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。

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。

K-means聚类分析在人体体型分类中的应用

讨论了K－means聚类分析在人体体型分类应用时分类数的确定方法和迭代收敛两个重要问题．参考GB／T1335—2008，以219名青年女性人体数据为检验样本，以胸腰差为实例进行论证．结果表明：采用基于系统聚类的距离评价函数法，样本最佳分类数为7类，如限制分类数为3～5时，则最优分类数为4；抽取容量分别为219和10O的两组样本进行不同迭代次数的聚类分析，发现聚类收敛所需的迭代次数受数据离散程度影响，采用SPSS软件进行聚类分析时应该设定较大的迭代次数以确保聚类收敛．

基于K-means聚类分析算法的2型糖尿病动态血糖监测数据分析

目的:探讨分析基于K-means聚类分析算法的2型糖尿病动态血糖监测数据,以解决动态血糖测量仪所测数据中的噪声和干扰信号问题,得到适用于灰色关联度分析法的实验数据。方法:引入K-means聚类分析算法处理和分析由动态血糖仪测得的糖尿病患者60 min血糖值的数据,去除误差较大的数据点,使平均数值更加可靠。结果:K-means聚类分析算法对生成所需的、无干扰地对患者60 min内间隔5 min的血糖值实验数据进行处理,并与采用K-means分析算法处理之前的数据进行对比。结论:K-means聚类分析法能够有效去除干扰和噪声信号,获得高质量的实验数据,有利于对动态血糖监测数据进行处理和分析。

基于K-Means聚类分析的在线学习行为特征研究——以中外园林史课程为例

本研究依据中外园林史课程137名注册大学生的在线学习行为数据,对在线学习行为特征进行观察、相关分析和K-Means聚类分析。根据观察结果发现,包括如何计算学习成绩在内的教学设计细节对大学生的在线学习行为有直接影响;相关分析则显示,本研究中采用的10个在线学习行为指标中有七个指标与期末卷面成绩呈显著相关;以四个预设在线学习行为模式、针对10个在线学习行为指标和期末卷面成绩展开的K-Means聚类分析结果显示,七个指标的ANOVA检验达到显著性水平。据此本研究就各类在线学习行为模式中有效在线学习行为指标进行分析讨论,提出关注线上测试设计细节、完善线上课程建设和利用线上线下优势等对策建议。

基于ARIMA模型和K-means聚类分析的动态规划算法

寻找最短路径是实现交通系统最优化的重要步骤之一。为寻找最短路径,利用历史和实时的浮动车数据,建立基于ARIMA模型和K-means聚类分析的动态规划算法。算法使用滴滴出行数据并在成都市二环区域内进行了测试。研究表明:新的算法以较低的计算量提供了高质量的时间解,运算时间均低于2.010 min,平均绝对百分误差低于6.5%,无效值比率小于20%。

基于K-means聚类分析的农产品消费群体画像构建及精准营销策略研究

在当今大数据时代,数据挖掘技术能够构建消费群体特征画像,实现农产品的精准营销。为了更好地实现农产品在大数据时代的精准营销,通过获取百度AI Studio上面的客户个性分析项目数据,进行了数据清洗、数据分析、K-means聚类分析以及客户分群与信息挖掘,构建了农产品消费客户画像。结果表明,基于K-means聚类分析技术可以借助智能算法认识客户,从而进行准确地定义目标客户、定义核心产品以及定义营销模式,通过新媒体途径实现对客户的精准营销,使产品有效对接客户需求,让企业借助时代红利实现快速增长。

基于K-means聚类分析5G时代下的数字营销策略研究——以杭州旅游营销为例

为贯彻落实《关于加快推进5G产业发展的实施意见》,推动5G场景应用,推进5G网络与超高清视频、AR/VR、机器人等技术结合,提升消费者在文化娱乐、在线购物、智能出行等场景的体验等,本文根据数字时代游客行为的3个子层面,对来杭游客的行为和偏好进行K-means聚类分析,将赴杭游客的偏好聚类为个性化推送敏感型、社交媒体和自媒体主动获取信息型、科技交互体验型、依赖出行路径定制+定位推送项目型四类,并以此构建为前端-消费数据挖掘与云计算、中端——数字媒介营销整合、后端——升级云端大数据服务信息平台组成的5G旅游数字营销体系,同时基于杭州旅游休闲产业、产品的特点策划详细方案,为各地的旅游管理、宣传部门和旅游商家提供适应5G时代数字营销的参考策略。

