基于Tukey规则与初始中心点优化的K⁃means聚类改进算法

针对K⁃means聚类算法存在的初始中心点选择及异常点、离群点极易影响聚类结果等待改进问题,提出了一个基于Tukey规则与优化初始中心点选择的K⁃means改进算法。该算法利用Tukey规则构造核心与非核心子集,将聚类过程划分成2个阶段。同时,在核心子集上执行中心点逐个递增优化选择策略,选出初始中心点。在来自UCI的20个数据集上聚类结果表明,本文提出的算法优于K⁃means++聚类算法,有效地提升了聚类性能。

基于K⁃means的个性化视频推荐方法研究

视频网站以吸引用户观看自己的视频为营销手段,有效推荐视频给用户,有利于提高用户粘性,成为各大视频网站竞争的手段。通过深入研究,提出一种视频推荐方法,它基于电影和用户之间的相似度,利用K⁃means聚类对数据进行深度挖掘分析,并结合用户的个性化需求,实现更加精准的推荐。通过验证,证明了该方法的可行性。

基于MPE和改进K⁃means算法的分接开关机械故障诊断方法

随着有载调压变压器在电网应用的增多以及有载分接开关(on⁃load tap⁃changer,OLTC)频繁地调节,分接开关的故障率在不断增加。为更有效进行OLTC机械故障诊断,提出一种基于MPE和改进K⁃means算法的OLTC机械故障诊断方法。首先,模拟OLTC的不同机械故障,采集振动信号;其次,为实现非线性振动信号下OLTC的故障诊断,采用多尺度排列熵(MPE)进行OLTC机械故障状态的特征提取;再次,采用粒子群(PSO)优化的K⁃means聚类算法诊断OLTC机械故障;最后,将该方法用于OLTC的机械故障诊断,并与传统K⁃means算法以及BP网络的诊断效果进行对比。结果表明,提出的基于MPE和改进K⁃means算法适用于OLTC机械故障诊断,诊断效果优于传统K⁃means算法以及BP网络,且其稳定性较高。

一种融合IFOA和K⁃Means聚类的低照度图像分割方法

为改进电气化铁路接触网补偿器监测装置在光照不足时对图像目标区域分割精度较低,无法准确识别入侵异物的问题,采用全局自适应色调映射的方法增强低照度图像,联合改进的果蝇算法与K⁃Means聚类算法(IFOA⁃K⁃Means聚类算法)实现目标区域的准确分割。实验结果表明,该方法对退化图像的分割精度更高,能够充分保持图像的边缘信息,运算开销较小,能有效提高图像后续处理的效率。

基于K⁃means和TOPSIS的城轨交通网络节点综合评估模型设计

为了保证城市轨道交通的安全、平稳运行,文中针对轨道交通网络中节点重要性的评估方法进行了研究。基于图论的思想将轨道网络抽象成有向带权图,并构建节点重要度评估体系。该体系包含度、特征向量、介数、逼近度、最大连通子图和网络连通率共6个评价指标,其能够全面描绘网络的局部、全局、连接这3个角度的属性。在该评价体系中,引入TOPSIS排序算法实现了重要度的快速排序。通过使用K⁃means算法,基于重要度的排序结果实现了有序归类。为了验证所提算法的有效性,文中采用成都实际交通网络的部分运营数据进行了仿真评估。计算结果表明,在该网络中,1~5类站点占比分别为5.5%,26.3%,38.5%,25.3%和4.4%。相较于基于网格的传统评估方法,文中方法在评价时间与评价精度上分别提升了10.20%和5.65%。

基于变异系数法和K⁃means的电能表状态评价方法

智能电能表周期轮换存在着工作量大、计划性不强、重复检修等问题,如何合理地进行智能电能表状态评价是智能电能表轮换的关键环节。基于此,提出一种新的智能电能表状态评价方法。首先得到智能电能表的地区因素、可靠度、全事件、计量异常事件、电量过载和时钟电池欠压这6个指标数据;随后,一方面通过变异系数赋值法得到每个电能表的状态评分,另一方面将这6个指标数据作为输入数据,通过K⁃means聚类算法进行分类,得到相应类别。最后将两种算法结合得到新的智能电能表状态评价方法,并输出最后的评价结果。试验结果证明了该方法的科学性。

