基于优化K-means算法的高校成绩聚类分析研究

针对经典K均值算法在聚类中心易受异常值影响,导致聚类结果不稳定的问题,提出基于样本分布密度的优化K-means算法,以提高聚类稳定性和准确性;聚类后通过CH指数和分类区间占比总体两种方法,客观评价3种离散化方法,结果表明,优化的K-means算法避免了区间分类不合理现象,更加准确地反映了成绩样本的分布特点。

基于K-means聚类分析的在线学习行为研究——以开放大学药学专业学习者为例

随着在线教育的迅速普及,如何利用在线课程平台的海量教育数据进行信息挖掘,识别学习者行为特征,从而实现数据驱动的因材施教,是在线教育发展的重要问题。以国家开放大学药学专业学习者为研究对象,采用K-means聚类算法分析学生在国家开放大学学习平台上的学习行为。将学生细分为4个类群,分别为“持续学习者”“消极学习者”“投机学习者”“突击学习者”,其比例分别为0.96%、18.41%、76.96%和3.67%,并探讨在线教育提升学习效果的可行对策,以期为开放教育和在线教育的因材施教提供一定的借鉴和参考。

基于K-means聚类分析和多元线性回归的相关流量数据处理方法

相关流量计在油井产出剖面测量中得到了成功的应用。但因传感器、调理电路以及流体本身噪声的影响,相关流量计所测量的渡越时间值会出现少量异常数据,使瞬时流速的计算结果与实际值相差很大,进而平均流量计算也出现较大的测量误差。对此提出基于K-means聚类算法对渡越时间样本数据聚类分析,并根据聚类结果建立多元线性回归预测模型,合理预测渡越时间值,以修正渡越时间的异常值。对预测值与实际值进行比较,最终获得准确的相关流量数据。采用多相流装置的实验数据对所建立的方法进行验证,结果表明,该方法可有效消除渡越时间的异常,优化流量测量的数据,对两相流流量测量有一定的实践意义。

基于K-Means聚类分析的长沙市常规公交与轨道交通竞合关系研究

常规公交作为公共交通的主体,对促进城市可持续发展具有重要作用。在轨道交通快速扩张的背景下,常规公交客流量急剧减少,企业亏损严重。在轨道交通发展的新时期下,如何不断提高常规公交竞争力,推动公共交通共同发展是一个重要的社会问题。以长沙市为例,首先对常规公交现状及发展趋势进行了分析,提出常规公交面临出行效率低和线网规划不合理等问题;其次通过K-Means聚类算法探讨了常规公交线路与地铁线路的竞合关系,其中仅地铁1号线、3号线与公交线路关系较为理想,强合作关系公交线路比例在30%以上,地铁4号线、5号线与公交线路合作能力较差,多处于竞争关系和弱合作关系;最后针对长沙市公交线路规划存在的问题提出了调整方法,并结合实际情况提出常规公交未来的发展策略。

基于K-means聚类分析处理遥感影像的河湖“四乱”因素识别

2018年水利部部署开展河湖“清四乱”专项行动,为提高河湖乱占、乱采、乱堆、乱建(“四乱”)问题的识别效率,应用K-means聚类分析方法对卫星遥感影像进行检测,分析了2020~2022年上海市26条(总长649 km)河道与淀山湖、元荡湖两个湖泊的“四乱”问题。结果表明:2020~2022年,28个河湖河口线外延6 m范围内有274处变化,其中疑似“四乱”问题82处。相比同期人工巡查,基于K-means聚类分析的遥感影像因素识别技术在识别河湖“四乱”中具有巡查效率高、巡查范围广、巡查成本低等优势。研究成果可以为下阶段河湖治理和保护监管以及信息化建设提供参考。

