老年人家庭代际关系模式及其影响因素研究——基于代际双向报告的K均值聚类分析

在传统的代际关系模式研究中,数据往往来自家庭中父母或子女一方的报告,然而仅凭借“一面之词”对代际关系进行测量真的准确吗?这一问题的背后透视出当前国内相关研究中双向报告视角的缺失。利用2020年中国家庭追踪调查(CFPS)数据,运用K均值聚类分析及多层Logistic回归方法,探究当前中国老年人家庭中代际关系的双向报告状况、代际关系模式及其影响因素。研究结果表明:首先,老年父母的代际关系报告平均得分要略低于成年子女的报告平均得分,但两者间并不存在显著差异,代际利益假说未获支持。其次,基于双向报告的聚类结果,可将老年人家庭代际关系具体划分为结构维度上的“亲子一致型”、“亲近子疏型”、“亲疏子近型”模式与水平维度上的“亲子和睦型”、“亲子有隙型”、“亲子疏离型”模式。最后,从代际关系模式的影响因素来看,代际结构、老年父母特征及成年子女特征均会在结构维度与水平维度上产生显著影响,而家庭特征仅在水平维度上产生显著影响。简言之,两代人的年龄差距越大、父母年龄越小、子女年龄越大,越可能形成评价一致的代际关系;两代人的年龄差距越大、两代人的性别一致、父母年龄越小、父母获得子女支持以及在城镇家庭中,越可能形成和睦的代际关系。

基于K均值算法-TOF聚类分析的复合材料板冲击损伤层析研究

碳纤维增强型复合材料(CFRP)中的冲击损伤是威胁压力容器结构安全的重要隐患,有必要对CFRP中的冲击损伤进行层析研究,促成CFRP复合材料损伤定量化分析。提出基于K均值算法对超声C扫的飞行时间(TOF)图像进行聚类分析,并结合TOF值确定不同簇所在层,对CFRP冲击损伤进行逐层定量化分析。同时,分析了冲击损伤的TOF图像,验证了基于K均值算法-TOF聚类分析的冲击损伤层析方法,并进一步通过水浸超声C扫试验获得多组试验数据,指出K均值聚类中簇的总数K为铺层总数的1.25倍即可满足损伤逐层分析,实现了不同铺层总数CFRP层合板冲击损伤的层析研究。TOF聚类分析方法可以直接对CFRP层合板各铺层的冲击损伤进行定量化,具有一定的工程意义。

改进秃鹰搜索和K均值混合迭代的点云简化算法

针对激光雷达的固有特性和复杂环境易造成点云噪声和冗余点云,以及传统点云简化算法忽略了点云固有特征等问题,提出了一种基于改进秃鹰搜索和K均值聚类(KMC)混合迭代的点云简化算法(IBESSA)。首先,通过秃鹰搜索(BES)算法迭代阶段的竞争融合(CFBES),提高其收敛速度和优化精度;其次,通过CFBES和KMC算法的混合迭代,实现了点云数据的聚类;然后,在k近邻(k-NN)实现点云簇密度估计的基础上,结合香农熵实现点云信息量化;最后,删除信息量化值小于阈值的聚类簇,完成点云数据简化。使用UCI国际标准数据集和斯坦福点云数据集分别对CFBES-KMC算法的聚类效果及点云的简化效果进行验证,结果表明:与改进飞蛾扑火的K均值交叉迭代、K-means++、模糊C均值聚类算法的聚类效果相比,CFBES-KMC算法的聚类准确率分别提高了1.02%、12.31%、14.72%;在斯坦福点云数据集上,IBESSA算法在有效滤除冗余点云的基础上保留了原本点云的细节和形状特征,不失为一种高效的点云简化算法。

一种改进相似度的K均值聚类协同过滤推荐算法

协同过滤算法被越来越多地应用于课程推荐领域,但传统协同过滤算法也存在一定的缺陷,如冷启动问题。针对这一问题,提出一种改进相似度的K均值聚类协同过滤推荐算法,该算法引入学习者标签以改进用户相似度计算,用于缓解新用户冷启动问题;利用K均值算法进行优化,将用户聚类,进而从同一类别中进行推荐,聚类效果更为精确;采用平均绝对偏差(MAE)作为评价指标进行算法效果验证,采用平均召回率(recall)、平均精准率(precision)2个指标进行新用户冷启动缓解效果验证。结果表明,该改进算法能有效缓解新用户冷启动问题,显著提高推荐效率。

