基于近邻传播聚类-K均值聚类的工业用户用电模式挖掘方法

为了充分发挥用户负荷的可调节潜力,提出了一种基于近邻传播聚类-K均值聚类的工业用户用电模式挖掘方法。首先,比较K均值聚类和近邻传播聚类-K均值聚类的优缺点。在工业用户的选取上,选择最佳聚类数均为3的工业用户负荷数据作为被分析对象以便聚类,借助MATLAB工具对用户负荷数据进行聚类,得到了3组所需的聚类中心,再绘制成曲线以便观察和后续提取特征指标。

基于近邻传播聚类的电商商品信息个性化推送研究

引言.在当今数字化时代的电商环境中,向用户提供个性化的商品信息推送成为关键任务。近邻传播聚类是一种先进的数据聚类方法,可以有效地对用户和商品信息进行分类,实现精准的个性化推送。近邻传播聚类是一种基于数据相似性的聚类算法,能够在海量数据中发掘出数据的内在结构,为电商商品信息个性化推送提供有力支持。为了更好地应用近邻传播聚类算法进行电商商品信息个性化推送,本文开发了一种基于近邻传播聚类的电商商品信息个性化推送系统[1]。

基于近邻传播聚类的多源异构数据信息个性化推送方法

在处理多源异构数据、大规模数据时,传统的推送方法倾向于根据整体数据趋势和热门程度进行推送,未能根据具体数据特征和用户行为进行细致区分,因此推送内容可能过于泛泛,缺乏针对性。为此,提出一种基于近邻传播聚类的多源异构数据信息个性化推送方法。使用网络爬虫技术,获取用户在网络上的信息浏览行为数据,对这些数据进行分析,构建用户偏好模型。为了提升数据质量,采用空间滤波法对多源异构数据信息进行去噪处理。通过对数据进行标准化处理,消除数据的多源异构特性,使其具有可比性。在此基础上,运用主成分分析法进一步提取多源异构数据信息的核心特征。利用邻近传播聚类算法,对数据特征和用户偏好进行聚类分析,将具有相似性的数据或用户偏好归为一类。基于这些聚类结果,实现个性化的内容推送。经过实验验证,所设计的信息推送方法展现出极高的适配度和点击率,均超过95%。这一成果充分证明了所提出的方法能够实现对多源异构数据信息的个性化精准推送,为用户提供更加精准、贴心的信息服务。

基于近邻传播聚类与LSTNet的分布式光伏电站群短期功率预测

为了应对分布式光伏渗透率不断提高带给电网运行的挑战,提出了一种基于近邻传播聚类与长短期时间序列网络(LSTNet)的区域分布式光伏电站群短期功率预测模型。首先,利用近邻传播算法划分区域内不同季节的分布式光伏电站群,并通过皮尔逊相关系数确定光伏出力的强相关气象因子,结合双线性插值法加密对应光伏电站群的气象数据。然后,通过LSTNet挖掘光伏功率和气象因子序列的长期和短期时空依赖,并叠加自回归的线性分量,实现了群内多个光伏电站的同时预测。最后,利用美国国家能源部可再生能源实验室的实测数据集验证了所提方法的有效性。实验比较表明,所提预测模型具有较高的预测精度和鲁棒性。

基于近邻传播聚类方法的大学生计算思维能力评价模型

在大学生计算思维能力评价中,评价指标具有较强的主观性,缺少具体的评价标准,导致评价结果不可靠。为此,提出基于近邻传播聚类方法的大学生计算思维能力评价模型。首先,以大学生内部因素为主要影响因素,确定一级评价指标和二级评价指标,将其作为聚类算法的样本数据。其次,利用近邻传播聚类方法处理指标数据,建立大学生计算思维能力评价模型。最后,进行实验分析。实验结果表明,该模型的分析误差小,评价结果准确,优于对照组。

结合近邻传播聚类的世界生成神经网络优化器

为了解决黑盒问题优化领域中传统优化算法在学习问题结构时存在缺乏样本多样性的问题,设计结合近邻传播聚类的世界生成神经网络优化器。该优化器通过独特的世界模型与采样生成器进行协同学习,完成对问题结构的学习并生成更加多样化的解,以此为基础提出新的优化算法;将所提出的算法与5种有代表性的算法在12个不同特征的优化问题上进行多角度的对比。结果表明,结合近邻传播聚类的世界生成神经网络优化器在不同特征基准问题上平均性能达到最优,准确度平均排名第一,证明了结合近邻传播聚类的世界生成神经网络优化器在学习问题结构的有效性,同时增加了样本的多样性。

基于马氏距离的半监督近邻传播聚类算法

针对近邻传播(AP)聚类算法距离度量的局限性,以及对于一些结构比较复杂的数据集聚类算法精度不高的问题,提出一种基于马氏距离的半监督近邻传播聚类算法(SAPBM)。考虑到马氏距离不受样本维数的影响,在样本的相似性度量中,SAPBM算法以马氏距离取代了AP算法采用的欧几里得距离,减少因样本维数的影响造成样本间的相互干扰;结合成对约束信息改善数据间的相似度,使相似度矩阵更能准确反映数据间的关系。在UCI标准数据集上进行实验,结果表明,SAPBM算法相比传统的AP聚类算法和仅利用成对约束信息的SAP聚类算法的聚类性能更优。

