农业机器人采摘目标识别技术研究——基于FCM模糊聚类算法

介绍了FCM(Fuzzy C-Means)模糊聚类算法的原理,采用权重分配的方法对该算法进行了改进,通过建立模糊的相似矩阵,对目标对象的特征聚类图进行分析,并引入隶属度矩阵对FCM算法进行优化,以加快算法的迭代速度。实验结果表明:农业机器人采用该方法对农作物轮廓分割识别度较高,算法计算效率较快,验证了其可靠性,该方法可用于目标农作物的分割和目标识别。

基于FCM-LSTM的软件运行资源变化规律方法研究

软件在运行过程中会消耗资源,此过程存在两个问题,一是难以确定资源消耗发生变化的拐点,二是同一软件同一模块运行不同任务时,所产生的数据样本数量级差异过大。基于此,提出一种结合FCM和LSTM的算法研究软件运行资源变化规律的方法,利用FCM算法实现不同数量级样本间的群聚,接着把处理后的样本放入LSTM模型进行训练,进而得到资源消耗变化曲线。实验表明,通过资源消耗变化曲线能够确定拐点的类型和其出现的位置区间,进而找到软件运行资源变化规律。另外,通过对比分析,FCM-LSTM模型在解决此问题上的准确率高于其他同类型的传统算法。

多物理场耦合下FCM堆内行为研究

为研究全陶瓷包覆弥散燃料(FCM)堆内行为,评价FCM芯块的安全性能,优化FCM芯块结构设计,本文采用二维特征模型模拟FCM芯块的热-力学行为,通过计算不同位置TRISO颗粒的内压,作为输入条件,模拟缓冲层的变形将核芯和缓冲层去除,解决了多颗粒映射的难题。通过调整FCM结构参数,计算了不同结构对FCM芯块性能的影响,实现了FCM芯块的结构优化。研究结果表明,在压水堆环境下,FCM芯块中基体最高温度随运行时间迅速增大,在100天左右时温度达到稳定最高温度约为1390K,低于SiC分解温度。SiC基体的环向应力较高,最高可达1200 MPa,远高于SiC的断裂强度,因此基体在运行过程中开概率率较大。TRISO颗粒中SiC层的环向应力较小,最大应力约为180 MPa,具有较低的失效概率(9×10^(-5)),保证了SiC层的结构完整性。此外,当无燃料区尺寸为400μm时,SiC层的失效概率约为2.0×10^(-5),保证了SiC层的完整性。因此,本研究建立的FCM芯块分析方法,为FCM芯块的工程应用和结构优化奠定了基础。

基于LOF-FCM算法的船舶航行数据识别

针对传统船舶自动识别系统数据在清洗异常数据和提取停留数据时分别采用不同的识别方式、类型判断阈值需要人为设定、识别效率不佳的局限性,首次提出了一种船舶航行轨迹中停留及异常数据的一体化检测方法。通过分析航行路线的3种数据(停留、异常和航行)异常因子特征,提出基于LOF-FCM的船舶航行数据、停留数据和异常数据一体化检测算法。实验对3类数据进行了识别,模型识别准确率达到了92.69%,有效提高了异常、停留、航行数据的识别能力。结果表明所提方法可一次性实现AIS数据中3种数据的检测,能高效分离出正常船舶航行数据,具有良好的工程应用价值。

基于GWO-FCM的输油泵故障诊断模型自学习框架

随着输油泵场站无人化建设的发展,企业对输油泵故障诊断技术的要求也越来越高。目前,被广泛使用的利用机器学习算法进行输油泵故障诊断的方法都只能针对模型训练集中已包含的几类故障进行诊断,在企业的实际使用中,仍会出现其他不包含在训练集中的故障而不能被正确自动识别、诊断。针对上述问题,设计了一种输油泵故障诊断模型自学习框架,通过信号处理技术结合深度学习提取深层故障特征,提高工业现场数据的可分性;通过模糊C均值聚类结合相似度度量判别已知故障和未知故障,对出现的未知故障模式进行识别和记录;利用频繁出现的未知故障数据重训练模型,在原有诊断功能的基础上提高对未知故障的识别、诊断及学习能力。为验证方法的有效性,使用工业现场采集的输油泵数据进行实验,结果表明,现有诊断方法所提出的输油泵故障诊断模型自学习框架能够实现对未知故障的准确识别。

