基于改进K-means聚类算法的网络异常数据挖掘与分类方法

为了解决网络异常数据挖掘过程中漏报率、误报率较高的问题,文章提出一种基于改进K-means聚类算法的网络异常数据挖掘与分类方法。文章通过构建并行化频繁项集挖掘环境加速数据处理,利用局部离群点检测剔除异常值,同时引入K-means聚类对数据的最大最小距离展开计算,融合隶属度函数与密度峰值优化算法,改进聚类初始中心选择及簇边界调整,从而提高异常识别准确性和分类效率。通过实验结果证明,该方法能够明显改善聚类效果与性能。

改进的RFM模型和K-means算法在会员分类中的应用研究

针对传统RFM模型用于会员分类会产生失真的问题,对RFM模型提出了改进,增加了客户关系长度和客户购买周期两个参数。同时针对传统的K-means算法存在的问题,提出了一种基于样本对象特征方差加权与中心初始化的K-means算法。利用改进的RFM模型对会员进行分类,可以有效地提高分类效率。

基于k-means算法的高速公路服务区分类研究

截至2023年6月,我国高速公路的建设规模已达到17.73万公里,位居全球之首。根据国家公路网的长远规划预计到2035年,我国的高速公路总长度将达到16.2万公里,现如今已经提前完成规划,基本形成一个现代化、高质量的国家公路网络。这不仅在新的发展格局中发挥着重要作用,而且对推动经济发展具有关键性的支持作用。在这个背景下,高速公路服务区的分类成为了一个研究重点。它对于理解不同类型服务区周边的土地利用、客流变化规律、发展趋势和建设规划具有重要意义。为了深入分析这一课题,本文采用了聚类分析方法。通过收集服务区附近的兴趣点(POI)、交通枢纽等关键设施的数据,作为研究的主要变量。在对数据进行Z-Score标准化处理后,本研究运用了主成分分析和k-means聚类方法对高速公路服务区进行了细致的分类。根据我们的分析结果,这些服务区可以分为四类:综合型服务区、融合型生产服务区、旅游型服务区以及工业型生产服务区。这一分类不仅为我们后续的深入研究奠定了基础,而且为服务区未来的发展方向提供了参考。

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。

一种基于K-means的神经网络数据集回归预测算法

在智能电网研究领域的高维数据回归分析和预测模型中,传统的统计学模型不能平衡不同维度之间信息价值,影响数据集的预测有效性。为解决上述问题,提出一种基于K-means的神经网络数据集回归预测算法。首先,在特征层面上,多层循环神经网络提取不同维度的数据特征并训练响应,然后,在算法层面上,通过K-means的分类器模型依照数据的维度特征分类并融合循环神经网络(Recurrent Neural Network,RNN)的特征响应,再对输出响应的数据集构建组合预测模型,从而提高预测算法的可靠性。在公开的回归数据集上进行测试。实验测试的结果表明,与门控循环算法(Gated Recurrent Unit,GRU)相比降低了14.45%的平均绝对误差值。

光伏波动平抑下改进K-means的电池储能动态分组控制策略

针对电池储能系统(battery energy storage system,BESS)进行光伏波动平抑时寿命损耗高及荷电状态(state of charge,SOC)一致性差的问题,提出了光伏波动平抑下改进K-means的BESS动态分组控制策略。首先,采用最小最大调度方法获取光伏并网指令。其次,设计了改进侏儒猫鼬优化算法(improved dwarf mongoose optimizer,IDMO),并利用它对传统K-means聚类算法进行改进,加快了聚类速度。接着,制定了电池单元动态分组原则,并根据电池单元SOC利用改进K-means将其分为3个电池组。然后,设计了基于充放电函数的电池单元SOC一致性功率分配方法,并据此提出BESS双层功率分配策略,上层确定电池组充放电顺序及指令,下层计算电池单元充放电指令。对所提策略进行仿真验证,结果表明,所设计的IDMO具有更高的寻优精度及更快的寻优速度。所提BESS平抑光伏波动策略在有效平抑波动的同时,降低了BESS运行寿命损耗并提高了电池单元SOC的均衡性。

加入跳跃连接的深度嵌入K-means聚类

现有的深度聚类算法大多采用对称的自编码器来提取高维数据的低维特征,但随着自编码器训练次数的不断增加,数据的低维特征空间在一定程度上发生了扭曲,这样得到的数据低维特征空间无法反映原始数据空间中潜在的聚类结构信息.为了解决上述问题,本文提出了一种新的深度嵌入K-means算法(SDEKC).首先,在低维特征提取阶段,在对称的卷积自编码器中相对应的编码器与解码器之间以一定的权重加入两个跳跃连接,以减弱解码器对编码器的编码要求同时突出卷积自编码器的编码能力,这样可以更好地保留原始数据空间中蕴含的聚类结构信息;其次,在聚类阶段,通过一个标准正交变换矩阵将低维数据空间转换为一个新的揭示聚类结构信息的空间;最后,本文以端到端的方式采用贪婪算法迭代优化数据的低维表示及其聚类,在6个真实数据集上验证了本文提出新算法的有效性.

