基于AHP-灰色聚类模型的舰艇自身抗损能力评估方法

针对当前舰艇平台性能评价标准不一的问题,尤其是如何更好评价定性指标的问题,探究一种客观公正的评价方法。以舰艇自身抗损能力为研究对象,提出层次分析(AHP)-灰色聚类模型在自身抗损能力综合评估的应用,并在分析研究舰艇自身抗损能力影响因素的基础上建立评估指标体系。运用AHP确定各指标权重,针对舰艇自身抗损能力的各项评价指标,基于专家打分法的打分结果,应用灰类的白化权函数进行数据归一化处理,得到各项评价指标的分数值。根据指标评价体系以及各项指标的权重和分数值,对舰艇自身抗损能力进行综合评价。实例分析结果表明,该方法使用便捷,能够对舰艇自身抗损能力进行客观公正的评价,可为舰船自身抗损能力综合评估提供指导。

基于聚类方法的负样本生成器研究与实现

知识图谱嵌入的目标是为知识图谱中的实体和关系生成低维连续的特征向量,以便计算机能够通过数学运算来挖掘知识的潜在语义,并将其应用于三元组补全、实体分类和实体解析等下游任务。翻译模型(Trans)是一种简单而有效的知识图谱嵌入方法,其采用负采样的方法来提高知识图谱嵌入的准确性。然而,传统的负采样方法采用随机负采样,容易生成低质量的负三元组,从而导致实体和关系的嵌入向量训练不准确。针对这个问题,该文提出基于Canopy和K-means方法的相似实体负样本生成器(Negative Sampling of Similar Entities,NSSE),用于生成高质量的负样本。实验结果表明,使用NSSE的翻译模型相比原有模型在嵌入向量生成方面取得更好的效果。

蜂窝移动网络大数据聚类异常挖掘方法仿真

蜂窝移动网络可提供话音、数据、视频图像等业务,具有终端移动性、越区切换和跨本地网自动漫游功能,因此上述网络环境中的数据为移动宽带数据流量,数据量巨大,并一直处于自更新状态,导致其聚类过程中易产生异常数据。针对上述问题,提出蜂窝移动网络大数据聚类异常挖掘方法。根据蜂窝移动网络的结构、数据存储结构以及数据特征,对数据属性聚类,并提取异常数据的弱相关特征值。基于以上情况,将提取的弱相关特征值输入至聚类器中,挖掘蜂窝移动网络大数据的异常数据。实验结果表明,蜂窝移动网络大数据量逐渐增多时,研究方法的挖掘准确性仍能保持在98.5%以上,耗时可控制4ms以内,漏检率始终低于1%,误检率不超过2%。以上所得数据说明该方法的应用可靠性更优。

基于烟花算法的智慧城市物联网数据流聚类方法

以往的智慧城市物联网数据流聚类方法对数据特征提取不精准,聚类速度慢。为了提高聚类速度,缩短数据流聚类的耗时,设计了基于烟花算法的智慧城市物联网数据流聚类方法。通过对样本矩阵的标准化计算,降低数据运算的压力,完成对物联网数据的预处理。在烟花算法的支持下,对数据进行去重处理,精准提取数据特征。再根据数据属性不同,计算数据的响应函数,构建数据聚类模型,利用余弦对数据进行聚类分析,实现物联网数据流的聚类。实验结果表明,该聚类方法的聚类平均耗时为15.52 ms,说明该方法能够有效缩短聚类耗时。

基于光纤传感与张量仿射聚类的隧道车辆检测方法

针对高速公路隧道车辆检测中的信号采集、特征提取和车辆识别方面所存在的问题,提出了1种光时域反射的分布式光纤传感技术与张量仿射传播聚类算法相结合的隧道车辆检测方法。首先利用设计的光时域反射的分布式光纤系统对隧道车辆运行信号进行采集,获得测量数据。其次,提出1种采用光纤空间分辨率作为通道数,并结合特征数量和时域、频域构建1种高阶的张量样本集合。最后利用张量仿射传播聚类方法以及其他聚类方法进行正确率测试。测试结果表明,该方式可在不破坏原有高维数据结构的情况下,更好地实现车辆的分类,在识别过程中减少人工的干预、增加整个车辆检测模型的智能化程度、提高隧道车辆检测准确率。