基于乘法更新规则的k⁃means与谱聚类的联合学习

k⁃means和谱聚类是两种应用最广泛的聚类技术.k⁃means是基于矩阵分解的聚类方法,并且是在数据空间上基于误差极小化的聚类方法.谱聚类是基于图的聚类方法,并且是基于两点在数据空间和特征空间的相似性保持的聚类方法.为了利用两者的优势,提出一种基于乘法更新规则的k⁃means和谱聚类的联合学习方法,该方法将k⁃means和谱聚类结合成一个统一的聚类模型,该模型可在单次优化中同时优化k⁃means和谱聚类的目标;此外,还基于乘法更新规则设计了对聚类中心C与聚类指示器Y进行迭代更新的优化算法.重要的是,在理论上证明了所设计算法的正确性和收敛性.在典型的数据集上进行测试,实验结果表明提出的联合学习算法在聚类精度和标准互信息度指标上都有所提高.

基于划分的数据挖掘K-means聚类算法分析

为提升数据挖掘中聚类分析的效果,在分析数据挖掘、聚类分析、传统K⁃means算法的基础上,提出一种改进的K⁃means算法。首先将整体数据集分为k类,然后设定一个密度参数为ϑ,该密度参数反映数据库中数据所处区域的密度大小,ϑ值与密度大小成正比,通过密度参数优化k个样本数据的聚类中心点选取;依据欧几里得距离公式对未选取的其他数据到各个聚类中心之间的距离进行计算,同时以此距离为判别标准,对各个数据进行种类划分,从而得到初始的聚类分布;初始聚类分布得到之后,对每一个分布簇进行再一次的中心点计算,并判断与之前所取中心点是否相同,直到其聚类收敛达到最优效果。最后通过葡萄酒数据集对改进算法进行验证分析,改进算法比传统K⁃means算法的聚类效果更优,能够更好地在数据挖掘当中进行聚类。

基于K-Means算法的配电网负荷和拓扑等效方法

配电网负荷和拓扑的复杂性严重影响了对系统潮流的计算和分析。为解决配电网负荷和拓扑等效简化问题,本文基于台区拓扑和台区监测数据,提出一种基于K⁃Means算法的配电网负荷和拓扑等效方法。首先,通过地理信息GIS系统中台区线路的拓扑结构,结合计量自动化系统中的负荷电压、容量数据,提出电压相似、距离相近等效原则并对台区内的用户进行划区、聚类;其次,根据等效负荷的容量分布与6种台区典型等效拓扑结构比对,进一步确定该台区的拓扑等效结构类型,完成配电网负荷和拓扑等效;最后,给出了云南省某一台区的应用实例,并验证了所提配电网负荷和拓扑等效方法的正确性。

基于改进的Faster R⁃CNN的肺结节检测方法研究

研究使用相同的CT图像数据集,对几种常见的肺结节检测方法进行对比试验,最终选取了检测精度高的Faster R⁃CNN进行了实验.然而,即使是本领域内检测精度最高的Faster R⁃CNN方法在肺结节检测领域的效果也难以令人满意.原始的Faster R⁃CNN中的锚框尺寸大,在肺结节检测领域无法达到好的应用效果,为了提高结节检测的精度,在Faster R⁃CNN的基础上进行了改进,改进的内容主要包括:(1)更多层的特征提取使得检测精度提高,因此,在网络特征提取时采用ResNet替换掉原始网络中的VGG16网络,采用ResNet⁃101进行后续实验的改进.(2)引入了一种K⁃Means聚类算法分析anchor的尺寸,选择合适的k值后,重新设置锚框的大小.通过对锚框的尺寸的改进,数据与锚框大小的匹配度提高了,模型的整体性能有了提升.实验证明:所提出的方法具有较高的精度和效率.

基于改进锚点框与Transformer架构的目标检测算法

针对目标检测中目标尺度多变以及小目标众多等难点,提出一种融合改进锚点框和Transformer架构的目标检测算法。首先采用K⁃Means++算法对数据集进行聚类,得到更符合目标实际尺寸的锚点框,提高锚点框匹配的准确性;其次在检测器颈部引入Transformer Encoder结构,利用其长距离依赖属性获取全局信息,弥补CNN计算的不足。所提算法在PASCAL VOC数据集和KITTI数据集上检测精度分别达到83.0%、83.8%,相比基准算法分别提高了1%、2%。结果表明,该算法具有较强的尺度适应能力,能有效提高目标检测的精度。

