基于K均值+Davies—Bouldin指数+PCA法的桥梁结构性能综合评估算法研究

旨在提供一种确定评估桥梁结构构件性能的多参数综合评估算法模型,以指导桥梁结构体系的养护决策,确保其安全运行。首先,采用结构非线性分析方法,确定双层桁架系杆拱桥结构在极限状态下各构件的理论承载能力阈值。然后,基于聚类分析方法,采用改进的K均值法及Davies—Bouldin指数法对桥梁性能进行评估,利用主成分分析法对多参数进行关键因素的综合评估。最后,通过某双层桁架系杆拱桥实例进行验证,验证了对运营阶段拉索性能提出的评估方法的有效性与合理性。结果表明,提出的优化评估方法能有效地反映拉索结构的性能变化情况,为桥梁养护决策提供新的思路。

基于DBI-小波包分解和改进BP神经网络的轴承故障诊断方法研究

针对轴承故障诊断问题,以振动信号为分析对象,提出DBI-小波包分解和改进BP神经网络的诊断方法。采用4层小波包分解获取振动信号的不同频带特征,引入戴维森堡丁指数(Davies-Bouldin index,DBI)定量评价小波包分解结果,确定小波基函数为FK22时达到最佳分解结果。采用改进的BP神经网络对不同频带特征识别,引入弹性梯度下降法解决传统BP神经网络收敛速度慢和梯度消失等问题,提高网络训练速度。同时,针对BP神经网络隐藏层层数及各隐藏层节点个数难以确定的问题,设计正交实验对不同参数组合效果进行验证,选出最佳参数,避免盲目低效调参。对电机滚动轴承进行验证,结果表明平均故障识别准确率达到98.833%。

基于降雨类型直方图分析的降雨站点相似性研究

为研究降雨观测站点间的相似性,提出了基于单场降雨类型直方图分析的降雨站点相似性比较模型。首先提取降雨时间序列中的雨量项,经过数据预处理,选择和提取单场降雨特征,并将这些特征统计量进行数据标准化处理;采用基于Davies-Bouldin指数聚类有效性指数的K-means方法进行聚类,最后对聚类结果进行基于单场降雨的降雨类型直方图相似性分析。实验结果符合相关区域的站点相似性实际情况,表明该相似性模型是可靠的,具有较好的应用价值。

基于蚁群SVDD和聚类方法的旋转机械故障诊断

针对典型故障样本缺乏而使常规机器学习方法无法直接应用的难题,提出了一个基于支持向量数据描述(SVDD)新异类检测与基于Davies Bouldin指数(DBI)的K均值聚类方法相结合的旋转机械故障诊断框架.首先,针对正常状态样本建立SVDD模型,并利用蚁群算法对SVDD模型参数进行优化;然后,当拒绝样本数目累积到设定的阈值时,利用K均值聚类方法对其进行处理而获得能够进行标记的类别,其中,K均值聚类的类型数目由DBI辅助确定;最后,针对所标记的各类样本,分别建立SVDD模型并进行训练,将SVDD分类器按照二叉树形式构建系统状态的完整诊断模型.同时,利用滚动轴承多故障模式样本进行训练测试,以验证所提出算法的有效性.结果表明,所提出算法的训练速度为常规网格搜索算法的近10倍,DBI能够有效确定聚类的数目,对样本状态的识别率达到100%.

一种基于语义聚类的典型日负荷曲线选取方法

将典型日负荷曲线的选取问题转化为基于统计学习的多元分类问题,利用概率潜在语义分析模型(PLSA)进行问题求解。方法首先通过K均值聚类和负荷曲线时段划分形成观测特征词和目标文档,通过阈值计算获得特征词-目标共生矩阵;然后基于Davies-Bouldin指标计算PLSA模型的最佳主题数目,并对模型参数求解获得每个目标文档中特征词的潜在主题;最后依据电力负荷曲线与特征词的对应关系形成新的聚类,并采用选取策略获得各聚类的典型日。实验表明,方法能够较好的反映节假日、气候等因素的影响,典型日选取合理可行。

区域内旱情监测站点的布设研究

本文对北京通州辖区范围内组织的大规模的土壤墒情调查数据进行总结。基于地理统计、空间分析以及统计学知识,分析了北京通州旱情分布形势。运用数值分类学的知识对测量数据进行了聚类分析,同时用DB(Davies Bouldin)指标准则研究了区域内合理布设旱情监测站的数量及位置,为建立旱情监测站点提供了理论依据。

基于证据空间有效性指标的聚类选择性集成

首先针对距离空间在描述数据复杂结构信息方面的不足给出证据空间的概念。然后基于证据空间扩展有效性指标Davies-Bouldin,同时利用聚类成员的类别相关矩阵度量差异性。最后以较高有效性和较大差异性为目标选择聚类成员并用于集成。实验结果显示所提方法能够有效提高聚类集成算法的有效性。