基于K-Means聚类与熵权TOPSIS法的岩石可爆性评价研究

露天矿山的爆破块度分布,直接影响到后续的采装、运输和破碎工作。为了控制石墨矿山不同区域爆破块度分布,基于K-means无监督聚类学习法与熵权TOPSIS评价法建立了一种新的岩石可爆性评价模型,选取岩石密度、动力能量耗散率、动态抗压强度、平均应变率、脆性指数作为评价指标,通过熵权计算,发现岩石破碎程度受脆性指数影响最大,受平均应变率影响最小。将此模型应用于实际石墨矿山,可爆性分为10个等级,统计不同分级下的岩石平均破碎粒径,发现可爆性分级等级越高平均粒径越大,有明显的分级特征,验证了模型的有效性。从爆破石墨矿石岩体类型看,岩石可爆性从易到难排序为:片岩、片麻岩、变粒岩、混合岩。结合石墨矿石微观观测结果分析可知:岩性从片岩向混合岩转变,岩石内部石墨晶质呈下降趋势,石墨矿石可爆性等级也随之越来越高。岩石密度、能量耗散率、动态抗压强度之间呈线性正相关,岩石可爆性与平均应变率、脆性指数存在负相关性。研究成果为矿山矿岩可爆性评价提供了一条新思路,对露天矿山爆破块度优化具有一定的理论和实践指导意义。

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

基于成果导向教育的分类器实验教学设计探索

探索一种区别于传统教育的新型OBE教育模式。以学生自身兴趣爱好为导向,引用经典课题实践案例,并将其分解成不同难度题型,引导不同基础学生用科学的方法实现基于Python编译器的分类器仿真实验模型,让每一个学生能够得到最大程度的学习效率。通过此互动式、开放性的课堂教学,不仅充分激发了每一个学生的学习能动性,也使得教师通过课堂氛围灵活的分配教学计划以获得更好的教学体验,更好地完成教学成绩。

引入激活扩散的类分布关系近邻分类器

针对同质性关系分类器基于一阶Markov假设简化处理的局限性,在类分布关系近邻分类器构建类向量和参考向量时,引入局部图排序激活扩散方法,并结合松弛标注的协作推理方法,通过适当扩大分类时邻居节点的范围增加网络数据中待分类节点的同质性,从而降低分类错误率.对比实验结果表明,该方法扩大了待分类节点的邻域,在网络数据上分类精度较好.

基于集成神经网络的类风湿关节炎中医证候分类器研究

目的构建一种集成神经网络模型实现类风湿关节炎(RA)中医证候分类,并探究其中的特征重要性和风险因素。方法针对基于人工智能技术的RA中医证候多标签分类中存在的标签关联性差、泛化性能低等问题,提出一种集成神经网络模型——集成神经网络链(FEN)。FEN模型采用一种基于深度神经网络的特征提取基分类器提取临床RA多标签样本的深层特征,增强RA特征区分度;根据协方差理论衡量标签相关性,调节分类器链的输入空间,减少RA错误信息传播和冗余度;并采用集成学习方法减小分类器链中不合理标签序列对RA特征分类的影响。此外,分析了RA中医证候主证和兼证的特征贡献度,挖掘其潜在的风险因素。结果FEN模型的10折交叉验证性能参数汉明损失、1-错误率、准确度和F1值分别为0.0036、0.0248、97.52%、99.18%。与7种典型多标签分类器(分类器链、标签幂集、二进制关联、随机k-标签集、多标签K最近邻、集成分类器链和集成二进制关联)相比,FEN模型具有较好的分类性能。特征贡献度分析提示,主症和次症特征均可作为RA中医证候分类的重要指标,是影响主证和兼证分类的主要因素。结论基于集成神经网络模型的RA中医证候分类器具有较高的分类精度和效率,对于RA的临床诊断和治疗具有重要参考价值。

基于改进K-means算法的物流配送中心选址研究

针对传统K-means算法需要主观设定K值及无法处理类别型数据问题,文章运用肘部法及轮廓系数法确定合理K值,对类别型数据采取独热编码(One-Hot Encoding)转换为可以处理的连续型数据,并将其运用到在物流配送中心选址中;并综合考虑多种类别的影响因素,构建了相应的影响因素指标体系,提出的模型能够识别输入数据的数值型及类别型数据,实现样本的有效聚类。相关的案例分析结果表明,相比传统K-means聚类,文章的改进K-means算法选址结果可使物流总成本降低8.76%,运营成本降低14.85%,固定成本降低8.09%,效果显著。

