基于BIRCH聚类的L-Transformer分布式光伏短期发电功率预测

精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。

基于BIRCH聚类的航空器自主运行风险状态评价

为解决自主运行模式下航空器风险评价指标缺失和风险状态实时评估困难等问题,提出1种自主运行模式下航空器风险状态评价方法。从航空器冲突、气象规避区侵入、操纵裕度3个方面建立风险状态评价指标体系,运用BIRCH算法建立聚类特征树对多维航空器特征样本进行风险模型训练,引入增量式聚类的概念,更新特征树,实时评估动态目标航空器的风险状态。然后,以广州05扇区为运行场景展开仿真实验。研究结果表明:所提方法准确度达99.5%,平均计算时间约为0.0249 s。研究结果可有效支撑自主运行理念实施,提高风险预警能力,保障航空器自主运行安全。

BIRCH数据聚类算法优化研究及仿真分析

近年来在数据分析中最广泛研究的问题之一就是在多维数据集中识别聚类或密集区域。为了解决大型数据集和最小化I/O成本的问题。由此提出一种基于层次结构的数据聚类方法——平衡迭代和聚类方法 BIRCH。论文中对BIRCH聚类算法性能从时间/空间效率、对算法参数改变下的Calinski-Harabasz指数和聚类质量等方面进行了评估,并和经典的CLARANS算法进行了性能比较。

改进SPBO优化BIRCH算法的退役动力电池等级划分

针对退役动力电池存在数量庞大、一致性差、分类效率低等问题,将改进学生心理优化算法(SPBO)和BIRCH算法结合,对退役动力电池进行等级划分。基于BIRCH算法原理并结合退役动力电池参数,构建聚类特征树。利用改进后SPBO的优化特性,优化聚类特征树中节点的选取。分析仿真结果可知:与改进前相比,解决了聚类特征树中存在异常节点的问题;所提算法相对于传统k均值聚类,性能更为优良;使划分等级后的电池,拥有较高的一致性。

基于BIRCH算法的配电网设备多源数据融合存储技术研究

针对智能配电网设备量剧增导致的数据上传速率慢、数据存储性能较差等问题,提出了基于海量信息处理的配电网设备数据存储模型研究。利用Hadoop分布式平台搭建配电网设备数据存储模型架构,以此获取配电网设备海量数据。且应用CMCH算法并行关联配电网设备的多源数据,并采用了BIRCH算法融合设备并行关联数据库,以此获取配电网设备多源数据融合结果。再通过一致性哈希算法存储配电网设备数据,实现配电网设备数据存储模型的运行。同时搭建了Hadoop分布式平台,准备实验数据集来进行设备数据存储仿真实验。实验结果显示,与传统模型相比,所构建模型的数据上传速率较高、数据压缩也比较大,充分说明了该模型设备数据的存储性能较好。

基于BIRCH算法的多源数据融合存储技术研究

对于智能配电网设备数据上传速率低、数据存储性能差等问题,提出一种基于BIRCH算法的多源数据融合存储模型。首先,通过Hadoop分布式平台构建数据存储模型架构;其次,分别通过CMCH算法、BIRCH算法实现设备多源数据的并行关联、融合设备并行关联数据库;最后,通过一致性算法实现设备数据的存储。仿真结果表明,此种存储技术可有效提升设备数据上传效率,增大数据压缩,具有较好的设备数据存储性能。

基于本地差分隐私的BIRCH混合数据算法

BIRCH算法是一种适合处理大规模数值型的聚类算法,但现实生活中的数据往往是混合型数据,导致了BIRCH算法的局限性;此外,在使用BIRCH算法进行聚类分析的过程中存在隐私泄露的风险,而传统的中心化差分隐私算法存在需要可信第三方的缺点。针对以上缺陷,提出了基于本地差分隐私的BIRCH混合数据(LDP-BIRCH)算法,对混合型数据中的非数值型数据进行编码处理,并使用本地差分隐私对数据集进行扰动,将扰动后的数据集发给第三方进行BIRCH算法聚类分析。研究结果表明,LDP-BIRCH算法在adult和Facebook Live Sellers in Thailand数据集上满足隐私保护性和聚类可用性。