基于改进K-均值聚类的欠定混合矩阵盲估计

在源信号个数未知条件下,提出一种基于改进K-均值聚类的欠定混合矩阵盲估计方法。该方法首先计算观测信号在单位半超球面上投影点的密度参数,然后去掉低密度投影点,并从高密度投影点中选取初始聚类中心,最后对剩余投影点进行聚类,根据Davies-Bouldin指标估计源信号个数,并估计出混合矩阵。仿真结果表明,该方法的复杂度低,其运行时间仅为拉普拉斯势函数法的1%-3%;该方法的源信号个数估计正确率远高于鲁棒竞争聚类算法,当信噪比高于13dB时,该方法源信号个数估计正确率大于96.6%,且混合矩阵估计误差较小。该方法在信噪比较高时,可降低对源信号稀疏度的要求。

基于模糊聚类算法的有效性指标

基于硬聚类算法的几种有效性指标,即Hubert统计量、Davies-Bouldin指标、Dunn's指标以及Dunn's指标的推广,提出了相应的适用于模糊聚类算法的有效性指标.实验证明,这些改进的有效性函数对模糊C-均值算法而言同样有效.

基于数据场的粗糙聚类算法

聚类分析是数据挖掘的研究热点。传统的聚类算法都是把一个对象精确地划分到一个聚类簇中,类别之间的界限是非常精确的。随着Web挖掘技术的发展,精确地划分每个对象的聚类算法面临着巨大的挑战。根据数据场理论和经典粗糙集理论所具有处理不精确与不确定性数据的特性,提出一种新的基于数据场的粗糙聚类算法,该粗糙聚类算法采用势值作为对象的划分依据,避免传统粗糙聚类算法一贯采用基于欧氏距离的划分方法。算法首先通过对数据对象进行粗分然后再不断迭代细分,直至形成稳定的聚类簇。实验分析过程中,把提出的算法与粗糙K-means算法和粗糙K-medoids算法进行了比较,结果表明该算法在交叉数据集上具有较好的聚类效果,而且收敛速度较快。

一个自动确定聚类数目的微粒群算法

提出了一个微粒群优化算法(autoPSO)自动聚类高维数据。autoPSO优化了Davies-Bouldin(DB)有效性函数,并将聚类问题转化为一个界约束的连续函数的优化问题。用一个实数矩阵和一个二进制向量来表示微粒,使得同一迭代中能够表示具有不同聚类数目的划分;并且,在二进制向量的控制下指导相关联的实数矩阵交叉操作,保持算法良好的种群多样性,避免算法早熟收敛。通过高维模拟数据集的实验结果表明,本文算法不需要预设聚类数目k,能够自动正确识别高维数据的聚类。

一种基于聚类的无监督异常检测方法

为了解决无监督异常检测方法无法检测突发性的大规模攻击的问题,提出了一种基于聚类的无监督异常检测模型,该模型从多个聚类器中选取DB指数最小的分簇结果,并利用最小簇内距离、最大簇内距离对每个簇进行分类,从而识别出攻击。实验表明该模型明显提高了检测率、降低了误报率。

一种层次初始的聚类个数自适应的聚类方法研究

K均值聚类算法是一种常见且有效的基于划分的聚类算法。为解决该聚类算法对初始中心敏感的问题,常用的方法是层次化初始聚类中心。然而,层次初始的聚类算法仍然需要将聚类个数作为输入参数,在高维数据和海量数据中不易应用。基于能够自动确定聚类数目的目的,采用DBI度量,提出一种层次初始的聚类个数自适应的聚类方法(简称DHIKM)。通过UCI数据集和仿真数据上的实验,证明DHIKM可以在采样数据中快速找到合适的聚类个数,实验结果表明该算法在聚类质量与收敛速度上的有效性。

基于聚合距离参数的改进K-means算法

针对传统K均值聚类(K-means)算法随机选择初始中心及K值导致的聚类结果不确定且精度不高问题,提出了一种基于聚合距离的改进K-means算法。首先,基于聚合距离参数筛选出优质的初始聚类中心,并将其作用于K-means算法。然后,引入戴维森堡丁指数(DBI)作为算法的准则函数,循环更新聚类直到准则函数收敛,最后完成聚类。改进算法提供了优质的初始聚类中心及K值,避免了聚类结果的随机性。二维数值型仿真数据的聚类结果表明,改进算法在数据样本数达到10 000时仍能保持较好的聚类效果。针对Iris和Seg这两个UCI标准数据集的调整兰德系数,改进算法比传统算法性能分别提高了83.7%和71.0%,最终验证了改进算法比传统算法聚类结果的准确性更高。

基于权重差异度的动态模糊聚类算法

针对传统模糊聚类算法需提前设置参数和初始聚类中心,导致聚类结果不稳定的问题,提出一种基于权重差异度的动态模糊聚类算法.首先引入样本特征权重向量和样本间差异度的概念,对数据集分布情况进行描述,并采用新的评价指标获取候选聚类中心;然后根据最小差异度准则,对剩余样本点进行分类;最后结合Davies-Bouldin指数(DBI)评价准则对候选聚类中心做进一步筛选与合并.实验结果表明,该算法在不同测试数据集上的性能明显优于传统聚类算法,具有更高的自适应性和稳定性.