基于密度峰值聚类的不平衡数据过抽样方法

大多数不平衡数据过抽样方法依赖于太多参数,容易生成噪声并难以处理流形数据集。为此,文章提出了一种基于密度峰值聚类的不平衡数据过抽样方法(OVMEDPC)。首先,OVMEDPC用密度峰值聚类(DPC)来发现不平衡数据的空间结构;其次,OVMEDPC设计了一种基于密度峰值聚类的噪声过滤方法来移除噪声;最后,OVMEDPC设计了一种基于密度峰值聚类的插值技术来生成少数类的合成样本。实验证明,就随机森林分类器而言,OVMEDPC在F-measure和G-mean上优于5个先进的过抽样方法。

基于聚类的群孔特征在机测量摆角规划方法

针对群孔特征接触式在机测量过程中测量摆角多、标定效率低的问题,提出一种基于聚类的群孔特征测量摆角规划方法。以避免测针与孔口干涉为约束,计算测针轴线与孔轴线的夹角阈值,然后以此阈值为边界条件进行迭代聚类,进而获得覆盖全部孔特征的测量摆角集合。实验结果表明:使用所提方法可实现对群孔特征测量摆角的快速规划,测量摆角数量较传统方法下降约28%,综合测量时间下降约19%,有效提升了群孔特征在机测量效率。

并行处理网络下半结构化大数据快速聚类方法

半结构化数据量已经超过PB级,在这种大规模数据集上快速响应交互式请求,对关系数据库查询和大数据处理技术都提出了挑战。然而当前的聚类算法均是离线批量处理结构化、非结构化数据。面对半结构化数据对象和应用需求的转变,需要对传统聚类算法针对性地优化和改进。设计一种并行处理网络下半结构化大数据快速聚类方法。首先,在常用的Linux与Windows网络环境中捕获大数据包,并对捕获的多源异构大数据做清洗和集成等预处理操作,完成数据准备工作;然后在并行处理网络下,基于MapReduce框架改进常规CanpoyK-means聚类算法形成BCK-means并行聚类算法,对多源异构大数据进行并行化聚类分析,实现半结构化大数据的快速聚类挖掘。实验结果表明,设计方法在10 s内即可完成不同类别的半结构化数据集的聚类且聚类结果稳定,在半结构化数据聚类挖掘效率方面具有优势。

基于特征聚类和时间序列分析的协同过滤推荐方法

分布式系统各节点间的故障特征具有相似性,推荐方法根据故障特征的相似性给出推荐结果,能够提升维护效率。推荐方法采用相似度全局比对,计算效率较低。维护方案的有效性随时间降低,存在时效性差的问题。提出了一种基于特征聚类和时间序列分析的协同过滤推荐方法,利用K-means算法对故障特征进行聚类,以提升相似度比对的计算效率。根据多模态故障特征融合匹配维护方案,对推荐结果进行时间序列分析,调整维护方案权重,保证推荐结果的准确性和时效性。此外,利用均值策略实现了评分融合,建立多故障特征下的组推荐模型。实验表明,与UBCF和IBCF两种方法相比,该文方法的准确率分别提升了1.27%和4.46%,召回率分别提升了2.77%和0.61%。

基于K-Means聚类算法的井下电缆双端在线局放定位方法

常规的电缆局放定位方法以反射信号识别与定位为主,时间同步偏差相对较大,影响最终的局放定位精准度,因此设计了基于K-Means聚类算法的井下电缆双端在线局放定位方法。该方法通过提取井下电缆双端行波模量特征,将井下电缆局放信号进行相模变换,分析相应电荷气隙平衡条件,获取更加准确的双端局放位置。基于K-Means算法构造电缆在线局放定位聚类中心,将空间距离相似的电缆进行局放判断,排除异常定位数据对聚类结果的影响,从而减小定位误差。采用对比实验验证了该方法的定位精准度高,能应用于实际生活中。