基于BIRCH的分布式光伏系统短期发电功率预测方法

当前分布式光伏系统短期发电功率预测结构多设定为目标式,预测范围在实际发电环境下受限,导致平均绝对预测误差增加。为此设计基于利用层次方法的平衡迭代规约和聚类(Balanced Iterative Reducing and Clustering Using Hierarchies,BIRCH)的分布式光伏系统短期发电功率预测方法。首先,明确预测指标,采用多层级的方式设计预测结构;其次,结合BIRCH原理,设计发电功率预测模型;最后,采用梯度回归处理的方式来实现最终预测。测试结果表明,对比传统变分模态分解-麻雀搜索算法-反向传播(Variational Mode Decomposition-Sparrow Search Algorithm-Back Propagation,VMD-SSA-BP)光伏系统短期发电功率预测小组、传统时序动态回归光伏系统短期发电功率预测小组,此次所设计的方法得出的平均绝对预测误差被较好地控制在2.1以下,预测效果更佳,针对性更强,误差可控,具有实际的应用价值。

一种基于BIRCH的异常检测技术

文章针对KNN存在的复杂度过高的问题,提出应用把BIRCH算法的层次聚类思想近似地计算weight的BirchOut算法,以降低其复杂度,同时利用孤立点挖掘的思想做异常检测.通过在KDD99数据集上的实验,我们验证了算法的有效性.

人工模拟降水条件下旱作农田土壤“Birch效应”及其响应机制

降水事件引起干土复湿刺激土壤CO_2,脉冲释放的现象被称为"Birch效应",其作用机制可能是降水刺激土壤"底物供给"增加或引起土壤"微生物胁迫"所致。为深入了解土壤"Birch效应"对降水格局改变的响应过程及内在机制,在冬小麦拔节期和夏闲期分别进行了不同降水量(1-32 mm)人工模拟降水实验,系统观测了降水后0-72 h土壤呼吸及土壤碳组分变化特征,结果表明:土壤呼吸随降水量的增大而增强,1-16 mm降水土壤呼吸峰值出现在降水后4h,而32 mm降水土壤呼吸峰值出现时间滞后了4 h。与较小降水量相比,较大的降水量能增加土壤呼吸但会推迟土壤呼吸峰值出现时间。土壤呼吸速率峰值(SRP)与降水量(P)呈幂相关(拔节期:SR-P=0.97P^(0.09),R^2=0.5,P<0.05;夏闲期:SR-P=1.07P^(0.09),R^2=0.98,P<0.01)。降水后72h累积CO_2释放量(CO_2-P)与降水量呈线性相关(拔节期:CO_2-P=0.03P+5.99,R^2=0.58,P<0.05;夏闲期:CO_2-P=0.11P+6.04,R^2=0.86,P<0.01)。土壤呼吸温度敏感性系数和降水量之间存在二次曲线关系(拔节期:Q_(10)=-0.007P^2+0.2P+0.7,R^2=0.32,R^2<0.05;夏闲期:Q_(10)=-0.01P^2+0.3P+0.2,R^2=0.86,P<0.01)。逐步回归分析表明,冬小麦拔节期所有降水量处理土壤呼吸与土壤微生物量碳相关性均达到显著水平(P<0.05),指示土壤"Birch效应"是由"微生物胁迫"所致。而在夏闲期,当降水量小于8 mm时土壤呼吸与微生物量碳相关性显著,即以微生物胁迫机制占主导;8 mm降水处理下土壤呼吸与氯仿熏蒸-K_2SO_4提取态有机碳相关性达到极显著水平,指示则为两种机制共同起作用,而当降水量大于16 mm时,土壤呼吸主要与可提取态有机碳显著相关,"Birch"效应转为以底物供给机制占主导。与夏闲期相比,冬小麦拔节期作物生长会削弱"Birch效应",并改变其响应机制。

