基于马尔可夫链和模糊聚类的电力系统短期负荷预测

提出一种马尔可夫链和模糊聚类相结合的预测方法,针对时间序列中出现的各种随机现象,分别建立数学模型.对样本所属状态采用模糊划分,使分类更符合实际情况;利用马尔可夫链对研究对象做状态分析,根据状态转移进行预测.该方法在电力系统负荷预测中使用,提高了算法的全局最优性能.在时间序列呈现较强的随机性时,本算法具有明显的优越性.仿真结果表明,对于各种扰动因素,预测误差可控制在3.5%以内.

一种从马尔可夫聚类簇发现潜在WEB社区特征的方法

在分析了目前一些典型的社区发现算法的基础上,通过对无主题条件下的隐含社区发现算法的研究,提出将基于流的社区特征和马尔可夫图形聚类算法(MCL)的簇结合起来寻找Web隐含社区的方法．将镜像或近似镜像页面的删除放在图形聚类之后,大大减少了比较的代价．然后,在聚类簇的基础上,使用判定每个簇内元素的筛选算法产生可能的社区候选集合．实验表明,该方法是可行的,可以发现许多存在的社区．

结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割

为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。

一种聚类隐马尔可夫模型的时空轨迹预测算法

随着"互联网+"的高速发展,大数据的不断产生,人们对时空轨迹的数据分析也越来越多.本文针对海量的用户轨迹数据进行研究,提出一种基于分区域的隐马尔可夫模型用以解决时空轨迹序列的预测问题.该模型首先通过聚类将一片区域内的时空序列分成多个小区域,每个小区域内再通过聚类确定多个隐状态和发射序列,然后针对每个小区域进行隐马尔可夫模型的训练得出最终模型.预测时通过已知的时空序列,找到对应的区域模型,通过维特比算法计算出最佳隐状态序列,再结合转移矩阵做出下一个轨迹点的预测.实验表明,该模型具有较高的学习速度,且预测精度较高.

基于有序聚类的模糊加权马尔可夫模型在降雨预测中的应用

基于降水过程中存在大量不确定性和不精确性的特点，在传统的马尔可夫链模型预测方法的基础上，利用有序聚类的最优分割算法和模糊理论，采取以规范化的各阶自相关系数为权重，建立了基于有序聚类的模糊加权马尔可夫预测模型，并对宜昌1999-2007年的夏季降雨量进行了预测，结果表明，基于有序聚类的模糊加权马尔可夫预测模型用于降雨量的预测效果较好。

基于隐马尔可夫模型的符号序列自组织聚类

本文提出一种基于模型的、适合变长符号序列的自组织聚类算法。隐马尔可夫模型被用于表达各个聚类,批处理自组织特征被用于符号序列的聚类过程。实验结果表明该算法能有效发现变长符号序列中的聚类模式。

基于DCBM的马尔可夫谱聚类社区发现算法

谱聚类划分算法是经典社区发现算法之一,由于目前构造的相似图承载的社区结构信息较少,导致聚类效果与理想效果具有较大差距,因此,提出了基于DCBM的马尔可夫谱聚类社区发现算法MSCD.首先,基于DCBM模型提出了以节点间连接概率为元素的概率矩阵,并建立了概率矩阵与相似矩阵之间的映射关系;其次,利用马尔可夫链重构了谱聚类的相似图;最后,使用重构的相似图对网络进行社区划分.在人工合成网络和真实网络上与SC,MRW-KNN和FluidC三种典型算法进行了对比实验.实验结果表明,MSCD算法具有更加高效的聚类性能,能够揭示更加清晰的社区结构.

基于马尔可夫混合模型的电子商务搜索引擎用户行为聚类

对搜索引擎用户行为进行聚类分析有利于为用户提供个性化的服务。为了能准确地刻画用户行为的动态性,提出利用马尔可夫混合模型,对电子商务搜索引擎的用户行为模式聚类。模型假设每一类用户行为可表示为一个马尔可夫模型,当用户使用搜索引擎时,每个用户以一定的概率属于某一聚类;该用户的行为序列,由对应的马尔可夫模型产生。同时,为了解决参数估计和模型自动选择的问题,将贝叶斯阴阳和谐学习理论应用于该混合模型,提出针对该模型的和谐度函数及自适应梯度算法。仿真实验结果表明,与传统的最大期望(EM)算法相比,基于贝叶斯阴阳机的自适应梯度算法能更高效和准确地同时进行参数学习和模型选择。最后,将所提出的聚类方法应用于真实的电子商务搜索引擎点击日志,初步验证了本模型的有效性。