一种基于多分类器和证据理论融合的水质分类方法

针对单分类器对不同水质类别识别不均衡、水质分类准确率较低、适应性较差的问题,提出一种基于多分类器和证据理论融合的水质分类方法。选取深度神经网络分类器、改进支持向量机分类器和贝叶斯分类器3种分类器,通过全概率公式构建信度函数,基于证据理论对信度函数进行融合,获得多分类器融合模型。从国家地表水水质自动站发布的2022年3月1—22日水质数据中选取3 558条数据为样本集,采用DNN水质分类模型、PSO-SVM水质分类模型、贝叶斯水质分类模型和多分类器融合模型对待测样本进行测试。结果表明:多分类器融合模型对水质类别判定的平均准确率、精确率、召回率和F1值分别为94.2%、93.8%、94.2%和94.0%。相较于DNN水质分类模型、PSO-SVM水质分类模型、贝叶斯水质分类模型,多分类器融合模型准确率分别提高5.6%、9.8%和13.6%,精确率分别提高5.2%、10.0%和10.9%,召回率分别提高5.6%、9.8%和13.6%,F1值分别提高5.4%、10.2%和12.3%,多分类器融合模型在水质分类方面的准确性和适应性更高。

基于同伴辅助学习分类器的部分域自适应方法

为了解决传统方法忽略分类器转移场景,进一步减轻负转移,提出一种基于同伴辅助学习分类器的部分域自适应方法。提出一个软加权最大均方差来减轻源异常域和目标域之间的负迁移,使得源共享域和目标域的特征分布在特征空间中是一致的;引入一种同伴辅助学习方法,减轻特定目标学习分类器的过度拟合问题。在三个数据集上的实验结果证明该方法不仅减轻了负迁移,而且解决了分类器移位问题。

基于主题词向量中心点的K-means文本聚类算法

K-means由于其时间复杂度低运行速度快一直是最为流行的聚类算法之一,但是该算法在进行聚类时需要预先给出聚类个数和初始类中心点,其选取得合适与否会直接影响最终聚类效果。该文对初始类中心和迭代类中心的选取进行大量研究,根据决策图进行初始类中心的选择,利用每个类簇的主题词向量替代均值作为迭代类中心。实验表明,该文的初始点选取方法能够准确地选取初始点,且利用主题词向量作为迭代类中心能够很好地避免噪声点和噪声特征的影响,很大程度上地提高了K-means算法的性能。

基于极化SAR梯度和复Wishart分类器的舰船检测

舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰,使得舰船目标的形态难以提取,导致检测结果不符合真实情况。此外,在舰船过于密集、尺度不一致的情况下,相邻舰船由于旁瓣的影响有时会被认为是单个目标,从而造成漏检。针对这些问题,该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先,将似然比检验(LRT)梯度引入对数比值梯度框架,使其适用于极化SAR数据;基于LRT梯度图进行恒虚警(CFAR)检测,提取舰船的边缘信息,消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次,利用复Wishart迭代分类器对舰船强散射部分进行检测,可排除大部分的杂波干扰且保持舰船形态细节。最后,将二者信息融合,从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验,实验表明与其他方法相比,该文所提算法具有更少的虚警和漏检,且能够有效克服旁瓣泄露,保持舰船形态细节。

基于蚁群算法的三支k-means聚类算法

在聚类分析中,三支k-means聚类算法较具有较强的处理边界不确定数据的能力,但仍然存在对初始聚类中心敏感的问题.通过将蚁群算法和三支k-means聚类算法相结合,给出了一种基于蚁群算法的三支k-means聚类算法来解决这一问题.利用蚁群算法中随机概率选择策略和信息素的正负反馈机制,动态调整权重的方法,对三支k-means聚类算法进行优化.在UCI数据集上实验证明,该方法对聚类结果的性能指标有所提高.

基于ER Rule的多分类器汽车评论情感分类研究

该文针对汽车评论语料的情感二分类问题,提出一种基于证据推理规则的多分类器融合的情感分类方法。在情感特征构建方面,通过实验对比不同特征模型对分类结果的影响,并改进传统的TFIDF权重计算方法。同时,在此基础上使用ER Rule融合不同分类器进行文本情感极性分析,并考虑各分类器的权重和可靠度。最后,爬取汽车网站上的评论数据对上述方法进行测试,并用公开的中文酒店评论语料数据进行了验证,结果表明该方法能够有效集成不同分类器的优点,与传统机器学习分类算法相比,其结果在Recall,F1值和Accuracy三个指标上得到了提高,与目前流行的深度学习算法和集成学习算法相比,其结果总体占优。

改进k-means的多域光纤通信非线性失真补偿方法

为了解决光纤通信信号在传输过程中受到非线性影响而产生的失真问题,提高光纤通信系统的稳定性,提出了改进k-means的多域光纤通信非线性失真补偿方法。构建多域光纤通信传输模型,在传输端利用波长转换器将输入信号传输到光纤,结合干扰原理线性化脉冲恢复光信号。以信噪比描述光纤通信的色散特性,明确信号交互出现非线性失真变化。通过Dijkstra方法改进k-means方法,解调失真星座,避免聚类陷入局部最优,使全部簇信号尽可能接近原始调制中心,实现失真补偿。实验结果表明:利用所提方法对光纤通信非线性失真进行补偿后,聚类效果较佳,信息误码率可降至10^(-7),有效减少了网络传输消耗,提高光纤通信信号质量。