基于K-Means聚类分析的串联电池组主动均衡策略

由于电池单体所处温度场不均匀以及电池单体内阻、库仑效率等参数的不一致,电池组在反复充、放电过程中会产生电池单体剩余电量不一致的现象,限制了电池组整体的可用容量。为此,提出了一种基于K-Means聚类分析的串联电池组主动均衡策略,该方法以电池荷电状态(SOC)一致性为均衡目标。以8节三元锂电池串联构成的电池组作为实验对象,在搭建的电池均衡实验平台上进行了实验验证,结果表明,电池组均衡操作前后可用容量分别为1.75和1.87Ah,经过均衡,可用容量提升了6.86%,证明了所提出的均衡策略的有效性。

储能调频性能评价指标的k-means聚类分析

针对国内某省储能调频示范工程运行数据和调频性能指标数据,提出一种基于k-means聚类的电网、储能、火电机组能流状态特征向量分析方法。通过建立聚类结果与能流状态之间的映射关系,探究不同能流状态特征向量对电网调度侧调频性能指标的影响规律。以某省两电厂调度侧数据为例,通过算例分析验证了所提方法的可行性和有效性。

基于标准偏移量的学生成绩K-means聚类分析算法研究

针对利用距离差聚类分析算法分析学生学科成绩不够准确的问题,提出了利用标准差计算标准偏移量构建目标函数的K-means聚类分析算法,给出了初始聚类中心选取办法和算法的描述及处理流程;实验结果分析可得,利用标准偏移量构建的学生成绩K-means聚类分析算法,符合对学生成绩按学科类别聚类分析的特性要求;该算法能够较好的实现学科成绩高度关联属性的聚类分析结果。

K-Means聚类分析法筛选柠檬香茅茎叶差异蛋白及鉴定

柠檬香茅含有大量的香茅精油,运用十分广泛,然而其茎、叶的精油含量却相差悬殊。为探索柠檬香茅精油代谢相关的蛋白途径,本文对柠檬香茅旗叶、成熟叶及茎秆等材料进行精油含量、总蛋白含量测定及双向凝胶电泳(2-DE)表达谱分析,运用k-means聚类分析方法对2-DE电泳中差异蛋白斑点的丰度、等电点和相对分子质量进行聚类分析和讨论,结果表明,旗叶和茎秆上调表达的蛋白质斑点的聚类对于相对分子质量变化敏感,成熟叶上调表达蛋白质斑点对于丰度的变化较为敏感。预测了精油代谢功能相关的蛋白质斑点15个,挖取预测蛋白质斑点通过基质辅助激光解吸电离飞行时间质谱(MALDI-TOF/TOF-MS)成功鉴定了9个蛋白质。本研究为柠檬香茅精油的蛋白代谢途径提供新的基础信息及研究思路。

基于K-means聚类分析的球冠谐函数拟合高程异常方法

利用球冠谐函数拟合高程异常曲面时,GPS/水准数据的分布和选取对最后的拟合精度有较大影响。本文提出一种基于Kmeans聚类的球冠谐函数拟合方法,即利用K-means聚类分析方法对高程异常数据点进行有效分类和选择,再结合球冠谐函数的逼近方法,提高了高程异常曲面的拟合精度。通过与实测高程异常数据进行比较,基于K-means聚类分析的球冠谐函数拟合方法优于多项式拟合法、移动二次曲面拟合法、多面函数拟合法和球冠谐函数拟合法。