基于隐马尔可夫模型的二次k-均值基因序列聚类算法

本文提出了一种基于隐马尔可夫模型的二次k-均值聚类算法并实现了对基因序列数据的建模与聚类。算法首先引入了同源基因序列核苷酸比率趋向于一致的生物学特征来对基因序列数据进行初次k-均值聚类,然后利用第一次聚类结果训练出表征序列特征的隐马尔可夫模型,最后采用基于模型的k-均值方法再次聚类。实验结果表明,该算法是可行的,并且具有较好的聚类质量。

一种基于隐马尔可夫聚类的信息提取方法

为了通过统计的学习来得到最优的模型参数,我们通过基于形式的聚类方法将训练数据聚成几个类,每个类的数据被用来训练一个初始概率和一个转移概率矩阵。在进行文本信息提取时,结合每一个初始概率矩阵、每一个转移概率矩阵,使用Viterbi算法来找出最优的标记序列。结果这些最优的标记序列中概率最大的标记序列将被作为最终输出。实验表明,新的算法在一定条件下能提高文本信息提取的精确度和召回率。

基于流式聚类及增量隐马尔可夫模型的实时反欺诈系统

针对目前金融支付行业交易中存在的欺诈风险复杂化和高频化的问题,提出一种基于密度分布演化的流式聚类算法(DDE-Stream)。利用CLIQUE算法对账户交易特征进行网格聚类,结合隐马尔可夫算法构建账户交易行为档案模型,根据该模型进行实时的欺诈侦测,并在模型自更新阶段,利用DDE-Stream算法对多维度交易特征进行实时聚类。实验结果表明,该算法能够实时侦测交易欺诈风险,且在验证集上获得的准确率相比传统随机森林分类算法超过50%。

模糊聚类的马尔可夫方法及神经网络法在铁矿石需求预测中的应用

以徐州市生铁产量及其与铁矿石需求量之间的关系为基础,通过模糊聚类的马尔可夫方法、神经网络法进行预测,发现两种方法所得结果基本吻合,旨在为决策者提供参考依据。

融合马尔可夫随机场与量子粒子群聚类的棉花图像分割算法

【目的】提高采摘机器人棉花图像处理系统中的图像分割准确率。【方法】提出融合马尔可夫随机场与量子粒子群聚类的图像分割算法。步骤:将读入的RGB模式彩色图像转换成灰度图像;利用本算法分割图像;通过对连通区域面积阈值的设定获取目标区域。使用本算法分割不同角度采集的棉花正面图像与棉花侧面图像,并采用分割精度、峰值信噪比,分别与Otsu算法、模糊聚类图像分割算法、量子粒子群图像分割算法和马尔可夫随机场图像分割算法进行效果比较。【结果】本算法分割精度、峰值信噪比平均值分别为98.94%、77.48dB,与Otsu算法、模糊聚类图像分割算法、量子粒子群图像分割算法、马尔科夫随机场图像分割算法相比,分割精度、峰值信噪比分别提高2.47~4.56百分点、9.81~13.11 dB。【结论】本算法处理棉花图像具有更高的分割精度以及峰值信噪比。

基于模糊聚类的马尔可夫方法在需求预测中的应用

马尔可夫预测传统的状态划分采用人为确定方法,由预测者的经验决定预测对象的初始状态。状态界限的划分定性分析因素极大。提出根据预测对象数据自身的相似度,采用模糊聚类方法对预测对象进行初始状态划分,确定初始状态概率和状态转移概率矩阵,进行马尔可夫预测的方法。该改进的方法在某铸钢厂的铸坯需求预测中进行了应用,预测结果表明该方法可有效指导铸坯需求。