基于近邻传播聚类的智能电网数据安全聚合

针对因类间相似度较高导致智能电网数据聚合结果稳定性差的问题,提出了基于近邻传播聚类的智能电网数据安全聚合方法。构建基于近邻传播的聚类结构,将每个数据点归属到最近的代表点,以此搭建日场景样本间的相似度矩阵,将其作为评判聚类中心的标准。引入了防震荡的衰减因子,初始化求解相似度矩阵,确定最佳聚类数。更新聚类结果,计算不同智能电网数据之间的相似度,设计智能电网数据安全聚合流程,实现数据安全聚合。由实验结果可知,该方法聚合程度始终高于0.70,聚合场景数量一致,说明智能电网数据安全聚合结果稳定。

基于MapReduce的分布式近邻传播聚类算法

随着信息技术迅速发展,数据规模急剧增长,大规模数据处理非常具有挑战性.许多并行算法已被提出,如基于MapReduce的分布式K平均聚类算法、分布式谱聚类算法等.近邻传播(affinity propagation,AP)聚类能克服K平均聚类算法的局限性,但是处理海量数据性能不高.为有效实现海量数据聚类,提出基于MapReduce的分布式近邻传播聚类算法——DisAP.该算法先将数据点随机划分为规模相近的子集,并行地用AP聚类算法稀疏化各子集,然后融合各子集稀疏化后的数据再次进行AP聚类,由此产生的聚类代表作为所有数据点的聚类中心.在人工合成数据、人脸图像数据、IRIS数据以及大规模数据集上的实验表明:DisAP算法对数据规模有很好的适应性,在保持AP聚类效果的同时可有效缩减聚类时间.

一种基于自适应标记与区域间近邻传播聚类的分水岭图像分割算法

分水岭算法是一种高效的图像分割算法,能够准确地对图像进行基于区域的分割,但是存在易过分割的问题.为此本文提出一种改进的分水岭算法:首先,对彩色图像进行频谱包络滤波并计算彩色梯度获得梯度图像,再采取一种自适应设定参数的H-minima技术,对梯度图像的极小值区域进行标记;然后,对已标记极小值区域的梯度图像进行分水岭分割;最后,计算分水岭分割所得各区域的颜色矩,作为该区域的颜色特征,并对这些区域进行近邻传播聚类获得分割结果.通过与近年来其它改进的分水岭算法和采用聚类的图像分割算法实验比较,本文所提算法能更加有效地抑制过分割,提高分割准确率,具有良好的自适应性和鲁棒性.

可变相似性度量的近邻传播聚类

近邻传播(AP)聚类算法面临的一个问题是不适用于多重尺度及任意空间形状的数据聚类处理。该文从数据分布特性的表征出发,提出了一种改进的近邻传播聚类算法AP-VSM(Affinity Propagation based on Variable-Similarity Measure)。首先,综合数据的全局与局部分布特性,设计了一种数据可变相似性度量计算方法,该度量可以有效地反映数据实际聚类的分布特性;然后在传统AP算法框架基础上,构造出基于可变相似性度量的近邻传播聚类算法,从而拓展了传统AP算法的数据处理能力。仿真实验验证了新方法性能优于传统AP算法。

一种分层组合的半监督近邻传播聚类算法

针对近邻传播(AP)聚类算法的计算复杂度和准确性,该文提出一种分层组合的半监督近邻传播聚类算法(SAP-SC)。算法引入"分层聚类"的思想,将一次AP聚类过程等分成若干层聚类,使得处理过程简单、易于实现;每层只关注聚类"困难"的数据点,并通过构造"成对点约束"和使用"子簇标签映射"进行半监督学习;基于"组合提升"的方法将各层聚类结果加权叠加,从而提升了算法的准确性能。理论分析和实验结果表明:算法在聚类准确性和计算复杂度方面有了较大改进。

基于关键词重要性和近邻传播聚类的主题分析研究

鉴于传统科学计量方法存在共现分析缺少考虑关键词重要性和主题分析手段不能自适应地抽取核心主题等问题,本文提出一种基于关键词重要性和近邻传播聚类的主题分析方法。该方法依据大多数作者的潜在行为会按照与研究内容相关性的强弱顺序提供论文关键词,计算关键词在每个文献中的重要程度,构建主要关键词之间的相似性矩阵,结合能够反馈最优簇成员代表性结果的近邻传播聚类实现核心主题的提取与分析。本研究对图书情报类某刊物2012-2016年期间的文献关键词进行数据挖掘,使用新方法实现了基于重要性度量的主要关键词聚类,分析和研究了主要关键词和核心主题的演化趋势。提出的方法不仅能够考虑关键词重要性和自动识别核心主题,还可以为文献主题分析提供新的数据挖掘方法,也能有效提高期刊和学科等相关领域的主题识别效果。