基于改进K均值聚类的光谱重建训练样本选择研究

光谱反射率重建过程中,训练样本的选择方法及样本容量与重建精度密切相关,寻找一种高效的训练样本选择方法是光谱重建的目标之一。K均值聚类计算复杂度小,计算效率高,但因聚类初始值选择的随机性,以及离群点的影响致使聚类结果不稳定,进而影响光谱重建的精度。基于此,提出了一种改进K均值聚类的训练样本选择方法。首先,将训练样本集的几何中心作为聚类中心的初始值;其次,基于高斯函数构建样本空间分布概率密度函数,并以欧几里德(欧式)距离作为其他聚类中心的度量依据;最后,在训练样本集中,基于簇内平方差度量光谱反射率样本间的相似度,将每个聚类子集中与中心距离最近的样本作为训练样本。为验证该方法的有效性,通过主成分分析法进行光谱重建。实验结果表明,所提的方法相较于传统的方法,光谱重建精度有一定的提高,重建光谱的平均均方根误差小于4%, CIE DE2000色差小于3.756 7。提出的改进的K均值聚类的训练样本选择方法,能够一定程度上提高了光谱重建精度,基本满足复制再现图像的要求。

基于改进K均值聚类的光伏板缺陷检测方法

为了能够对光伏组件热斑部分准确地识别和提取,提出了一种基于HSV空间模型的改进K均值聚类图像处理方法。首先,将红外图像进行HSV空间转换和双边滤波处理,去除噪声并提高图像对比度;其次,使用高斯核函数估计实现图像灰度概率密度函数提取,并以此获取初始聚类中心;最后,利用先验知识对图像进行K均值聚类,提取和量化热斑缺陷。研究结果表明,该方法能够快速地检测定位热斑位置并统计出光伏板损坏程度,具有较高的精度以及较好的灵敏性和稳定性。

基于改进K均值和马尔科夫链的公交车行驶工况构建

目的为填补目前缺少符合重庆城区地形特点的公交车行驶工况空白。方法提出一种改进的K均值聚类算法与马尔科夫链结合的行驶工况构建方法。通过滤波算法对采集到的重庆城区805路公交车有效行驶数据进行平滑处理,从平滑后的行驶数据中提取出1721条运动学片段;采用核主成分分析法对各运动学片段的特征参数矩阵进行降维处理,以粒子群算法选择适合的K均值初始聚类中心,并通过改进后的K均值聚类算法对运动学片段进行分类标记;最后通过马尔科夫链筛选出合理的运动学片段,构建出时长为1310 s的重庆城区公交车行驶工况。结果将构建的行驶工况与实车采集数据及国内外部分典型工况进行对比,结果表明:所构建的工况与原始数据在速度-加速度的联合分布趋势一致,构建的行驶工况与实车采集数据各特征值误差均小于7%,所构建的工况与原始数据特征高度吻合且能较好地反映出重庆城区公交车怠速时间比例高、加减速频繁等符合区域特点的实际交通状况。结论构建的工况能为重庆市公交车行驶路线规划、排放及油耗测试等方面提供基础标准,同时其涉及的研究方法能为新能源汽车能量管理、控制策略及其他城市工况构建和城市公交线路优化提供参考。

基于K均值聚类算法的谐振接地系统故障区段定位方法

现有的谐振接地配电网单相接地故障定位方法存在通信依赖过度、特征分析复杂和阈值设置困难等问题,现场运行的适用性较低。本文基于深度融合智能开关在配电网中的应用,研究三相电流变化量的波形特征,提出基于K均值聚类算法的就地选段方法。该方法提取各区段数据特征量,发挥K均值聚类算法无监督学习的优点,使各检测节点只需处理本地故障信号,从而减轻通信压力。利用仿真和现场数据验证该方法的可行性,结果表明,该方法在多种故障工况下都表现出较高的可靠性,并且能够较好地适应现场环境。

数据驱动下基于量子人工蜂群的K均值聚类算法优化

该文将量子人工蜂群(Quantum artificial bee colony,QABC)算法用于K均值(K-means)聚类的类别中心点选择,优化K均值聚类算法,可有效解决因随机设置K均值中心点而导致聚类准确度不高的问题。该文设置K均值聚类类别数,并随机设置若干类别中心,采用人工蜂群(Artificial bee colony,ABC)算法优化类别中心点,根据待聚类样本点构建蜜蜂种群,并对蜂群个体位置采用量子比特表示。以样本点和中心点的距离的倒数作为ABC算法适应度,并将适应度值较高个体定义为蜜源。通过引领蜂在运动范围内的粗粒度遍历和跟随蜂的细粒度探索,不断搜寻适应度较高个体,并且更新蜜源,直至ABC算法稳定后确定较优蜜源位置为聚类中心。采用ABC优化得到的聚类中心进行K均值聚类。试验结果表明,通过合理设置ABC搜索边界,并引入蜂群位置的量子表示,可有效增强ABC对聚类中心的搜索精度。相比于常用聚类算法,QABC+K均值算法的聚类性能更优。