一种改进的BIRCH分层聚类算法

由于传统的BIRCH算法是用直径来控制聚类的边界,因此如果簇不是球形,它就不能很好地工作,而且传统的BIRCH算法只适用于单表。针对BIRCH的这些缺点,本文提出了一种改进的BIRCH——IBIRCH算法,该算法首先通过ID传播把多个表联系起来,使得BIRCH算法可以适用于多表的情况,再通过计算共享最近邻密度,可以发现任意形状的簇。实验表明,该算法不仅具有较强的可伸缩性,还可以得到较高精确的聚类结果。

多重干湿交替格局下土壤Birch效应的响应机制

为了探究多重干湿交替格局及土壤团聚体粒径对土壤呼吸作用尤其是Birch效应的影响机理,以3种不同团聚体粒径的表层土(0～20 cm)为受试土壤,通过采用室内孵育试验的方法,研究了多重干湿交替循环及不同土壤团聚体粒径对Birch效应产生的影响。结果表明:复水促进了土壤呼吸作用,增加了土壤微生物生物量,但对微生物量和呼吸作用产生的激增效应并没有持续很长时间。复水3 h后呼吸速率达到峰值,并且随着干湿周期频率的增加而降低,其中大土粒降低幅度最小。不同土壤团聚体粒径对Birch效应的影响强度不同,但二者并不是简单的线性关系。总之,土壤团聚体能够保护部分有机质不被微生物分解矿化,多重干湿交替干扰了这种保护作用,提高了有机碳的生物相容性。Birch效应中被矿化的有机碳更多是来自于新的有机质的暴露,部分来自干旱期微生物细胞内积累的溶质。值得注意的是随着干湿循环数的增加,被暴露的新的有机质在被矿化分解前可能还存在其他中间过程。

一种改进的BIRCH聚类算法

BIRCH算法是一种适应于大规模数据集的聚类算法,通过对所有叶节点设定统一阈值T来构建聚类特征(CF)树,并在各阶段采取不同的阈值来重建树,但没有给出一个合理设定阈值初值T及如何在各阶段提升阈值大小的具体方法。另外BIRCH算法只能处理数值型数据,这使其应用受到限制。针对以上不足,对BIRCH算法做了以下改进:1)改进原BIRCH算法的CF结构,使其可以处理混合型属性数据集;2)启发式为BIRCH算法选择初始阈值T并给出了第二阶段提升阈值的具体操作方法;3)对BIRCH算法的参数B和L做了探讨,指出当参数B=L时算法性能相近,并提出为获得较好聚类效果时B值的取值范围。实验结果表明,改进后的BIRCH算法具有较好的性能。

基于数据流的BIRCH改进聚类算法

数据流管理作为一种新兴课题正在逐渐受到国内外广大研究学者的重视,数据流聚类是其中的一个重要研究领域。论文基于BIRCH聚类算法,提出了一种M-BIRCH聚类算法,克服了BIRCH算法对非球形的聚类效果不佳等缺点。实验结果证明,M-BIRCH聚类算法在聚类质量上比BIRCH有较大提高。

基于BIRCH聚类加速的彩色图像增强算法

针对现存的大多图像增强算法增强的图像可见性丢失问题,提出了一种基于BIRCH聚类加速的彩色图像增强算法;首先,通过BIRCH聚类加速确定数据库中与输入图像直方图相似度最高的图像来提取图像特征;然后,选择最小欧氏距离的特征值进行图像融合以获取目标图像;最后,增强图像通过目标图像直方图规范化和后期处理获得;大量图像融合实验结果验证了算法的有效性,该算法扩展了图像增强的类别,解决了增强过程中可能出现的可见性丢失问题,使图像增强的适应性更强;另外,EM、CII和SSIM评估指标的结果表明该算法明显改善了增强效果。