基于改进FCM聚类的光伏电站出力场景特性研究

为提高新型电力系统的运行安全可靠性,需要对光伏电站的出力特性进行量化评估,并从高不确定性的众多发电场景中掌握光伏电站的运行规律。为此,基于场景聚类和缩减原理对光伏出力进行分析。首先提出光伏出力特性的评价指标,包括波动性和出力效率2个一级指标和相应的二级指标;然后采用模糊C均值(fuzzy C-means,FCM)聚类算法,基于密度思想和距离最大、最小原则确定初始聚类中心,通过不断迭代得到不同场景下光伏出力的聚类结果。考虑到传统聚类算法存在局部收敛性,难以确定最优聚类数目,提出结合聚类有效性指标来确定聚类最优数目,进而采用基于概率距离的前推回代法对得到的聚类结果进行场景削减,最终得到光伏电站季节典型出力场景。最后基于广东省某光伏电站实际出力数据进行分析,验证所提指标和算法的有效性。

基于改进FCM的冲压件缺陷图像分割算法

在工业质检过程中,冲压件缺陷图像分割作为缺陷检测的重要环节,直接影响缺陷检测效果。而传统的模糊C均值(FCM)聚类算法未考虑到空间邻域信息,对于噪声干扰较为敏感,导致分割精度较差,且其整体易受初始值的影响,造成收敛速度变慢。针对上述问题,提出一种改进的FCM算法。采用内核诱导距离中的简单两项代替传统的欧氏距离,将原有的空间像素映射到高维特征空间,提高线性可分概率和计算速度;利用图像像素之间的空间相关性,通过引入改进的马尔可夫随机场对FCM目标函数进行修正,提高算法的抗噪能力以及分割精度;采用秃鹰搜索(BES)算法确定FCM的初始聚类中心,提高算法的收敛速度,同时避免算法陷入局部极值的情况。为验证改进FCM算法的性能,选取划分熵、划分系数、Xie_Beni系数以及迭代次数作为评价指标,并与近年来先进的图像分割算法进行对比。实验结果表明,改进FCM算法具有更好的抗噪能力,能得到更好的缺陷分割效果,对工业生产中的冲压件缺陷检测有一定的应用价值。

模拟核芯FCM燃料的振荡烧结行为研究

全陶瓷微封装弥散(FCM)燃料以其较好的固有安全性而成为核能领域研究的重点。针对SiC基体难以烧结的问题,本研究利用振荡烧结具有加速传质和降低烧结温度的优势,开展了模拟核芯FCM燃料振荡烧结行为研究,重点考察了振荡烧结温度、振荡时间与振荡压力等参数对基体致密化行为的影响,并与热压烧结结果进行了对比。结果表明,振荡烧结温度、保温时间以及中值压力对基体致密化有重要影响,而振荡压力的振幅对基体致密化影响不大。相比于热压烧结,振荡烧结可以提高材料的致密度,振荡烧结试样的致密度更高,1850℃振荡烧结试样的致密度为99.99%;振荡烧结试样的晶粒尺寸更小,1850℃振荡烧结试样的晶粒尺寸为(284±4)nm,比同等温度下热压烧结试样的晶粒尺寸减小~27%;振荡烧结试样的硬度更高,1850℃振荡烧结试样的硬度为(26.7±0.4)GPa。借助改进的热压烧结本构方程,计算得到试样在致密度为90%时的应力指数n=1,活化能Q=430 kJ/mol,致密化的主导机制为晶界扩散协调的晶界滑移。

区块链+企业网络:交互融合前因探源——基于扎根理论和FCM方法

区块链技术的应用可增强企业间信任,优化网络生态环境,但目前区块链与企业网络融合效果差强人意,尚未达到链网良性互构的效果。基于案例资料,通过扎根理论提炼出技术、环境、网络3个层面共17个影响因素,弥补了既有研究的不足;运用非线性Hebbian学习算法得到因素间的关系矩阵,揭示了各因素的重要性及关联机理。结果表明:彼此融合不仅受技术和环境层面的影响,还与网络中的节点及联结层面有关;彼此融合是技术创新能力和技术应用水平相互作用的结果;影响融合的关键因素包括技术易用性、技术标准、高层管理者支持、政府支持、共享思维、数字化基础、关系资本。交互融合前因要素的提取为融合效果研究奠定了基础。

