多尺度局部聚类的Kmeans-DETR目标检测方法

在利用DETR进行目标检测时,复杂的矩阵运算不仅对稀疏冗余特征产生了大量无效计算,还阻碍了对图像更多尺度信息的使用.针对上述问题,本文提出了多尺度局部聚类的Kmeans-DETR目标检测方法.首先构造了局部Kmeans聚类方法,通过在特征图的局部区域内聚类得到对应簇,并选取特征代表该簇以降低稀疏冗余特征的数量,进而减少矩阵计算量与模型复杂度;其次通过3种尺度的局部聚类,引入多尺度信息的同时通过不同尺度聚类区域重叠的方式解决局部信息不互通的问题;最后改进了位置编码方式用以记录局部聚类后特征的位置信息,并嵌入到簇的代表特征中,利用Transformer结构完成检测任务.本文提出的模型在COCO数据集上与主流的目标检测模型进行了对比,在多个指标上均有较好的表现.

基于SSA-Kmeans聚类算法的青菜杂质图像分割

为解决青菜包装生产线在加工过程中的杂质在线检测问题,提出一种基于SSA-Kmeans的青菜杂质图像分割算法。首先利用直方图均衡化进行彩色图像增强以降低光照影响;其次基于麻雀搜索算法对初始聚类中心寻优,根据得到的最佳聚类中心,选取包含颜色信息的ab二维数据进行Kmeans聚类;然后对聚类后的图像二值化处理并用形态学滤波方法校正,最终完成图像分割。利用该算法对落叶、枯叶和黄叶等杂质进行图像分割试验,杂质平均匹配率为93.22%,平均误分率为0.70%,平均准确率为92.52%。与FCM算法、Kmeans算法、PSO-Kmeans算法的对比试验表明:本文算法分割精度更优,对不同杂质的分割均表现出良好的鲁棒性,为实现青菜杂质在线检测提供一种新方法支撑,对提高青菜机械化生产水平具有一定的实用价值。

基于深度学习及改进模糊KMeans的寻常型银屑病智能诊断方法

为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。

基于KMeans的铁路电务设备布放辅助设计软件研究

为解决铁路电务设备布放设计带来的聚类问题,基于KMeans算法,提出了BiKMeans_SC算法,实现了聚类数未知且带有规模限制的自动聚类,通过仿真实验证明该算法的可用性。基于BiKMeans_SC算法开发了铁路电务设备布放辅助设计软件,根据平面位置完成对电务设备的聚类处理,利用A*算法完成电务设备线缆的路径自动规划,实现了电务设备线缆连接图和线缆工程量的自动生成。实验证明,相对于传统的手动设计手段,该软件自动化水平高,计算过程有可靠依据且结果精确,有利于提高铁路电务设备布放的设计质量,控制建设投资成本,更好地服务铁路工程建设。

基于Kmeans–BP神经网络的KR工序终点铁水硫含量预测模型

针对KR工序终点铁水硫含量预测问题,提出一种基于Kmeans聚类分析和BP神经网络(BPNN)相结合的建模方法.首先,通过Kmeans聚类对KR工序生产数据进行模式识别和分类,构建不同工况特征的数据集;然后,基于BP神经网络,针对不同数据集训练预测模型;最后,将不同数据集的预测模型进行集成,形成最终的终点铁水硫含量预测模型,实现对不同铁水条件和工况条件的预测.利用某钢铁企业实际生产数据,分别用基于脱硫反应动力学、BP神经网络和Kmeans-BPNN方法建立的预测模型,对KR工序终点铁水硫含量进行预测.结果表明,Kmeans-BPNN的KR工序终点硫含量预测模型的精度显著高于脱硫反应动力学和BP神经网络的预测模型.

基于反向K近邻和密度峰值初始化的加权Kmeans聚类入侵检测算法

传统Kmeans聚类算法的性能易受初始类簇中心随机性和类簇中心计算的迭代过程中边缘点和离群点反复计入的影响,为了避免这些影响,该文提出一种基于反向K近邻和密度峰值初始化的加权Kmeans聚类算法。通过样本的近邻信息计算每个样本的反向K近邻,针对不同规模、不同密度分布数据集,可以自适应地搜索密度峰值点作为初始类簇中心;自适应设定相对簇半径,并通过样本加权进行类簇中心迭代,在不同数据分布下可以有效降低边缘点和离群点对聚类结果的影响。试验结果证明,该算法在聚类性能提升的同时迭代次数大幅降低,随着入侵行为类型和数据规模的增加,该文聚类算法仍体现出较好的性能,且在发现未知攻击类型上效果显著。

基于自适应Kmeans和LSTM的短期光伏发电预测

精准的光伏发电功率预测是电网日常调度管理与安全稳定运行的关键。文中提出了一种基于自适应Kmeans和长短期记忆(LSTM)的短期光伏发电功率预测模型。根据短期光伏发电特性,选取了预测模型的初始训练集。采用自适应Kmeans对初始训练集以及预测日的光伏发电功率进行聚类。在各类别的初始训练集数据上分别训练LSTM,结合训练完成的LSTM进行发电功率的预测。考虑三种典型天气类型,采用所提方法进行仿真分析。结果表明,与其他三种方法相比,文中提出的方法的精度有了明显提升,误差更小。