基于连通距离和连通强度的BIRCH改进算法

为解决利用层次方法的平衡迭代规约和聚类(BIRCH)算法聚类结果依赖于数据对象的添加顺序,且对非球状的簇聚类效果不好以及受簇直径阈值的限制每个簇只能包含数量相近的数据对象的问题,提出一种改进的BIRCH算法。该算法用描述数据对象个体间连通性的连通距离和连通强度阈值替代簇直径阈值,还将簇合并的步骤加入到聚类特征树的生成过程中。在自定义及iris、wine、 pendigits数据集上的实验结果表明,该算法比多阈值BIRCH、密度改进BIRCH等现有改进算法的聚类准确率更高,尤其在大数据集上比密度改进BIRCH准确率提高6个百分点,耗时降低61%。说明该算法能够适用于在线实时增量数据,可以识别非球形簇和体积不均匀簇,具有去噪功能,且时间和空间复杂度明显降低。

基于Spark的BIRCH算法并行化的设计与实现

在分布式计算和内存为王的时代,Spark作为基于内存计算的分布式框架技术得到了前所未有的关注与应用。着重研究BIRCH算法在Spark上并行化的设计和实现,经过理论性能分析得到并行化过程中时间消耗较多的Spark转化操作,同时根据并行化BIRCH算法的有向无环图DAG,减少shuffle和磁盘读写频率,以期达到性能优化。最后,将并行化后的BIRCH算法分别与单机的BIRCH算法和MLlib中的K-Means聚类算法做了性能对比实验。实验结果表明,通过Spark对BIRCH算法并行化,其聚类质量没有明显的损失,并且获得了比较理想的运行时间和加速比。

差分隐私保护BIRCH算法

针对现有的层次聚类算法可能存在的隐私数据泄露问题,提出一个面向大规模数据集,且有效保护用户隐私的差分隐私BIRCH算法DP-BIRCH.DP-BIRCH算法依据差分隐私模型并借鉴概率分配思想,基于误差最小原则来调整隐私预算,采用异方差加噪方式,对待发布的CF树加入Laplace噪音.为进一步提高算法的查询精度及可用性,在DP-BIRCH算法的基础上,提出FP-BIRCH算法,同时采用线性回归及迭代运算等方法,解决了DP-BIRCH算法中存在的不一致约束性问题.实验采用两组真实数据集,在不同的隐私预算下,对DP-BIRCH算法和FP-BIRCH算法发布的DP-CF树与FP-CF树进行查询误差比较.实验结果表明,相比DP-BIRCH算法,所提出的FP-BIRCH算法有效可行,且查询精度更高.

Genetic relationship of interspecies for eight birch species

Genetic relationships of eight species of genus Betula were evaluated using ISSR marks. A total of 236 loci were generated from 17 ISSR primers. Percentage of polymorphic bands (PPB) varied from 5.93 to 19.92. The highest and the lowest level of genetic differentiation were detected in B. ovalifolia and B. maximowicziana Regel respectively. In these eight species, genetic diversity of birch (HT) was 24.38 %, and the genetic variation (GST ) interspecies was accounting for 79.36% of total genetic variation. According to the cluster results of genetic distance, the eight species were classified into three groups as B. davurica, B. ovalifolia, B. platyphylla and B. pendula for one group; B. schmidtii, B. costata and B. ermanii Cham. var. communis for one group, and B. maximowicziana Regel for another group. The result of cluster is consistent with traditional morphological classification.

基于BIRCH算法的模糊集数据库挖掘算法

为开发高效的数据挖掘算法,实现模糊集聚类算法的高效性,将BIRCH聚类算法思想与模糊集算法进行融合。通过对模糊集算法处理的数据进行二次聚类计算,细化群边缘,最后加载判别函数进行数据定位,完成数据挖掘。最后使用KDDCUP2011数据库进行仿真实验,对目标数据进行挖掘,证实了融合BIRCH聚类算法思想的模糊集算法具有可行性,对比改进前的算法在数据挖掘方面效率更高。