考虑需求紧迫度的应急车辆路径优化方法

为提高应急管理水平,量化各受灾点物资需求紧迫度,提出考虑紧迫度的车辆最优路径规划方法。采用K⁃means聚类算法确定应急物资配送中心的选择以及受灾点的划分,以应急救援过程中的总时间最短、救援所花费的总费用最小以及受灾点紧迫度排序指数最大为目标,构建多目标的应急车辆路径优化模型,并设计改进的布谷鸟-蚁群组合算法进行求解。以汶川地震为背景构造算例,验证模型的有效性,结果表明:与不考虑需求紧迫度的车辆路径方案相比,考虑需求紧迫度的路径优化方案在所需运输总时间上升1.92%、救援过程总费用增加3.43%的前提下,紧迫度排序指数提高了11.2%。考虑需求紧迫度的车辆路径优化模型在保障突发灾害救援效率的同时,兼顾了不同受灾点的物资需求程度,提高了应急物资运送的公平性。

复杂野外环境下油茶果快速鲁棒检测算法

为了提高移动采摘机器人在复杂野外环境下检测油茶果的速度和鲁棒性,在YOLOv4⁃tiny网络的基础上提出YOLO⁃Oleifera网络。首先将两个1×1和3×3的卷积核分别添加至YOLOv4⁃tiny网络的第2个和第3个CSPBlock模块之后,以有助于学习油茶果的特征信息和减少计算复杂度;接着使用K⁃means++先验框聚类算法代替YOLOv4⁃tiny网络使用的K⁃means先验框聚类算法,以获得满足油茶果尺寸的聚类结果。消融实验证明了网络改进的有效性。分别测试光照和阴影环境下的油茶果图像,实验表明YOLO⁃Oleifera网络在不同光照条件下检测油茶果具有鲁棒性。此外,对比实验表明被遮挡的油茶果因为语义信息的缺失而导致Precision和Recall降低。将YOLO⁃Oleifera网络的测试结果与YOLOv5⁃s、YOLOv3⁃tiny和YOLOv4⁃tiny网络进行比较,结果显示YOLO⁃Oleifera网络的AP最高,而且YOLO⁃Oleifera网络占用硬件资源最小。此外,YOLO⁃Oleifera网络检测图像平均花费31 ms,能够满足移动采摘机器人的实时检测需求。因此,提出的YOLO⁃Oleifera网络更加适合搭载在移动采摘机器人上进行检测任务。

基于用户特征和评分的精准推荐策略研究

个性化推荐系统是帮助用户发现内容,克服信息过载的重要工具。为了提高推荐算法的准确率和效率,综合协同过滤推荐算法和K⁃means聚类算法,设计了一种基于用户特征和评分的精准推荐策略。该策略一方面针对新用户冷启动问题,引入K⁃means聚类算法对全体用户特征进行聚类,将新用户所属类中其他用户喜好的物品中的Top N个推荐给新用户;另一方面根据物品数和用户数的大小关系,或者不同推荐算法所得F1值的大小关系,来决定选择将哪种推荐算法产生的结果推荐给老用户。在Movielens和FilmTrust数据集上的实验结果表明,这种基于用户特征和评分的精准推荐策略能够有效地针对新用户和老用户做出准确的最佳推荐。

基于DAE的单细胞RNA测序数据聚类研究

传统数据降维方法处理单细胞RNA测序数据存在特征提取能力较差、聚类精度较低等问题,有必要引入深度学习方法以提高对复杂数据特征的提取能力。在对数据不进行任何人工筛选的条件下,利用DAE提取表达能力更强的数据特征,分别以K⁃means和DBSCAN聚类作为DAE的顶层设置形成DAE+K⁃means和DAE+DBSCAN组合模型,将这两种深度学习组合模型在Deng数据集上与传统聚类模型SC3进行对比。与SC3的0.73聚类精度相比,DAE+K⁃means和DAE+DBSCAN的聚类精度分别达到0.93和0.97,分别提高了0.2和0.24。实验结果表明,DAE在单细胞聚类领域具有广阔的应用前景。