基于FCM-GA灌溉供水管网减压阀布设优化

为探究灌溉供水管网中存在的漏损过高以及局部压力过大的问题,提出了一种基于FCM-GA的供水管网减压阀布设优化方法,该方法借助MATLAB、EPANET、MATLAB-EPANET-Toolkit以及PlatEMO平台等工具,对西班牙的BIN管网进行分区布置减压阀并优化阀后压力,以不同分区方案的成本与降漏效果为控制指标,筛选出最优方案。结果显示:最优方案(分5个区)将整个管网的漏损率降低至7.45%,相较初始管网降低了20.04%,降低的漏损费用可达114€/d,在减压阀服务年限内可收回成本并达到盈利,并实现对整个管网系统的压力管理,提高了管网的稳定性和可靠性,有利于减少管网事故发生。因此,基于FCM-GA的灌溉供水管网减压阀布设优化是一种安全、低成本和高效益的降漏与控压方法,在有效降低灌溉用水费用的同时,可更好地实现节水灌溉。

基于FCM和ITransformer-TCN的短期风电集群功率预测

准确的风电功率预测对于电力系统安全稳定运行具有至关重要的意义。针对当前在集群预测中存在集群划分不合理以及在短期预测中精度难以得到有效提升的问题,文中提出了一种基于模糊C均值(Fuzzy C-means, FCM)和ITransformer-时间卷积网络(Temporal Convolutional Network, TCN)的短期风电集群功率预测方法。首先基于FCM聚类算法划分子集群,再利用ITransformer-TCN模型双重特征提取的优势对各子集群建模预测,最后将文中方法应用于中国吉林省某风电集群,与其他方法对比RMSE平均降低了10.8%,验证了模型的有效性。

基于FCM算法的DMA分区技术在城市供水管网管理中的应用

现阶段我国城市供水管网还不完善,同时随着时代的发展,管网老化、使用效果和效率等问题也随之浮现,因此对原有城市管网进行优化管理是亟待解决的问题。供水独立计量区(District Metered Area, DMA)是一种领先的供水管网管理运营模式,通过FCM算法对管网进行优化分区,既可以及时发现管网供水反常点,又可以推测出分区区域内的漏失情况、并帮助查找漏失点,减少管网漏失率和产销差率,对于管网优化管理等有着积极作用。

基于KPCA-FCM工况精简的机组燃烧优化

针对深度调峰下运行工况频繁变动使锅炉燃烧优化参数调整难度增大的问题,提出了一种基于KPCA-FCM工况精简的燃烧优化方法。首先对锅炉实际历史运行数据提取稳态工况后,通过核主成分分析法(KPCA)进行降维,选取贡献率较大的运行参数利用模糊聚类算法(FCM)进行分析完成工况划分,实现对工况的精简。然后对不同的燃烧工况匹配对应的工况簇,调整燃烧参数到该类的最佳运行参数。为了验证该方法的合理性,采用最小二乘支持向量机辨识锅炉燃烧热效率模型。以高低两个工况区间为例进行仿真验证,结果表明提取到的最优运行参数目标值可以使锅炉热效率最高提升0.2%。因此,提出的工况精简方法可有效选取最优运行目标值,为现场运行人员调整运行参数提高锅炉效率提供了合理的数据参考。

基于改进FCM算法的舰船备件分类方法研究

备件合理分类是舰船库存精准管理的基础,由于舰船备件种类繁多,运行环境复杂,传统分类方法无法满足其准确分类的需求,为此提出了一个多准则的三阶段分类新方法。该方法在建立舰船备件分类指标体系基础上,第1阶段采用层次分析法(AHP)计算各指标的主观权重;第2阶段引入指标权重和距离权重,并结合密度峰值聚类算法(DPC),构建了加权距离优化的改进FCM算法(WDP-FCM),实现备件粗聚类;第3阶段针对实际管理需求设计了全新的分类调整规则,根据综合得分调整部分部件所属类别,得到最终分类结果。通过采用公开数据集对WDP-FCM算法进行验证,结果表明该算法聚类效果相较于传统算法更为准确;此外,以某舰船出航携行备件数据为例进行验证,结果表明基于改进FCM算法的三阶段分类方法分类结果科学合理,可为舰船备件分类决策及管理提供科学有效的理论依据。