基于改进CNN和Kmeans的双转子轴承半监督故障诊断

针对双转子轴承复杂信号故障特征难提取、工程中某些类型的故障数据缺乏时卷积神经网络(convolution neural network,简称CNN)难训练的问题,提出一种基于改进CNN和Kmeans的双转子轴承半监督故障诊断方法。首先,利用自回归(autoregressive,简称AR)模型对双转子轴承信号去噪,并基于傅里叶变换得到信号频谱作为CNN输入;其次,以Morlet小波基频域函数作为激活函数构建CNN,结合Softmax损失和提出的权重内积最小化损失在少类别训练数据下训练CNN;最后,基于Kmeans聚类算法分析CNN线性输出确定无标签数据伪标签,并结合半监督学习中自训练思想迭代CNN更新伪标签,继而依据伪标签划分双转子轴承正常、已知故障和未知故障状态。利用双转子轴承故障模拟试验台数据进行验证,结果表明,在少类别训练数据下,其诊断效果相较于人工神经网络(artificial neural network,简称ANN)等方法更佳,诊断准确率达到了100%,验证了所提方法的有效性。

基于核KMeans和SOM神经网络算法的海况聚类分析

为了更加高质量地利用海况数据,避免由复杂因素导致的对海况误判问题,基于KMeans、核技巧、自组织映射(Self-organizing Mapping, SOM)神经网络构建了自组织映射混合核KMeans(SOM-Gaussian and Polynomial Kernel-KMeans, SGPK-KMeans)算法.克服了KMeans对复杂数据聚类效果不佳、核KMeans需要指定聚类数目和对初始聚类中心敏感的问题.通过海况数据聚类实验,将SGPK-KMeans算法的聚类效果与经典KMeans、单核KMeans和SOM神经网络算法进行对比分析.结果表明SGPK-KMeans对于海况数据聚类具有更加稳定的效果且能更加准确的识别出数据中的异常值.

基于HMRF的改进Kmeans脑肿瘤分割算法

为了解决磁共振成像脑部肿瘤区域出现误识别及对脑MRI图像中的肿瘤部位分割时出现的不确定性等问题,提出一种改进的Kmeans算法与隐马尔可夫随机场模型(HMRF)相结合的分割方法,对脑肿瘤图像实现精准分割。首先将Kmeans算法的欧氏距离替换成曼哈顿-切比雪夫距离并用改进后的Kmeans算法对待分割图像进行初始参数估计和初始分割,然后通过HMRF理论获得图像的空间信息,并结合EM算法对聚类中心进行更新,获得更为准确的聚类中心,从而提高算法的分割性能。实验结果表明,该方法具有良好的脑部肿瘤分割性能效果,其中Dice系数和Jaccard系数的平均值分别达到了0.9289和0.8725。

融合KMeans++与DBSCAN算法的工程车辆轨迹聚类研究

针对城市扬尘治理中工程车辆运输建筑垃圾倾倒撒漏产生的环境问题,分析车辆行驶数据(定位、时间、速度等),提出一种适合车辆轨迹大规模数据集快速自适应参数的改进DBSCAN聚类算法,采用KMeans++算法划分网格区域,优化聚类运算效率,减轻DBSCAN在大数据场景下过多冗余距离计算,平衡海量数据分析的准确性与效率,实现大规模轨迹运动的有效识别。南宁市扬尘治理场景应用结果表明:改进算法可快速有效分析聚类疑似非法源头,为扬尘治理提供可靠决策信息。

基于kmeans的12345问题热点分析

本文针对政务服务数据展开分析,采用海南省三亚市2019年2月的12345市民服务热线记录数据,采用jieba工具分词,TextRank算法提取关键字,词袋模型进行文本向量化,kmeans聚类算法获取数据分类,即群众集中反应的问题类,再使用TextRank获取各类的关键字,找出各类的突出问题。

基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测

光伏功率预测对电网调度具有重要意义。针对光伏功率数据具有较强波动性和不稳定性的特点,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)、K均值聚类算法(Kmeans clustering algorithm, Kmeans)和蚁狮优化(ant lion optimization, ALO)算法优化的长短期记忆神经网络(long short-term memory network, LSTM)的光伏功率组合预测模型。对光伏功率数据进行EEMD分解,得到相应的本征模态分量(intrinsic mode function,IMF)和残差项;引入Kmeans聚类对分解后的序列重构,降低序列复杂度和分量数量;将重构后的子序列输入经ALO优化的LSTM模型进行预测,并将各序列预测结果简单加和作为最终预测值。与目前应用较广泛的EEMD-LSTM模型对比,表明EEMD-Kmeans-LSTM和EEMD-Kmeans-ALO-LSTM模型的预测精度均得到一定程度的提高。