基于EMD-RVM的风电场机组分组功率预测

通过识别不同风电机组的相似性将风电场内各机组区分为不同的机组群,对每组机群分别建立功率预测模型,既提高了计算效率,又改善了大型风电场短期功率预测精度,较好解决了风电波动性和间歇性对电力系统安全运行的影响。提出了一种基于戴维森堡丁指数与聚类算法的风电场机组分组功率预测方法,以实际测量风速,测量功率以及两者的组合作为机组分组模型输入,分析其对聚类精度的影响程度。首先,采用经验模态分解方法将风电功率序列分解后,将与原信号具有高相关性的固有模态函数(intrinsic mode function,IMF)分量重构,作为K-means聚类算法的输入重新进行场内机组分组。然后,对每组机群分别构建经验模态分解-相关向量机(empirical mode decomposition-relevance vector machine,EMD-RVM)模型。最后,将预测功率分量叠加获得总功率的预测值。仿真实验结果表明,风速是影响聚类结果的主要因素,功率可作为不同聚类模型输入变量的重要补充;基于EMD-RVM的分组功率预测提升了预测精度,提高了预测效率。

一种基于DBI-PD聚类算法的异常检测机制

分析了网络数据维数和检测准确度之间的关系,介绍了常用于入侵检测的聚类分析方法及其优缺点。在此基础上,提出一种以戴维森堡丁指数(DBI)为聚类准则、基于划分和密度方法的聚类算法(DBI-PD)。该方法通过信息增益率(IGR)提取网络数据中对检测攻击最有用的"特征",并以DBI准则确定最优聚类个数、划分和密度两种聚类分析方法结合使用用于异常检测。提出的基于DBI-PD的异常检测机制能有效避免聚类分析在入侵检测中的"维数灾难"问题、避免无用数据特征干扰,还能改善聚类质量,从而提高检测准确度。

基于车载GPS轨迹的立体交叉口空间结构信息获取方法

为了识别立体交叉口中不同的行驶规则,利用随机森林特征选择方法分析了车辆轨迹数据特征,按照重要性评分对特征进行聚类;利用戴维森堡丁指数衡量聚类结果,获得交叉口最优聚类结果下的各个行驶规则的聚类簇,并构建聚类簇范围约束的狄洛尼三角网;利用骨架线提取与公共序列合并方法,提取立体交叉口的几何结构与拓扑连通关系,获取城市立体交叉口空间结构信息;以武汉市2016年出租车轨迹为数据源,选取了武汉市城区立体交叉口进行空间结构信息获取试验。研究结果表明:立体交叉口中车载GPS轨迹特征重要性评分的前4项依次是终点角度、起点角度、起终点角度差、中间角度平均值,其中利用终点角度与起点角度特征组合的聚类结果是最优的;立体交叉口空间结构信息获取方法在直行、左转、右转方向下识别准确率分别为85.7%、85.4%、87.5%,综合准确率为86.2%,直行、左转、右转方向下信息召回率分别为91.5%、87.2%、85.9%,综合召回率为88.2%,因此,较高的准确率与召回率说明本文提出的方法可以准确识别立体交叉口空间结构信息,并提取立体交叉口中各个行驶规则的几何与拓扑连通关系。

考虑风光与负荷时序特性的主动配电网分布式电源优化配置

主动配电网中分布式电源优化配置时,风光机组出力与负荷时序波动特性使场景过多,这既会增加模型求解的难度,也会影响优化配置结果。为此,首先引入戴维森堡丁指数(Davies-Bouldin index,DBI)结合K-means算法对全小时场景进行聚类缩减。然后,建立考虑风光与负荷时序特性的主动配电网双层优化配置模型,上层以系统年综合经济成本最优为目标,决策变量为风光机组接入配电网的位置及容量;下层以系统各时段运行电压水平最优为目标,决策变量为配电网主动管理措施下的运行成本;综合考虑风光机组时序出力和负荷侧时序响应,实现主动配电网分布式电源优化规划。最后,采用改进的自适应遗传算法对模型进行求解。IEEE 33节点系统算例表明,所提方法及模型在确保场景选取的多样性和合理性的同时,兼顾了风光机组出力与负荷时序波动特性,提高了系统运行水平,降低了系统运行成本。

面向流数据的演化聚类算法

针对传统的聚类算法难以适应流数据在线聚类的问题,本文在演化聚类算法(ECM)的基础上,改进了ECM中聚类中心和聚类半径的更新过程,引入戴维森保丁指数(DBI,Davies-Bouldin Index)作为数据归类的评估准则,提出了一种面向流数据的演化聚类算法(SDECM).实验结果表明,与ECM相比,SDECM在目标函数值、DBI值、准确率和纯度等评估准则方面具有更好的聚类性能.