基于疯狂捕猎秃鹰算法的K均值互补迭代聚类优化

在处理庞大复杂的点云数据时,传统聚类方法精度低、耗时长并且受离群点影响大,针对以上问题,提出基于疯狂捕猎的柯西反向秃鹰搜索算法(QO-BESCH)的K均值互补迭代聚类优化方法.所提算法构建基于体元包围盒的初始聚类中心选择模型,提升初始化聚类中心质量;提出疯狂捕猎机制,同时融合动态自适应控制算子和柯西反向策略,提升秃鹰搜索算法(BES)的寻优能力,增加寻找聚类中心的成功率;利用QO-BESCH优化K均值聚类(KMC),在减小迭代次数的同时增加搜索效率,得到较好的聚类结果.利用UCI标准数据集对所提算法进行测试,并与8种聚类算法进行对比,实验结果证明了所提算法的优越性.将本研究算法结合PCL点云库应用于ModelNet40点云数据集聚类,结果表明,所提算法可以实现有效聚类,适用性较强.

无线信道建模中二分K均值聚类多径分簇算法

为了对无线信道中的多径分量进行合理分簇,提出了一种毫米波信道二分K均值聚类多径分簇方法,解决了传统的K均值聚类分簇方法只能实现局部最优分簇的问题.采用马氏距离(Mahalanobis distance,MD)衡量多径分量距离(multi-path component distance,MCD),以簇分裂和迭代计算的方式对多径进行分簇.采用毫米波室内信道实验测试数据,验证了所提算法的有效性和可行性.结果表明,所提算法比传统K均值聚类分簇方法获得的分簇结果更合理,能将信道中多径参数相似度较高的多径有效且唯一地分配到同一簇.

基于信息检索与K均值聚类的化工产品精准推荐算法研究

传统K均值聚类对客户聚类精度不高,直接影响化工产品精准推荐的质量。基于此,采用信息检索系统来确定K均值聚类的初始聚类中心点,消除特殊消费者与数据中的噪声数据,提出了联合信息检索与K均值聚类的化工产品精准推荐算法。将该算法和Top-N算法分别应用于化工产品精准营销中,结果表明,提出的算法比Top-N算法平均绝对误差低,准确率、召回率以及综合平均值高,能够为化工企业实施精准营销提供数据参考。

基于车载数据k均值聚类的特种车辆行驶工况识别

运行工况的合理划分是车辆可靠性和耐久性研究的基础。为了综合考虑特种车辆动力性能和操纵性能,针对换挡、运行、爬坡和转向4种工况进行研究,并提出各工况特征值计算方法。为提高车辆行驶工况识别的准确性,通过小波阈值滤波算法和自顶向下分段线性表示算法对原始数据进行去噪和短行程划分,再利用k均值聚类算法对车辆行驶工况进行识别。通过某型特种车辆试验数据验证,该方法能够对行驶工况有效识别,工况聚类精度可达92.75%。

优化K均值随机初始中点的改进算法

针对传统K均值随机产生的初始聚类中心的方式提出最近邻K均值、极远邻K均值和自适应K均值3种优化算法。最近邻K均值是通过寻找多维空间下欧氏σ邻近点的方式确定K群;而极远邻K均值是极远σ邻判定确定法;自适应K均值是将数据集确定到矩阵中,对矩阵做归一化、二元化处理后,计算各向量间的相异度来修正确定初始中心点的加权欧氏距离。3种优化算法改善了原始K均值算法,提高了算法的稳定性和精确度,而且它们各自适用于不同的应用空间。

基于加权二分图的K均值最佳聚类数确定算法

针对传统K均值算法无法精确预设初始聚类中心数目的问题,提出基于加权二分图的K均值最佳聚类数确定算法。设计等比例随机采样的方式,从原始大数据集中产生小数据集集合并从中产生聚类中心点点集,提高应对大规模数据集的能力;用聚类中心点点集形成二分图,针对聚类算法特性改进其赋权函数;设计评价数,改进Kuhn-Munkres算法,将其用于求取二分图的最大权完美匹配,确定最佳聚类数。实验结果表明,相较其它6种对比算法,所提算法有更高的准确性,更好的稳定性,以及更强的处理大规模数据集能力。