管制扇区运行稳度K-means聚类与分析

为更好地分析管制扇区运行存在的稳定亚安全状态和不稳定亚安全状态,使用K-means算法划分超容比(ECR)、滞留度和飞行姿态混合比3个管制扇区运行稳度评价指标聚类,确定管制扇区运行稳度最佳等级划分;聚类分析单一指标,获得各等级对应的指标阈值,结合熵权法计算的指标权重,遵循隶属度最大原则,获取各时间段的管制扇区运行稳度等级,构建管制扇区运行稳度综合评价模型;选取厦门01号扇区的实际飞行数据,从稳度和趋度2个角度更加全面地分析管制扇区运行态势。结果表明:管制扇区运行稳度等级划分为3类时效果最好;稳度受空中交通流和管制状况的影响会随时间而变化,尤其7:30—9:15和20:00—21:00这2个时间段管制扇区运行稳度的变化最为明显,需引起管制员高度重视,提高空域运行安全。

基于特征分箱和K-Means算法的用户行为分析方法

针对网购用户所产生的购物行为进行分析,首先通过数据处理构建客户关系管理模型(RFM模型),在此模型的基础上采用特征分箱法和K-Means聚类两种方法对用户进行细分,并对2种模型结果进行比较分析,讨论二者的差异性和具体的应用范围和意义.其中,基于特征分箱法的RFM模型将变量转化到相似的尺度上并将变量离散化,使得用户分类标签更加清晰,也可依据各类标签分类出不同类型的用户.K-Means算法通过轮廓系数评估聚类算法质量以至于选取最优K值.本文实验分析结果可为运营商提供更加可靠直观的数据,使得运营商可以根据不同用户的不同行为进行市场细分,进而进行精准营销和服务设置.

基于改进K-means与机器视觉的档案数据分析技术

为了提升医疗信息系统对健康档案数据的分析效率,文中采用图像采集、降噪、配准与差分等技术提取医疗图像信息,进而有效提升信息系统的数据采集效率。同时还对传统的K-means算法加以改进,并提出了一种基于类间、类内距离的聚类初始化评价指标体系(BWP),将其应用于采集到的档案数据中,以实现快速的聚类分析。将所提算法在CUDA计算平台上进行了实现,测试结果表明,该方法的聚类精度和运行效率较现有算法均有显著提升。此外,改进后K-means算法的正确聚类样本数量占比提升了4.88%,高于现有的主流指标体系,且当聚类数k的取值为16或32时,运行时间大幅降低。

基于K-means算法的建筑群震害分析模型缩减方法

基于建筑群模型和弹塑性时程分析的精细化城市震害模拟技术能够为防震减灾及应急救援决策提供必要的依据和参考。为了减小城市建筑群震害模拟的计算量和计算时间,本文提出一种基于聚类算法的建筑群模型缩减方法。该方法采用K-means聚类算法,首先基于建筑结构属性向量对建筑群进行聚类,将相似的建筑结构聚为一组;然后从每组选取一个代表建筑组成建筑群缩减模型,通过减少需要分析的建筑结构数量来减少建筑群震害模拟的计算量。本文对传统的K-means算法进行改进,通过设定组内建筑结构的差异上限自动调整聚类分组数量;提出将具体地震动作用下结构地震损伤指数作为结构属性向量进行聚类,并通过算例对比分别采用两种缩减模型,即基于损伤指数聚类的缩减模型与基于结构力学模型参数聚类的缩减模型,计算结构损伤状态准确程度。对比结果表明:在聚类分组数量相同的情况下,基于损伤指数的分组明显优于基于模型参数的分组,采用模型缩减方法能够在保证足够计算精度前提下显著减少建筑群震害模拟计算量和计算时间。

基于混沌理论与麻雀优化K-means算法的变压器铁心松动缺陷分析方法

为了更加有效地对变压器铁心状态进行分析,提出一种基于混沌理论与麻雀优化K-means算法的变压器铁心松动缺陷特征分析方法。首先,运用C-C法求解重构相空间的嵌入维数与延迟时间,重构变压器振动信号的相空间。其次,计算变压器振动信号的最大Lyapunov指数来判断系统是否具有混沌特性,选取关联维数、Kolmogorov熵作为一组混沌特征以识别铁心的松动程度。再次,将麻雀搜索算法引入K-means聚类算法优化初始中心簇的选取并使用簇中心与簇类点的位移平均值作为描述变压器铁心松动状态的定量特征。最后,将两组特征结合起来形成变压器铁心松动故障的诊断指标,为变压器铁心的松动故障诊断提供理论依据,并投入分类器进行故障诊断,验证两组特征结合的优越性。