基于Entropy-Kmeans++的尾矿库安全风险分级预警模型

针对尾矿库安全监管难度大、安全防范意识不足的问题,提出了一种基于Entropy-Kmeans++的尾矿库安全风险分级预警模型。首先,以某尾矿库为例,根据尾矿库现状确定威胁尾矿库安全的主要因素,建立适用于该尾矿库的评价指标体系;其次,运用熵权法(Entropymethod)获取各指标对应的权重信息,得到各个数据点的风险综合评分;接着,采用Kmeans++算法对风险评价结果进行聚类,得到风险评价结果的划分等级。最后运用该模型确定每个数据点对应的风险等级。结果表明:尾矿库安全风险分为低风险、较低风险、中风险、较高风险、高风险5类,该模型的评价结果与该尾矿库的实际安全情况一致,能够有效对该尾矿库的安全风险进行预警。

基于KMeans和LightGBM模型的大学生公益人群画像分析

大学生公益是国家公益事业的重要组成部分。高校如何设计公益活动以吸纳更多大学生加入公益队伍已成为一个严峻的问题。文章通过调查问卷获得的数据沿着如下路线来构建大学生公益人群画像体系:首先引入KMeans聚类模型对大学生公益人群进行分类,然后利用t-SNE降维算法可视化分类效果,最后应用LightGBM模型提取特征的重要性,以将某类和其他类区别开来,凸显本类的特征,通过描述各类的特征对人群画像。得出结论:大学生公益人群划可分为三类,根据各类特征可画像为观望型人群、积极型人群及消极型人群。

基于KMeans聚类算法的学生成绩分析及教学策略改进研究

本文通过从J学校教务系统中选取Y专业的723名年全校学生的2021-2022下学期成绩数据作为样本,根据轮廓系数评估确定最优聚类簇数,再使用KMeans聚类算法对学生的成绩数据进行聚类分析,根据成绩特征给出教学策略建议。通过对聚类结果的分析,为教师初步分析学习成绩和改进教学提供数据支持和思路,从而达到因材施教,提升学生学习效果的目的。

基于Hadoop平台Canopy-Kmeans聚类算法优化改进研究

在分析Hadoop平台架构和Canopy-Kmeans聚类算法的基础上,对Canopy-Kmeans算法进行了并行化优化改进,通过统计学思维对数据分组抽样后聚类以方便并行化和降低时间复杂度,利用最小最大原则优化Canopy初始中心点选取,用数据异度均值抽样法保证从原数据中均匀提取数据样本,并对Kmeans迭代计算过程进行优化。结合Hadoop平台下MapReduce框架将改进算法进行并行化设计实现。实验表明,对海量数值数据进行聚类时,改进的Canopy-Kmeans并行算法是有效的、收敛的,在聚类准确率和时效性上都有一定程度的提升。

Kmeans聚类与多光谱阈值相结合的MODIS云检测算法

采用Kmeans聚类与多光谱阈值相结合的方法进行云检测。在地物光谱分析的基础上,应用Kmeans聚类算法对聚类特征数据初始分为两类,第一类为云、烟雾和雪,而植被、水体和陆地等其他下垫面为第二类;然后应用光谱阈值判断排除烟雾和雪等的干扰,对MODIS数据中的云体实现检测。还研究了我国典型区域在不同季节、不同时相的数据。在不同下垫面的情况下,通过目视方法对该算法的性能进行检验,发现该算法能有效地检测出一些小面积云点像元,并且排除其他因素的干扰,为下一步火灾识别工作奠定良好的基础。

结合Kmeans++聚类和颜色几何特征的火焰检测方法

随着社会经济的不断发展,大空间建筑逐渐步入人们的生活中,对大空间建筑的消防技术要求逐渐提高,火焰识别技术已成为近年来研究的热点。为实现单帧图像的火焰检测,本文首先提出了一种基于RGB和HSI颜色模型的混合判据,它既保留了RGB模型中的直观判据,又加入了HSI模型中对于饱和度判据,效果优于两者单独使用或单纯结合的情况;同时利用基于加权欧式距离的方法对图像进行特殊灰度化处理,通过Kmeans++颜色聚类,完成火焰图像的分割,获得最终感兴趣区域;提取该区域几何轮廓并利用不规则度和形态比例等几何判据,对待检测图像进行最终的识别。为评估所提出检测方法的性能,选取典型火焰图像和非火焰图像,在Visual Studio 2013环境下进行对比实验,通过对运行时间、提取偏差率和识别误报率等结果的分析,证明了所提方法的有效性和可实现性。本文所提出的方法具有良好的检测效果,能够保证火焰提取和识别的精度,同时兼顾实时性的要求,可以应用在实际的大空间消防项目中。

基于Kmeans-GMM模型的地板块纹理分类算法

为解决地板块纹理分类难度大的问题,提出了一种基于Kmeans-GMM模型的地板块纹理分类方法.在阐述混合高斯模型GMM及参数估计算法原理的基础上,采用灰度共生矩阵提取地板块纹理特征,结合Kmeans算法,通过训练得到各类纹理所对应的混合高斯模型GMM的参数,实现对地板块纹理分类.实验结果表明该方法辨识准确率高、识别速度快,优于传统的神经网络分类法以及SVM算法,为地板块纹理分类的研究提供了一个新的思路.