粒K均值聚类算法

K均值聚类属于无监督学习,具有简单易用、可解释性强和聚类效果佳的优点。然而,其算法收敛速度慢,参数难以确定,易陷入局部解。为了克服K均值聚类的固有缺陷,结合粒计算理论,提出了一种新型的聚类模型:粒K均值聚类算法。样本在单特征上粒化成粒子,多特征上的粒子形成粒向量;进一步定义多种粒距离公式,用来度量粒子之间的距离。根据粒距离度量,提出一种粒K均值聚类方法,并设计粒K均值聚类算法。样本粒化是在全部样本空间中进行相似度比较,反映了样本的全局特性,使得聚类收敛迭代次数较少,更容易得到全局最优解。采用多个UCI公开数据集进行实验,从收敛速度、K值影响与聚类效果多方面进行比较,其结果表明所提出的K均值聚类方法具有收敛速度快及聚类效果佳的优点。

基于关联规则与k均值聚类探讨黄褐斑外用方剂的药理规律

目的通过整理古籍中黄褐斑外用方剂,进而对现代临床中基于古籍的黄褐斑外用方药进行数据挖掘,获取其用药规律,探求其网络药理学依据,为临床治疗提供思路。方法检索中华医典数据库,获取古籍黄褐斑外用方药。搜索中国知网(CNKI)、万方数据库、维普中文期刊数据库(VIP)等,检索现代临床中黄褐斑的外用方药,筛选基于古方的外用方剂,建立黄褐斑外用方药数据库。使用中医传承计算平台(V3.0)分析药物关联规则,获取核心药物进行聚类分析。使用网络药理学探索核心药物潜在作用机制。结果整理得到古方37个,涉及中药78味;现代临床复方309个,涉及中药232味。现代临床中最常用的药物为白芷、茯苓、当归、白及、白附子等;最常用的药对为白芷-茯苓;高置信度药物关联规则有白及-白蔹->白芷、茯苓-白附子-僵蚕->白芷、茯苓-白及-僵蚕->白芷等;核心药物包括白芷、茯苓、僵蚕、白及、当归等12味中药。获取核心药物有效靶点347个,疾病靶点476个,药物与疾病交集靶点18个,京都基因和基因组数据库(KEGG)富集通路19条,并构建疾病-交集靶点-通路-核心药物-有效成分网络。结论核心药物对外用治疗黄褐斑在分子层面的作用机制存在依据,可为临床遣方用药提供依据,有助于提高中医外治黄褐斑的临床疗效。

基于差分隐私保护的二分k均值聚类算法研究

针对差分隐私保护k均值聚类算法(DP k-means)随机选取初始点,导致算法往往收敛于局部最优,进而影响聚类效果的问题,本文结合差分隐私的相关理论以及层次聚类的思想提出了一种基于差分隐私保护的二分k均值聚类算法(DP Bi-k-means)。首先,以得到全局最优为目标,将随机选取初始点的过程进行改进,由上至下对目标数据集进行二分;其次,在迭代过程实现基于拉普拉斯机制的差分隐私保护。经安全性分析以及实验结果证明:该算法与传统差分隐私保护k均值算法(DP k-means)相比,可以避免聚类结果受初始点的影响陷入局部最优解,从而优化聚类效果,并为聚类分析提供了有效的隐私保护能力。

RKDG方法改进的K均值聚类坏单元指示子

为解决K均值聚类坏单元指示子中双实数型可调参数给数值应用带来的不便,通过采用简单、高效的数据归一化和极差的方法,直接筛选出含有坏单元的模板,再使用K均值聚类筛选出坏单元,从而将双参数改为单参数.数值计算结果表明,改进的坏单元指示子不仅继承了原方法的优点,而且极大地降低了确定参数的复杂度,有利于该算法的实际应用.

基于优化的K均值算法对岩体结构面产状聚类分析

为实现对岩体结构面子集的智能划分,采用改进的K均值算法,将代表结构面三维坐标点通过等面积投影到单位圆平面,用二维点划分子集,并在初始聚类中心选择阶段,比较每一个数据点作为中心时的误差平方和,选取误差平方和最小或能最大限度减小误差平方和的点作为初始聚类中心,从而避免了K均值对初始聚类中心敏感的问题.通过对人工模拟结构面数据进行聚类,证明了该法的可靠性.将该方法应用到实测结构面数据的聚类分析中,结构面被分成两组,每组的结构面个数为132和121,对应的优势产状为268.16°∠48.61°和135.13°∠62.00°.