基于Inc⁃Yolov3的交通标志检测算法

针对无人驾驶中交通标志尺寸小、占据像素点少、特征不明显而带来的检测困难且无法实时识别的问题,提出一种基于Inception⁃Yolov3(Inc⁃Yolov3)的目标检测算法。首先从Yolov3的网络结构出发,在其浅层网络处嵌入Inception⁃redefined module结构,该结构采用多分支的分布方式来增加网络宽度,多尺度卷积核获得不同尺度的感受野信息以及多个1×1卷积的使用大大减少了网络参数;然后将此结构连接到Yolov3的深层网络中,以此融合深层特征与浅层特征,丰富了用于检测小目标的浅层网络的语义信息,进而增强了浅层网络的特征提取能力;其次通过计算物体坐标的宽高比例来消除数据集中无效数据的方法对Yolov3中原始K⁃means聚类算法进行改进,以获得更加匹配数据集的锚框大小与比例;最后在训练时使用GIOU代替IOU作为坐标损失函数,GIOU具有更加精细的目标尺度并能反映预测框与真实框的各种重叠情况。实验结果表明:与其他经典的检测算法相比,Inc⁃Yolov3算法在满足实时性的条件下,识别精度更高;在TT100K交通标志数据集上获得了86.1%的准确率。

WMAN中的边缘服务器放置研究

以有效减少用户请求的传输时延、提高用户体验为目的,针对移动边缘计算中WMAN环境下的边缘服务器(ES)放置问题进行研究,提出基于灰狼优化(GWO)算法优化K⁃Means的算法予以解决,该算法借助GWO的全局寻优能力,开始时对聚类中心进行优化,改善了K⁃Means对初始聚类中心敏感的问题;针对放置问题,对传统聚类标准欧氏距离进行改进,并以所有类内距离之和作为适应度函数;通过迭代更新α狼优化聚类中心,避免了陷入局部最优的问题。仿真结果表明,与其他算法相比,该算法的时延平均降低了40%左右,负载均衡平均降低了约34.2%。

钻机回转液压系统仿真与健康评估

针对钻机实际故障数据获取较难和性能退化的非线性等问题,提出一种基于RBF神经网络的钻机回转液压系统健康状态评估方法。使用AMEsim软件搭建回转液压系统仿真模型,模拟了液压泵内泄露和液压马达内泄露,采集了样本数据并提取特征量,通过主成分分析法(PCA)对特征量进行降维处理,使用K均值算法(K⁃means)和粒子群优化算法(PSO)优化RBF神经网络参数,通过训练建立RBF神经网络健康评估模型,输入PCA处理后的数据,评估模型自动输出评估结果,实现了钻机回转液压系统健康状态的智能评估。结果表明,该方法具有较高准确性和可靠性,可用于钻机回转液压系统的健康评估,并为进一步开展钻机液压系统智能故障诊断和健康评估奠定了研究基础。

基于电力数据挖掘的涉污企业用电量预测方法研究

为对工业涉污企业进行准确管控,提出一种基于用电特性聚类与ConvLSTM神经网络算法结合的涉污企业用电量预测方法。对于企业用电数据中的数据异常与缺失的问题,采用局部离群因子算法(LOF)筛选异常值后输入至灰色模型中进行校正;通过K⁃means算法对修正后的企业历史用电数据进行特征提取并分析其用电特征,考虑影响用电量的因素不仅包括日期特性、节日特性,还提取了重污染天气下政府对涉污企业的管控特性;构建ConvLSTM模型,充分挖掘企业数据时序性特征,有效提高涉污企业短期用电量预测精度。选择四川省成都市涉污企业的用电数据验证模型算法的有效性。验证结果表明,所提方法对于不同企业、不同类型日期均更有效,能更精确地预测企业未来用电的趋势。

我国“数字丝绸之路经济带”基础设施建设水平评价

“数字丝绸之路经济带”是中国经济发展与数字经济相结合的最新产物,数字基础设施建设水平的测度成为近年来的焦点话题。为建立数字基建评价的指标体系,搜集2019年15个沿线省份的相关数据,利用熵值法和K⁃means聚类分析法,对我国“数字丝绸之路经济带”相关省份的数字基建情况进行综合评价和分析。结果表明,当前数字基建存在投资疲软、基础工程设备不完善、专业技术人员短缺等问题。采用K⁃means聚类分析,将15个沿线省份的评价指标数据进行分类,根据不同类别的详细特征将其归结为引领型、新秀型、追赶型和发展型4类。结合“数字丝绸之路经济”的发展举措,针对不同省份提出进一步发展数字基建的政策建议。