基于HFACS-FCMs模型的船舶搁浅事故人因分析

为分析船舶搁浅事故致因因素中人为失误的干扰,建立人为因素分析及分类系统(human factors analysis and classification system,HFACS)-模糊认知地图(fuzzy congitive maps,FCMs)量化分析模型,从4个层面、20个分类项目角度分析在船舶搁浅事故中人为因素的影响,采用航运业专家对船舶搁浅事故致因因子的评估打分方法,构建船舶搁浅事故致因因子关系矩阵,以模拟与计算的总体中心值和标准中心值分析船舶搁浅事故致因因子。结果表明:船舶安全管理组织不当对船舶搁浅事故影响最大,组织影响和不安全行为前提条件对船舶搁浅事故影响较大,不安全行为与不安全监督对船舶搁浅事故影响次之,缺乏团队合作对船舶搁浅事故影响最小。结合分析结果,提出船舶搁浅事故的预防措施,为有效预防和减少人为失误导致的船舶搁浅事故提供参考。

基于改进FCM和PSO-SVM的焊接缺陷识别

为实现海洋工程钢结构件焊接接头缺陷的客观、智能化分类,本文以其数字射线检测图像作为研究对象,进行基于改进的模糊C均值聚类算法(FCM)和粒子群优化支持向量机(PSO-SVM)的缺陷识别研究。首先,基于限制对比度直方图均衡化去除原始图像中干扰噪声,引入像素点加权系数ω改进FCM进行图像分割;然后,基于灰度共生矩阵提取图像纹理特征,利用主成分分析法进行特征数据降维,将粒子群优化与支持向量机分类相结合进行参数寻优,建立纹理特征与缺陷类型间的连续变量分类模型;最后,以多人工综合完全正确的评价结果验证缺陷识别模型的有效性和准确性。结果表明:所训练的识别模型准确率为96.11%,经验证其识别准确率约为95.2%。与未经限制对比度自适应直方图均衡化(CLAHE)增强的模型、反向传播(BP)神经网络模型对比,该模型可以很好地实现常见缺陷的识别,且误差小,可应用于船用钢数字射线焊接缺陷识别领域。

基于QPSO-FCM算法的中智学图像分割算法研究

图像分割被认为是图像处理中的一个重要步骤。模糊c-均值聚类(FCM)是图像分割的常用方法之一。为了克服模糊c-均值聚类算法容易陷入局部最优的不足,该算法在中智学理论的基础上将模糊c-均值聚类和量子粒子群算法相结合。首先,根据中智学模糊理论将图像转换成中智图像,然后通过α均值、图像增强算法对中智图像进行预处理,最后用QPSO-FCM算法进行分割。在实验中,自然图像以及医学图像都被用来验证这些方法,无论图像是否加入噪声,相比于其他算法,其分割边界都较为清晰。

基于FCM算法的中小型转动设备故障检测研究

针对现有算法在中小型转动设备故障检测中存在的收敛速度慢、故障识别率低等问题,提出一种基于FCM融合算法的故障检测方案研究。对原始故障集做降噪处理,基于模糊熵值理论在多尺度条件下提取故障向量的隶属度;利用GA算法优化FCM算法的迭代性能和收敛性能,分别更新故障特征向量模糊隶属度矩阵和聚类中心矩阵,以达到改善聚类精度,提高故障识别率的目的。实验结果显示,该算法在不同的聚类中心数量及故障类别的条件下,能够获得更好的聚类效果和更高的收敛速度,训练集合和测试集的平均故障识别分别可以达到99.19%和98.23%。

基于FCM和BiLSTM的电动汽车充电负荷预测

为了解决江北城乡电动汽车充电缺口问题,提高充电服务的智能化水平并增进用户体验,文章提出一种基于FCM和BiLSTM的电车充电负荷预测方法。为了识别出充电负荷内部结构和模式,首先将日充电负荷数据集进行FCM聚类,将数据划分为不同集群,每个集群代表具有相似充电负荷特征的样本。然后针对每个集群的不同样本特征,构建相应的BiLSTM模型进行训练并预测,通过调整模型参数,提高模型预测准确性。通过对比实验,验证了该方法的有效性和实用性。

基于加权FCM聚类算法的电力交易数据动态提取模型

海量、冗余的电力交易数据极大地阻碍了电力交易决策,为此,研究基于加权FCM聚类算法的电力交易数据动态提取模型。汇聚预处理电力交易数据,压缩数据体量,基于全排列理论排序处理电力交易数据,提取电力交易数据特征(波动性、趋势性与变动性特征)作为FCM聚类算法的加权依据,获得对应的加权矩阵,应用加权FCM聚类算法聚类提取需求的电力交易数据,实现电力交易数据的动态提取。实验数据表明,该模型获得的电力交易数据聚类参数DBI数值较小,DVI数值较大,电力交易数据动态提取时间较短,应用性能更佳。