面向云制造的资源集群聚类方法研究

针对云制造平台海量多样的服务资源分类界限模糊的问题,分析了云服务和制造资源之间的关系,提出云制造下混合式资源服务聚集模型。此外,文章基于k-means聚类算法建立了聚类有效性评估函数;针对k-means聚类算法对初始聚簇中心敏感易陷入局部最优的缺点,引入蛙跳算法确定初始聚簇中心,利用反向解扩大初始蛙群的搜索范围,结合最优解均值改进族群最差蛙的优化,提高族群的信息共享能力,结合改进后的蛙跳算法和k-means迭代,提出一种基于蛙跳算法改进的k-means聚类算法。最后,以两种数据集和云平台上同类机床资源为例,验证了所提聚类算法的有效性和可行性。

基于电动出租车数据的充电桩选址聚类方法比较

为有效降低出租车运营企业及经营者的经济成本,通过分析出租车的卫星轨迹数据,比较和选取用于电动出租车充电桩选址规划的聚类方法。以上海市电动出租车充电站的选址规划为研究对象,分别基于孤立森林和聚类算法设计异常值检测方法,对相关时段的出租车卫星数据进行清理以及数据可视化处理;比较层次聚类(Agglomerative Clustering)、高斯混合模型(Gaussian Mixture Model,GMM)、K-means聚类、Mean-Shift聚类以及谱聚类(Spectral Clustering)5种算法的聚类效果,并选取K-means算法作为充电桩选址规划参考算法。从城市区域划分及企业运营角度确定充电桩选址方案,为未来上海市区电动出租车充电桩的数量和容量配置提供设计依据。

基于密度峰值聚类的水电现货报价单元组建方法

随着电力现货市场的不断推进与完善,发电侧主体多元化使得发电主体的竞价环境更加激烈,报价单元的组建有利于提高发电企业抵御市场竞价风险的能力,分析了不同的流域水文情势、多元的开发主体以及电站的规模属性等因素对发电企业竞价的影响,以流域、发电企业以及上网点3个主要因素为指标,提出基于密度峰值聚类的报价单元组建方法,并将该方法运用于西南地区主要流域的67个电站,结果表明,报价单元的组建对提高水电竞价能力具有实际意义,单元方案与电网规定的统调单元较为一致,验证了该模型合理可行,可为发电企业参与电力现货市场竞价提供一种新思路。

多视角聚类的数值方法研究

针对Zhang等提出的多视角子空间聚类方法,本文给出了一种求解该非凸优化问题的方法并对其提出的算法进行了新的分析和改进。得到的主要结果包括:(1)选择一个好的近似解作为初始点,提高了算法的收敛速度和对全局最优解的收敛概率。(2)用MM思想重新推导出Zhang的方法,由此证明了一个新的收敛性定理;(3)改进了Wen提出的基于流形的正交约束算法并用于求解多视角子空间聚类模型,在算法中加入了初始点,大大提高了运行速度。通过对合成数据和实际数据的实验,验证了算法的有效性。

经济技术指标的统计聚类与分类方法探索

一、前言如何有效地对经济技术指标进行统计聚类与分类成为当今经济研究领域的重要课题。经济技术指标是对经济活动中的各种变量进行度量和描述的工具,能够提供对经济体系运行状况的全面了解和分析。然而,由于经济技术指标的数量庞大和数据复杂性的增加,如何从中提取有用的信息并进行聚类和分类成了一个具有挑战性的问题。

RKDG方法改进的K均值聚类坏单元指示子

为解决K均值聚类坏单元指示子中双实数型可调参数给数值应用带来的不便,通过采用简单、高效的数据归一化和极差的方法,直接筛选出含有坏单元的模板,再使用K均值聚类筛选出坏单元,从而将双参数改为单参数.数值计算结果表明,改进的坏单元指示子不仅继承了原方法的优点,而且极大地降低了确定参数的复杂度,有利于该算法的实际应用.

