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。

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。

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。

改进YOLOv5s的清洁船水面漂浮垃圾识别算法

为解决水上漂浮垃圾种类繁多、移动端算力有限、现有识别模型较复杂等原因导致的水上清洁船识别垃圾精度低、速度慢等问题,提出一种基于YOLOv5s(you only look once version5 small)网络模型的水上漂浮垃圾识别算法。该算法采用K-means聚类算法调整边界框比例,提高检测精度;以渐进式学习方式EfficientNetv2模型替代YOLOv5s的主干部分,融合高效通道注意力(efficient channel attention,ECA)机制,减少模型复杂度,提高检测速度,同时增强模型的特征提取能力;引入平衡因子φ和归一化高斯Wasserstein距离(normalized Gaussian Wasserstein distance,NWD)度量对YOLOv5s的损失函数优化,降低模型对水上远距离漂浮垃圾的检测敏感性。自制数据集的测试实验结果显示,改进算法的mAP比YOLOv5s算法提高2.2%,模型的参数量下降20.34%,检测速度提高30.84%,表明改进算法具有优越性。

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.

基于聚类分析的红外图像配准算法

为提高图像处理的精度和效率,并扩展红外图像在实际应用中的使用范围,提出一种基于聚类分析的红外图像配准算法。该算法先构建红外图像观测模型,利用该模型描述理想的红外图像与实际红外图像之间的关系,得到低分辨率的实际红外图像;然后使用最大后验估计方法对低分辨率红外图像进行超分辨率重建;接着以超分辨率重建后的红外图像为基础,利用Harris角点检测算法提取红外图像内角点特征并建立红外图像配准特征集,通过K⁃means聚类算法对红外图像角点特征之间距离、方向特征向量夹角进行计算;最后选择聚类中心,并依据角点特征距离与方向特征向量夹角对红外图像角点特征进行聚类处理,得到红外图像配准结果。实验结果表明:所提算法对低分辨率红外图像的超分辨率重建效果较好,可有效提取红外图像内的角点特征,并实现不同红外图像配准,应用效果较佳。

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。