基于K_means++聚类与RF_GRU组合模型的电力负荷预测方法研究

短期负荷预测是电力系统对负荷进行规划的重要依据之一,为了进一步提升短期负荷预测的精度,提出一种基于K_means++聚类与RF_GRU组合模型的电力负荷预测方法。首先,采用K_means++聚类算法将负荷群体分成负荷特性相近的群体,然后利用改进后的CSO算法优化随机森林中的相关参数使其性能最优,接着根据聚类情况采用随机森林选择结构不同的多层GRU网络分别对各组负荷群体进行预测,最后将所有组的预测结果相加得出最终预测值。算例结果表明,聚类算法的归纳整理功能为预测方法节省了预测时间,而采用组合模型又进一步提高了预测精度。

基于K_means硬聚类算法的葡萄病害彩色图像分割方法

为了提高植物病害图像的分割精度与效果,根据植物病害症状及图像的特点,提出了一种基于K_means硬聚类算法(HCM)的葡萄病害彩色图像非监督性分割处理方法。该方法是在L*a*b*颜色空间模式下利用ab二维数据空间的颜色差异,以平方欧式距离作为像素间的相似度距离、以均方差作为聚类准则函数对颜色进行二分类聚类,并通过数学形态学运算对聚类结果进行校正。利用该方法对3种葡萄病害彩色图像进行分割的结果表明,该方法能够较为准确地将病斑区域从彩色图像中分割出来,对葡萄病害彩色图像的分割处理比较理想,鲁棒性好,分割准确率高。

基于加权欧式距离的k_means算法研究

传统的k_means算法将欧式距离作为最常用的距离度量方法.针对基于欧式距离计算样本点与类间相似度的不足,用"相对距离"代替"绝对距离"可以更好地反映样本的实际分布,提出一种在领域知识未知的情况下基于加权欧式距离的k_means算法.针对公共数据库UCI里的数据实验表明改进后的算法能产生质量较高的聚类结果.

快速查找初始聚类中心的K_means算法

传统的k_means算法对初始聚类中心十分敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优.为消除这种敏感性,针对k_means算法,提出了一种新的基于数据样本分布选取初始聚类中心的方法,对公共数据库UCI里面的数据实验表明改进后的k_means算法能产生质量较高的聚类结果,并且消除了对初始输入的敏感性.

用户兴趣实例模型与K_means算法的改进

Web检索越来越重要,但检索的效率和准确性始终成为当前面临的主要问题。本文提出了一种用户兴趣模型,以用户感兴趣的实例文档作为用户兴趣的表示方法。接着提出一种以实例文档为聚类中心的K-means聚类算法。实验证明具有较好的准确性和较高的效率。

一种改进的K_means聚类方法

针对传统K_means聚类方法采用随机选择初始聚类中心而导致的收敛速度慢的问题,本文结合空间中的距离度量提出一种改进的K_means聚类算法。该方法通过给出有效的启发式信息,选择较好的聚类中心,减少聚类达到稳定状态所需要的迭代步骤,加速算法的执行。标准数据集上的实验结果表明,与传统的K_means聚类方法相比,本文提出的改进的聚类方法收敛速度快,从而在较少的迭代后得到良好的聚类效果。

基于布谷鸟算法优化K_means聚类的缺失数据填充算法

针对K_means聚类算法对初始参数较敏感且相对容易出现局部最优解的问题,提出基于布谷鸟算法优化的K_means聚类算法,并将优化后的K_means聚类算法与条件均值填充算法相结合,递归地填充缺失数据。实验结果表明:与传统算法相比,基于布谷鸟算法优化K_means聚类的缺失数据填充算法具有更好的效果。

基于特征加权的SFO-K_means用电行为研究

在传统的K_means算法中,初始聚类中心大多采用任意选取或者凭借经验,使算法的准确性易受选取结果的影响。针对这些不足,提出了利用剑鱼算法全局寻优特性,来改进K_means初始聚类中心的选取。UCI数据对比显示,改进算法在平均迭代次数和准确率方面优于传统K_means算法。在用户用电行为分析上,利用提取的5个降维特征指标,对每半小时采样一次的高维日负荷曲线进行降维处理;引入Critic法来确定指标的权重系数,并利用皮尔逊相关系数与熵权,分别衡量指标之间的冲突性与指标内部的对比强度;采用特征加权的SFO-K_means算法进行聚类分析。算例结果表明,该法在聚类质量上有一定的优越性,聚类结果能反应出用户的用电行为习惯。

一种改进的K_means算法在旅游客户细分中的应用

针对传统K_means算法存在的问题,提出一种基于密度的初始中心点选择方法,并利用几何三角形三边关系理论简化了迭代中的计算次数,以缩短大数据集聚类时间.针对旅游电子商务的特点,基于RFM模型设计了一种RFMVCI扩展模型.新算法的有效性和扩展模型的合理性在实验和旅游客户细分实践中获得了验证.