面向大规模数据集的近邻传播聚类

近邻传播聚类在计算过程中需构建相似度矩阵,该矩阵的规模随样本数急剧增长,限制了算法在大规模数据集上的直接应用。为此,提出一种改进的近邻传播聚类算法,利用数据点的局部分布,借鉴半监督聚类的思想构造稀疏化的相似度矩阵,并对聚类结果中的簇代表点再次或多次聚类,直至得到合适的簇划分。实验结果表明,该算法在处理能力和运算速度上优于原算法。

基于奇异值分解的自适应近邻传播聚类算法

针对近邻传播算法无法有效处理高维数据而导致聚类效果不佳的问题,提出一种基于奇异值分解的自适应近邻传播(SVD-SAP)聚类算法.通过引入奇异值分解,对高维数据进行重构、降维,消除冗余信息,并在此基础上采用非线性函数策略,自适应地调整阻尼系数,提高算法的聚类性能.仿真实验结果表明,与已有算法相比,该改进算法聚类精度更高,收敛速度更快.

一种改进近邻传播聚类的图像分割算法

针对近邻传播(Affinity Propagation,AP)聚类算法存在运算复杂度高且未考虑数据点密度对聚类效果的影响的问题,提出一种改进的近邻传播聚类算法并应用于图像分割。首先,在度量数据点之间的相似性时,考虑到密度差异对数据点成为类代表点可能性的影响,利用密度聚类的思想设置偏向参数,同时引入数据点的空间邻近位置信息,充分利用图像信息,提高相似度矩阵构造的合理性,增强聚类的内聚性,并提高分割精度;其次,为降低计算相似度矩阵的复杂度,减小计算机内存开销,引入Nystr?m逼近策略求解相似度矩阵,提升了算法的效率。实验表明,改进后的算法与传统的近邻传播聚类算法相比获得了更好的图像分割效果。

基于近邻传播聚类与MCMC算法的风电时序数据聚合方法

为减少风电功率时序数据的冗余信息,提高电力系统仿真的计算效率。该文提出一种基于近邻传播聚类与马尔科夫链蒙特卡洛(affinity propagation clustering andMarkov Chain Monte Carlo,AP-MCMC)的风电功率时序数据聚合方法。首先,采用自相关函数与快速傅里叶变换分别对风电时序数据进行时–频域周期特性分析,选取聚类场景样本的最佳时间尺度。其次,利用近邻传播(affinity propagation,AP)算法对场景样本聚类,获取多类场景簇,并基于马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)方法,构建各类场景簇间的状态转移概率矩阵,生成自定义长度的聚合状态序列,最后,按照状态序列逐次单向顺序抽取场景簇中的样本,构建成具有代表性的风电时序聚合序列。以某省级电网为算例,将提出的AP-MCMC法与典型日法、典型场景集法的多元评价指标对比分析。结果表明,AP-MCMC法生成的聚合序列能更准确地反映风电功率的特征和优化策略,提高了计算精确度和效率,具有一定的工程应用价值。

采用流形近邻传播聚类的极化SAR图像分类

针对传统近邻传播(Affinity Propagation,AP)聚类算法使用欧式距离构建相似度矩阵,不能有效描述极化SAR数据复杂分布的问题,本文提出一种新的基于联合流形距离的AP聚类算法(CMD-AP)用于极化SAR图像分类。首先将待分类极化SAR图像分割成若干超像素,在相应的极化特征基础上加入图像纹理特征,利用拉普拉斯特征映射算法对特征降维;然后结合相干矩阵Wishart流形和特征矢量欧式流形作为流形距离测度,构造相似性矩阵;最后利用上述相似性矩阵,采用AP聚类算法,对极化SAR图像进行分类。该算法充分考虑了极化SAR数据集潜在的流形结构,将联合的流形距离测度引入AP算法中。实验表明,本文算法提高了极化SAR图像的分类精度,具有更优的区域一致性和边缘保持效果。

在高维数据上的近邻传播聚类降维研究

为了使近邻传播(AP)聚类在高维空间中获得更好的聚类效果,该文提出一种基于谱分析的近邻传播聚类方法(Affinity Propagation based on Spectrum analyze,AP-SA)。首先,通过采用谱分析技术将分布在高维非线性的数据点集映射到几乎线性的子空间上,映射过程实现高维数据降至低维。最后,通过AP聚类算法对映射在低维空间上的数据进行聚类,从而提高了AP算法在高维空间上的聚类性能。仿真实验结果表明,该方法相比于传统AP算法,在低维数据中无明显的优势,但随着实验的数据集的样本规模与维数的增加,在高维数据中的该方法降低了聚类时间的同时,也保证了较好的聚类效果。

基于流形距离的半监督近邻传播聚类算法

通过学习数据集的低维流形结构,给出一种流形距离测度;结合成对约束信息,调整数据的相似度矩阵,将其作为近邻传播算法的输入,提出了基于流形距离的半监督近邻传播聚类算法(SAP-MD)。通过在UCI标准数据集上的仿真实验表明,SAP-MD算法相比于仅利用成对约束信息的聚类算法,在聚类性能上有很大提高。