基于改进K-means聚类的轨道交通基础设施分布式光伏发电典型场景生成及出力特性分析

受限于自然条件,光伏出力具有很强的随机性。为准确评估轨道交通基础设施分布式光伏发电的光伏出力特性,提出一种基于改进K-means聚类算法的轨道交通基础设施分布式光伏发电典型场景生成方法,并基于此进行光伏出力特性分析。首先,基于分布式光伏发电设施以及气象数据,利用PVsyst软件模拟光伏发电出力数据。然后,针对基本K-means聚类算法聚类参数和初始聚类中心盲目性高的问题,结合聚类有效性指标(Density based index,DBI)和层次聚类对其进行改进并利用改进K-means聚类算法生成光伏典型日出力场景。最后,基于华中地区某地轨道交通基础设施分布式光伏系统对所提方法的有效性和优越性进行验证,并通过定性和定量分析各典型场景的出力特性揭示轨道交通基础设施分布式光伏出力的规律和特点。

基于混沌理论与蜉蝣优化K-means算法的变压器绕组松动故障特征分析方法

为了更加准确有效地对变压器绕组状态进行分析,提出了一种基于混沌理论与蜉蝣优化K-means算法的变压器绕组松动故障特征分析方法。首先,运用C-C法重构变压器振动信号的相空间,分析变压器振动信号的混沌特性,得到关联维数、Kolmogorov熵作为混沌特征。然后,将蜉蝣优化算法引入K-means聚类分析中,对高维相空间轨迹的簇中心选取进行优化,得到相轨迹的簇中心矩之和、矢径偏移,并作为几何特征。实验结果表明:变压器振动信号的最大Lyapunov指数均大于0,适用于混沌特性分析;由变压器振动信号计算出的混沌特征能够表征变压器绕组的松紧程度;同时,经蜉蝣优化的K-means算法得到的簇中心能够作为特征点提取整个相空间轨迹的几何特征,也能够区分绕组的松动故障;将两种特征结合能够实现变压器绕组状态的准确监测,从而为变压器绕组在线检修提供了一种理论依据。

基于K-Means聚类分析法的大数据环境下电商精确营销策略

通过对陇南农产品电商销售大数据的挖掘分析,用回归分析找到商品收藏量与销售量的相关程度,利用K-Means聚类算法对商品的特征进行聚类分析。以特征分析为基础,从时令商品预售、价格层次、智能推送、直播带货和物流配送五个方面为陇南农产品电商销售制定出更为高效的营销策略。

基于狄利克雷多项式过程模型与K-means结合的菌群分析

群体分型是一种有助于更好的理解人类身心健康等复杂生物学问题的有效方法,聚类是一种为了对样本分组来降低复杂性的定义肠型的方法,而传统K-means聚类算法的K值选取无法确定,本文在传统K-means聚类算法的基础上进行了改进,并公开数据集上进行了验证,实验表明改进算法能够解决K值选取无法确定的问题,且聚类结果的稳定性、准确性和聚类质量都得到显著提高。将改进后的模型运用于肠道菌群OTUs数据,发现不仅能够有效地区分2-型糖尿病患者样本间的相似性,而且能鉴定出影响菌群结构异质性最大的OTUs菌,为临床解决2-型糖尿病问题提供了一种新的思路。

基于K-means的水下控制系统集成测试风险分析

采用危险源辨识分析(HAZID)工具对南海某水下控制系统集成测试进行风险识别,研究水下电力和通信设备的联合测试等过程存在的风险,针对HAZID技术识别的测试风险,定义风险的3个指标,包括风险发生可能性、风险后果严重程度和风险预防控制能力,将风险进行K-means聚类分析,采用SPSS软件将风险分为重大风险、高风险、中风险、低风险等4个聚类等级,识别4类共21个测试风险。在实际运用中,该方法可为水下控制系统集成测试风险制定有针对性的措施,可高效、科学和系统地指导水下控制系统集成测试工作开展。