基于时空聚类的多源异构时序数据集成方法

针对传统多源异构时序数据集成方法执行和抽取时间较长、筛选准确率较低的问题,设计基于时空聚类算法的多源异构时序数据集成方法。协同处理多源异构时序数据,根据协同处理结果与时空集合标定结果构建时空聚类矩阵,以时空聚类矩阵为基础计算多源异构时序数据集成需求,通过时空聚类算法转换数据,以此进行多源异构时序数据集成。实验结果表明,该文方法的多源异构时序数据执行和抽取时间在20 s以内,筛选准确率高于95%,集成效果更好。

基于变分贝叶斯对比网络的非参数图像聚类方法

非参数图像聚类中聚类簇数是未知的,需要模型自动发现.虽然一些现有的贝叶斯方法可以自动推断聚类簇数,但由于计算成本过高或过于依赖已学习到的特征,在大规模图像数据集上并不可行.因此,文中提出基于变分贝叶斯对比网络的非参数图像聚类方法.首先,利用ResNet提取图像特征.然后,提出深度变分迪利克雷过程混合优化方法,自动推断聚类数量,可直接嵌入端到端的深度模型,并可与特征提取器进行联合优化.最后,提出极化对比聚类学习,利用极化标签去噪策略对标签进行去噪和极化处理,并利用极化标签与数据增强预测标签进行对比学习,联合优化图像特征提取器和分类器.在三个基准数据集上的实验表明,文中方法性能较优.

基于改进FCM聚类分析方法的电力负荷特性研究

针对模糊C-均值(FCM)的聚类结果受初始隶属度矩阵和聚类中心的选择影响,容易遇到局部极值等问题,提出了一种改进的FCM聚类分析方法。首先,考虑到电力负荷曲线的规律性与时序性特点,结合欧氏距离与皮尔逊相关系数,对局部密度进行了优化。然后,利用FCM聚类分析方法对聚类质心更新迭代,以获得更高精度的聚类质心,从而实现了电力负荷曲线的精确聚类。最后,以电网实际负荷数据作为仿真实验样本,通过与K-means和传统FCM方法进行比较,验证了改进的FCM聚类分析方法对电力负荷曲线聚类分析的有效性和优越性。

基于模糊C均值聚类和梯度提升决策树的护林员评价方法

现有关于基层护林员科学、客观、精准的评价方法的研究十分缺乏,传统的人员绩效评价方法也不适用于护林员巡护情况的评价。本文以中国东南部某县级市的护林员为研究对象,自创1种基于模糊C均值聚类(Fuzzy C-means,FCM)结果和FCM隶属度以及梯度提升决策树相结合的护林员巡护情况评价方法。首先对护林员巡护情况数据集进行Z-Score标准化处理以提高算法的准确率和效率,其次以里程数、考勤率、耗时数和上报事件数为特征变量,使用FCM对巡护情况数据集进行聚类,确定基准月,并使用隶属度评价得分划定法计算基准月护林员评价得分,再通过梯度提升决策树(Gradient boosting decision tree,GBDT)和基准月数据确定研究期内其他月份的护林员评价得分,最后对护林员巡护情况进行综合分析。研究结果表明,该方法可精准、清晰地划定护林员巡护情况评价得分;研究期内护林员整体巡护情况偏差,评价得分≤60分的人数占比较大;常驻护林员在研究期内巡护情况评价得分基本保持不变,偶尔上下波动,毫无提升。本文的方法从实际数据出发,对护林员巡护情况进行针对性的分析,使得护林员管理者可制定科学的管理方案,并以期为护林员巡护情况的评价方法提供新的方向和思路。