基于改进的K_means算法在图像分割中的应用

图像分割是图像处理中一种重要的图像分析技术。对灰度图像的分割,处理图像的亮度分量又是图像分割的基本方法。图像分割方法对区域的目标检测和模式识别有重要的意义。K_means算法是基于元素距离中心点的大小作为相似性度量的聚类算法。该文通过参数统计直方图来预估中心点k值的个数,并根据直方图峰值的位置来确定聚类中心的位置。该方法的初始聚类中心值与实际中心值相差不多,因此,大大减少了迭代次数,计算量更少。结果表明,改进K_Means聚类算法提高了图像分割的效率,降低了K_means算法的时间复杂度和空间复杂度。

基于混沌剑鱼算法的K_means算法

传统K-means聚类算法容易受到初始聚类中心影响,从而导致聚类准确度较差的问题,本文利用剑鱼优化算法全局搜索能力强、收敛速度快的优势,提出一种基于改进剑鱼算法的K-means聚类算法。为增强剑鱼优化算法全局搜索能力,采用Tent混沌序列初始化种群,利用Tent混沌序列遍历性、随机性和规律性提高初始解的质量;为了提升算法搜索的精度,引入高斯变异,以此增强算法局部搜索能力;为了促使算法在跳出限制后继续搜索,在搜索停滞的解的基础上生成Tent混沌序列,用Tent混沌序列对部分陷入局部最优的个体进行扰动。最后,在9个标准测试函数上进行仿真实验,验证了所提算法的优越性;通过与传统K_means聚类算法在UCI数据集上聚类结果的对比,证明所提出的聚类算法具有更好的聚类性能,可以有效降低初始聚类中心对K-means算法的影响。

基于K_means和加权混合回归的Wi-Fi室内定位算法

基于接收信号强度的室内定位方法的精确度受环境影响较大,回归算法在不同的场景中定位误差也受影响。提出了一种基于加权混合回归的室内定位算法。离线阶段,首先利用K-means++算法对各节点的接收信号强度特征向量进行无监督聚类,建立指纹库。接下来对SVR和KNR回归算法进行回归训练,增加定位误差小的算法的权重,最终确定两者的权重系数,建立混合回归模型PL-SKR。在线阶段,先用SVC分类算法对节点进行分类,再用PL-SKR混合回归算法进行位置估计。在仿真过程中不断改变算法的参数和权重系数进行寻优,使得PL-SKR混合回归算法与测试环境更契合,有利于提高定位准确度。实验结果表明,该回归算法的定位精度相比SVR和KNR有一定程度的提高。

基于改进的K_Means算法的城市高架桥交通流分析

将数据挖掘技术应用到合肥市金寨路高架桥的交通流分析中。分析研究了聚类中已有的K_Means算法的不足,对算法中聚类中心初始化问题进行了改进,通过对聚类结果的分析研究,得到该高架桥的一些交通特性。这些信息可以使高架桥的管理更安全有效,也可以方便驾车人员的出行,对城市道路规划也有参考意义。

基于历史的动态手势识别

基于表观建模的方法是当前手势识别的主流,我们采用基于历史的手势表示方法,用皮肤历史图像建立手势表观模型,然后用原型模板匹配的方法进行手势识别,并使用切线距离来进行测试样本与模板之间的相似性度量,以消除视觉敏感问题.实验结果表明,该方法显著地提高了识别准确率.

基于逻辑回归模型的城市边缘区界定方法研究

以广州市为例,在总结和分析前人研究的基础上提出基于栅格的城市化特征属性概念及其评价指标体系,构建了基于多准则判读的城市边缘区界定方法,利用K-means空间聚类法对广州市城市边缘区进行划分,得到城市特征属性回归模型。试验结果表明,城市边缘区主要分布于主城区和若干中心镇周围,并随城市交通轴线发散分布,与广州城市总体规划发展布局相一致。城市特征属性受到城市开发强度的重要影响,两者具有显著相关性。

壳体曲面的机械臂喷涂路径规划方法研究

机械臂喷涂轨迹依靠示教模式与离线编程系统生成,人工示教需要多次实验调整,费时费力,传统的路径规划方法较难捕捉复杂的壳体外表面的特征,喷涂路径仍然依赖于操作者经验,所以应用一种新型机械臂喷涂轨迹规划方法来实现壳体外表面的喷涂,应用改造K_means聚类算法将曲面分成数个较为简单的子片,以涂层均匀性为目标确定子片喷涂轨迹与喷枪模型参数,将子片之间的连接顺序定义为旅行商(Traveling Salesman Problem,TSP)问题,应用蚁群系统对子片喷涂顺序进行搜索,实验结果表明该方法能够生成所有子片的完整的喷涂路径,并且在喷涂时间上具有明显优势。

基于近红外光谱技术的常见塑料快速分类方法研究

对废弃塑料进行回收再生利用具有重要的意义,首要的问题是对塑料进行鉴别分类。本文主要对塑料快速分类方法做了深入的研究。设计并搭建了采集数据的实验系统,编写了处理数据的处理软件。分别采用了全局相关分析、特征相关分析、欧氏距离和k_means聚类分析对数据进行了处理。对常见PE,PET,PP,PVC等塑料进行快速分类鉴别。其中k_means聚类分析法对89个未知样品的预测结果准确率为92.1%,说明近红外光谱结合k_means聚类法进行常见塑料种类鉴别在技术上是可行的。另外提出采用多模式共识可以进一步提高分类的准确率和可靠性。

入侵检测技术中k-means聚类算法综述

聚类是入侵检测中重要技术之一,本文对入侵检测技术中k-means聚类算法进行了分类分析,分析了各种改进的k-means聚类算法的优点及其在入侵检测技术中的应用。

基于语义串特征提取及融合评价的维吾尔文文本聚类

该文研究一种改进的n元递增算法来抽取文本中表达关键信息的语义串,然后用多特征融合的评价方法为每一个文本选取最重要的语义串,并用这些语义串作为特征表示文本。通过K_means聚类分析的实验结果表明,以语义串作为特征可以构造比单词特征集更紧凑的文本模型,不仅可以大大降低特征空间的维度,对于提高聚类算法性能也是非常有效的。

k＿m eans算法初始聚类中心点选取方法研究

针对k_means算法对初始聚类中心的依赖性,从不同的角度分析了几种不同的初始聚类中心的选取方法,并分析了几种方法的优缺点。