基函数网络的概率性短期负荷预测

针对径向基函数(radial basis function,RBF)网络在电力系统短期负荷预测中的应用,提出了一种基于动态自适应RBF网络的概率性短期负荷预测方法。采用动态自适应最近邻聚类学习算法训练网络实现负荷预测。在此基础上,通过对历史负荷预测误差特性的统计分析,对各负荷分区内预测误差的概率密度函数建模,并结合确定性预测结果获得概率性负荷预测结果。通过分析实际电网数据,验证了该方法的实用性与有效性。

基于RBF神经网络的网格数据聚类方法

把径向基函数(RBF)神经网络和网格结合起来,提出了一种能够并行处理数据和便于增量计算的智能聚类方法。介绍了网格聚类原理、RBF神经网络神经元的数量和基函数的选择,并针对数据聚集区域的位置辨识、提高分辨率和计算速度等问题,深入讨论了聚类策略与聚类算法。仿真表明了该方法的有效性。

基于新径向基函数网络的变压器故障诊断法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段,而多层前馈网络(MLFNN)是应用广泛的故障诊断模型。为此,提出了以DGA数据为特征参数的新型径向基函数神经网络(RBFNN)诊断变压器故障。在分析传统k-均值聚类算法RBFNN的缺点和最优聚类特性的基础上,介绍了RBFNN的新算法-自适应k-均值聚类算法,它既能避免传统k-均值聚类算法的局部收敛的缺点,又能动态调整学习率。最后,大量聚类实验结果显示自适应k-均值聚类算法在收敛速度和聚类性能上比传统k-均值聚类算法显著提高;故障诊断实验结果显示所提出的模型故障诊断准确度高于传统BPNN、RBFNN及IEC三比值法。

基于多标签RBF神经网络的电能质量复合扰动分类方法

在径向基(RBF)神经网络和C-均值聚类算法的基础上,提出一种适用于电能质量复合扰动分类的多标签排位分类算法—多标签径向基函数法(ML-RBF)。首先,对常见的电能质量扰动及其组合而成的复合扰动进行离散小波分解,提取各层分解系数的规范能量熵作为特征向量;然后采用C-均值聚类算法将所得的特征向量映射为RBF神经网络的输入;最后通过RBF神经网络对该电能质量复合扰动类型进行预测。仿真实验结果表明,在不同的噪声条件下,ML-RBF可以有效分类识别电能质量复合扰动。

一种基于径向基函数的短期负荷预测方法

为克服传统K均值聚类法局部寻优的缺陷,提出了基于确定性退火聚类选取径向基函数(RBF)网络隐层节点中心的方法,并采用遗传算法有效地解决了径向基函数网络的学习问题。在选择学习样本时,根据相似度方法,综合考虑了日期类型、星期类型、天气因素和曲线特性的影响。实际应用表明本方法能够改善预测精度,提高预测速度。

径向基函数(RBF)网络的研究及实现

概述人工神经元网络的分类 ,详细分析了RBF网络的结构特点 ,给出了最近邻聚类学习算法的具体过程 ,并利用MATLAB编程语言将此算法编制成标准函数ZJWNNC。该算法是一种在线自适应聚类学习算法 ,不需要事先确定隐含层单元的个数。