基于二次聚类和隐马尔可夫链的持卡消费行为预测

银行卡支付在社会消费行为中占很大比例,在促进经济增长中发挥重大作用,因此,预测持卡消费行为具有重要意义。然而,传统方法难以有效应对复杂数据和动态变化。为此,提出基于二次聚类和隐马尔可夫链(HMC)理论的个体消费行为预测方法。首先,对消费行为按照序列进行模式聚类,并引入惩罚聚类进行二次聚类,对序列模式中的层次状态进行平衡划分;其次,利用HMC来估计序列中消费层次的状态转移,对用户的未来消费行为进行预测。最后,通过实验比较分析传统聚类、无惩罚序列聚类和带惩罚项的聚类结果表明,提出的基于二次聚类和隐马氏链的方法更适用于消费者行为预测。

基于马尔可夫随机场和模糊C-均值聚类的DTI图像分割算法

传统的模糊C-均值聚类(FCM)算法只考虑了图像灰度信息,未考虑图像的邻域信息,抗噪性能不够理想.为了充分利用图像空间信息,提出一种结合马尔可夫随机场(MRF)的自适应加权FCM改进算法.该算法根据局部密度判断像素在其窗口邻域范围内的离散种类,将MRF空间约束场和隶属度场的权重根据像素离散种类进行自适应变化,在消除噪声影响的同时,尽可能保留弥散张量成像(DTI)的图像细节信息.实验结果表明:该算法可以准确分割DTI图像,得到边缘清晰且细节信息保留良好的分割结果,与FCM算法以及MRF和FCM融合算法相比,其分割系数至少提高了3%,分割熵至少降低了2%,分割聚类效果得到提高,且分割系数和分割熵都不易受噪声幅度的影响.

大规模生物网络马尔可夫聚类的并行化算法

马尔可夫聚类算法(MCL)是在大规模生物网络中寻找模块的一个有效方法,能够挖掘网络结构和功能影响力较大的模块。算法涉及到大规模矩阵计算,因此复杂度可达立方阶次。针对复杂度高的问题,提出了基于消息传递接口(MPI)的并行化马尔可夫聚类算法以提高算法的计算性能。首先,生物网络转化成邻接矩阵;然后,根据算法的特性,按照矩阵的规模判断并重新生成新矩阵以处理非平方倍数矩阵的计算;其次,并行计算通过按块分配的方式能够有效地实现任意规模矩阵的运算;最后,循环并行计算直至收敛,得到网络聚类结果。通过模拟网络和真实生物网络数据集的实验结果表明,与全块集体式通信(FCC)并行方法相比,平均并行效率提升了10个百分点以上,因此可以将该优化算法应用在不同类型的大规模生物网络中。

融合马尔可夫聚类的实体间关系消解方法

随着面向网络大数据的知识库的不断出现,它们各自都包含海量的实体以及实体间的关系。然而许多有相同含义的关系并没有统一名称,针对这种情况,提出了一种基于马尔可夫聚类(Markov cluster algorithm,MCL)的实体间关系融合方法。该方法首先计算关系间的语义相似度,然后利用关系间的语义相似度作为有边的权重,构建无向图,并利用马尔可夫聚类算法进行聚类。实验表明,该方法相比层次聚类和k-means聚类方法在聚类纯度上有一定提高,并且更加方便使用。

基于马尔可夫聚类和混合协同过滤的电视节目推荐

针对家庭用户的电视节目个性化推荐问题,提出一种基于马尔可夫聚类和混合协同过滤(MCL-HCF)算法的混合推荐方法。采用马尔可夫聚类对各个时间段的电视用户进行聚类,产生不同的群组,最小化每个群组里的个体成员和群组整体的偏好差异,再以群组为单位进行电视节目推荐;使用基于物品的协同过滤和基于用户的协同过滤算法分别产生推荐列表;采用基于加权融合的混合推荐算法对两个推荐列表进行处理,得到最终的混合推荐结果。在公开数据集上的实验结果表明,该算法在平衡推荐惊喜度和相关性的同时能够获得令人满意的推荐准确率。

基于皮尔逊层次聚类的马尔可夫优化模型在降水预测中的应用

以黄委青铜峡水文站年降水数据为例,选取Kolmogorov-Smirnov分布检验对现有青铜峡水文站年降水数据进行降水分布显著性检验,判断历史资料的分布模型。采用基于皮尔逊层次聚类法进行状态划分,建立最优预测模型,并根据已确定的降水分布,通过K-S检验对该地区未来降水预测的准确性进行检验。结果表明,青铜峡水文站降水分布为皮尔逊三型分布;马尔可夫模型能够适用于青铜峡地区降水预测。