基于最优k值k-means聚类分析的湖相沉积土层岩土参数分布研究

对岩土参数进行传统的k-means聚类分析时,因无法确定k值,而导致无法有效剔除误差数据。为得到岩土参数可靠取值范围,基于最优k值的k-means算法进行研究,通过量化样本内距离和聚类紧密性来确定聚类数目k值,避免了传统k值的随机选取。对粉土的三个基本物理力学指标:黏聚力c、内摩擦角φ、压缩模量E_(s)进行空间聚类分析。通过比较不同k值时的E_(E)值,确定最优k值为5。聚类完成后,原样本被划分为5类子样本。样本数量最多的一类为最优子样本,这类子样本与原样本分布一致,且数量偏离程度及变异性较小。对除最优类外的其他四类子样本进行分布检验,可知A-D检验法适用于小样本,而K-S检验法适用于大样本。根据偏度系数c值,调整合适的区间长度,进一步优化参数取值范围,并与工程实际采用值对比,检验方法的可行性。该分析方法实现由小样本代替大样本进行参数统计分析求取可靠的取值区间,简化计算,提高工作效率。

K-means聚类方法在中考标准设定中的信度分析

中考的标准设定是划分考生分数等级的统计技术,其质量高低关系到分数报告的可靠性和公平性。从我国东、中、西部地区各随机抽取3000名考生的中考数据,探讨K-means聚类方法在中考标准设定中的信度问题,从经典测量理论、概化理论和项目反应理论三个角度开展分析。结果显示,K-means方法在分数等级为四或五级时分类信度符合测量学标准,而对低分段的考生分类信度高于高分段的考生。总体来看,K-means方法适用于较低分数等级的标准设定中,可为中考标准设定提供分界分数的参考。

融合k-means与多维特征分析的生物医学图像分类算法

为了提高生物医学图像分类的准确率与速度,提升医学研究者及临床工作者的工作效率,文中提出了一种融合k-means与多维特征分析的生物医学图像分类算法。该算法利用局部二值模式LBP与方向梯度直方图HOG分别提取医学图像中的纹理特征及局部特征两种不同维度的特征信息,并将k-means聚类算法与这种多维特征分析相融合,实现了对生物医学图像的高精度分类。在公开生物医学图像数据集BreakHis上进行的仿真实验结果表明,在二分类实验中,所提算法的准确率为99.03%、精确率为99.12%、召回率为98.96%、F1值为99.04%,在八分类实验中其性能也较为理想,优于SVM、ELM及ResNet等分类算法。

基于K-means和主成分分析的京张体育文化旅游带冰雪运动旅游市场研究

使用问卷调查、K-means聚类分析和主成分因子分析等方法对后冬奥时期京张体育文化旅游带的冰雪运动旅游市场进行分析发现,该市场可细分为青年冰雪爱好者、家庭亲子游客、中老年休闲游客和高端商务游客等类别。其中:青年和家庭市场为主力,市场需求集中在专业冰雪设施服务和冰雪文化体验等方面。据此,提出提升冰雪运动品质安全、丰富文化内涵和满足个性化需求等策略,以挖掘市场潜力,促进该地区冰雪旅游经济的可持续发展。

融合PSO的K-means聚类算法在高校财务分析中的应用

K-means算法作为经典的聚类分析算法,其聚类中心的随机选取往往影响最终的聚类准确性。本文巧妙地将全局搜索能力强、易收敛的粒子群优化算法(Particle Swarm Optimization,PSO)与K-means算法相结合,应用于高校财务数据的深入分析。研究结果表明,这种融合后的聚类算法不仅显著提升了聚类准确率和聚类速度,而且能够精准反映出该高校各二级单位报销情况,为高校财务管理提供了有力的决策支持。