基于K-means聚类分析的在线教学评价指标体系研究

随着线上线下教学的不断融合,传统的线下教学的评价指标体系不能适应新的变化,需要建立用于线上教学的评价指标体系,但是由于线上教学平台功能很多,后台收集的数据非常分散。为了有效地反映教师的在线教学情况,使用了数据挖掘中常用的K-means聚类分析方法对超星泛雅平台后台的统计数据进行了聚类分析,提出了通过后台数据建立在线教学评价体系的流程,并通过对实际数据的分析建立了可以解释的在线课程动态评价指标体系。

基于图像K-means聚类分析的频谱感知算法

近年来,基于能量检测的协作频谱感知算法被广泛应用于频谱感知领域。由于该方法在计算能量检测的判决门限受噪声影响较大以及受限于认知用户的数量等问题,导致其检测性能受到影响。为了解决这一问题,本文提出一种基于图像K-means聚类分析的频谱感知算法。这种方法利用主用户信号存在与否的两种认知信号状态映射成图像,经过调整图像强度和高斯滤波预处理之后利用提取图像像素分布直方图的方法提取出特征向量,然后利用改进的K均值聚类算法对这些特征向量进行训练得到分类模型。最后利用训练好的分类模型对未知信号进行检测,从而实现频谱感知。仿真结果表明,本文所提出的频谱感知算法,在检测性能上优于传统能量检测以及协作频谱感知算法,尤其在低虚警概率、低信噪比的环境下效果更加突出。

基于K-means聚类分析的ShadowscoksR流量识别研究

Shadowscoks(SS)是近年来流行的一种新型匿名通信软件,国内对此研究较少,识别SS流量困难,大多停留在实验室环境中。ShadowscoksR(SSR)是SS的增强版,可以将SS的流量伪装成常规协议的流量,如HTTP流量、TLS流量等,使得识别SSR流量更加困难。因此,基于K-means聚类分析首次提出了一种SSR流量识别方法。实验结果表明,该方法对SSR流量的识别效果较好,精度、召回率、准确率等都在94%以上。

基于K-means聚类分析的任务定价方案

该文研究了"拍照赚钱"的定价问题。基于K-means聚类分析,建立了任务定价与任务周围的会员个数、会员的信誉度、会员开始预定任务的时间及任务距离位置的定价模型;利用逻辑回归函数预测任务是否可以完成来评价模型的完成度;最后利用该算法得到的任务定价与APP给出的定价对比,验证了模型的正确性。另通过建立"打包"定价模型,在总任务价格不变的情况下,打包后任务点的完成度由打包前的70.5%提高到80.3%,打包对于任务完成情况有了明显的改善。

基于K-Means聚类分析法的山西省资源现状评价

以山西省的资源现状为研究对象,应用AHP评价模型建立起山西省资源承载力综合评判模型。选取16个不同层面的评价指标,并对各评价指标值进行无量纲化处理,同时采用变异系数法确定评价权重,对山西省的资源承载力分别进行单指标和综合评价。然后利用K-Means聚类方法直接对AHP评价结果进行聚类分析,最终把山西省的资源现状分为5类:较差、差、一般、较好和好。其评价结果对于山西省自然系统的演化研究、资源承载力评价指标体系的建立以及科学制定资源开发战略都具有重要的指导意义。

基于K-means聚类分析算法的大学生在线学习行为分析

本文利用基于Python平台的机械学习算法库scikit-learn提供的无监督学习的机械学习算法K-Means聚类分析模型,对在学习通平台上进行在线学习的学生产生的学习行为数据进行聚类分析.通过对学习行为数据的抽取、清洗、转换和K-means模型的训练,最终将在线学习的学生分为4种类型的学习者,并且给出每名在线学习学生的学习者类型.本文重点分析了每种类型学习者的线上学习行为数据,结合教师实践教学经验对4种类型的学习者的学习行为特征进行分析和总结,并针对每种类型在线学习者的学习行为特征制订了科学、合理和个性化的教学方案,有效提升了学生的在线学习效率,也为疫情结束后有针对性地制订个性化、合理、有效的线下教学方案提供了决策依据.