基于AHP-灰色聚类模型的舰艇自身抗损能力评估方法

针对当前舰艇平台性能评价标准不一的问题,尤其是如何更好评价定性指标的问题,探究一种客观公正的评价方法。以舰艇自身抗损能力为研究对象,提出层次分析(AHP)-灰色聚类模型在自身抗损能力综合评估的应用,并在分析研究舰艇自身抗损能力影响因素的基础上建立评估指标体系。运用AHP确定各指标权重,针对舰艇自身抗损能力的各项评价指标,基于专家打分法的打分结果,应用灰类的白化权函数进行数据归一化处理,得到各项评价指标的分数值。根据指标评价体系以及各项指标的权重和分数值,对舰艇自身抗损能力进行综合评价。实例分析结果表明,该方法使用便捷,能够对舰艇自身抗损能力进行客观公正的评价,可为舰船自身抗损能力综合评估提供指导。

基于聚类方法的负样本生成器研究与实现

知识图谱嵌入的目标是为知识图谱中的实体和关系生成低维连续的特征向量,以便计算机能够通过数学运算来挖掘知识的潜在语义,并将其应用于三元组补全、实体分类和实体解析等下游任务。翻译模型(Trans)是一种简单而有效的知识图谱嵌入方法,其采用负采样的方法来提高知识图谱嵌入的准确性。然而,传统的负采样方法采用随机负采样,容易生成低质量的负三元组,从而导致实体和关系的嵌入向量训练不准确。针对这个问题,该文提出基于Canopy和K-means方法的相似实体负样本生成器(Negative Sampling of Similar Entities,NSSE),用于生成高质量的负样本。实验结果表明,使用NSSE的翻译模型相比原有模型在嵌入向量生成方面取得更好的效果。

蜂窝移动网络大数据聚类异常挖掘方法仿真

蜂窝移动网络可提供话音、数据、视频图像等业务,具有终端移动性、越区切换和跨本地网自动漫游功能,因此上述网络环境中的数据为移动宽带数据流量,数据量巨大,并一直处于自更新状态,导致其聚类过程中易产生异常数据。针对上述问题,提出蜂窝移动网络大数据聚类异常挖掘方法。根据蜂窝移动网络的结构、数据存储结构以及数据特征,对数据属性聚类,并提取异常数据的弱相关特征值。基于以上情况,将提取的弱相关特征值输入至聚类器中,挖掘蜂窝移动网络大数据的异常数据。实验结果表明,蜂窝移动网络大数据量逐渐增多时,研究方法的挖掘准确性仍能保持在98.5%以上,耗时可控制4ms以内,漏检率始终低于1%,误检率不超过2%。以上所得数据说明该方法的应用可靠性更优。

基于K-mains聚类法的护理人员改良排班方法研究

目的探究妇科护理人员的科学排班方法,为提高效率、提升各班次团队合作精神提供参考。方法以某三级甲等医院妇科一病区为例,对科室24名护士在工龄、性格、工作能力及工作态度4个维度进行评价,利用K-mains聚类法对其进行分类并合理排班。结果基于K-mains聚类法的排班方法实施后,团队凝聚力得分高于对照组,幸福感提升与职业倦怠降低情况均优于对照组,组织认同感得分高于对照组,差异有统计学意义(P<0.05)。结论基于K-mains聚类法的妇科护理排班方法人为性干扰小,可信度高,能提高团队凝聚力、组织认同感及幸福感、受科室护理人员普遍信赖,可以提高护理人员的工作积极性和整体工作效果。

基于烟花算法的智慧城市物联网数据流聚类方法

以往的智慧城市物联网数据流聚类方法对数据特征提取不精准,聚类速度慢。为了提高聚类速度,缩短数据流聚类的耗时,设计了基于烟花算法的智慧城市物联网数据流聚类方法。通过对样本矩阵的标准化计算,降低数据运算的压力,完成对物联网数据的预处理。在烟花算法的支持下,对数据进行去重处理,精准提取数据特征。再根据数据属性不同,计算数据的响应函数,构建数据聚类模型,利用余弦对数据进行聚类分析,实现物联网数据流的聚类。实验结果表明,该聚类方法的聚类平均耗时为15.52 ms,说明该方法能够有效缩短聚类耗时。

并行处理网络下半结构化大数据快速聚类方法

半结构化数据量已经超过PB级,在这种大规模数据集上快速响应交互式请求,对关系数据库查询和大数据处理技术都提出了挑战。然而当前的聚类算法均是离线批量处理结构化、非结构化数据。面对半结构化数据对象和应用需求的转变,需要对传统聚类算法针对性地优化和改进。设计一种并行处理网络下半结构化大数据快速聚类方法。首先,在常用的Linux与Windows网络环境中捕获大数据包,并对捕获的多源异构大数据做清洗和集成等预处理操作,完成数据准备工作;然后在并行处理网络下,基于MapReduce框架改进常规CanpoyK-means聚类算法形成BCK-means并行聚类算法,对多源异构大数据进行并行化聚类分析,实现半结构化大数据的快速聚类挖掘。实验结果表明,设计方法在10 s内即可完成不同类别的半结构化数据集的聚类且聚类结果稳定,在半结构化数据聚类挖掘效率方面具有优势。

基于光纤传感与张量仿射聚类的隧道车辆检测方法

针对高速公路隧道车辆检测中的信号采集、特征提取和车辆识别方面所存在的问题,提出了1种光时域反射的分布式光纤传感技术与张量仿射传播聚类算法相结合的隧道车辆检测方法。首先利用设计的光时域反射的分布式光纤系统对隧道车辆运行信号进行采集,获得测量数据。其次,提出1种采用光纤空间分辨率作为通道数,并结合特征数量和时域、频域构建1种高阶的张量样本集合。最后利用张量仿射传播聚类方法以及其他聚类方法进行正确率测试。测试结果表明,该方式可在不破坏原有高维数据结构的情况下,更好地实现车辆的分类,在识别过程中减少人工的干预、增加整个车辆检测模型的智能化程度、提高隧道车辆检测准确率。

基于K-Means聚类算法的井下电缆双端在线局放定位方法

常规的电缆局放定位方法以反射信号识别与定位为主,时间同步偏差相对较大,影响最终的局放定位精准度,因此设计了基于K-Means聚类算法的井下电缆双端在线局放定位方法。该方法通过提取井下电缆双端行波模量特征,将井下电缆局放信号进行相模变换,分析相应电荷气隙平衡条件,获取更加准确的双端局放位置。基于K-Means算法构造电缆在线局放定位聚类中心,将空间距离相似的电缆进行局放判断,排除异常定位数据对聚类结果的影响,从而减小定位误差。采用对比实验验证了该方法的定位精准度高,能应用于实际生活中。

基于密度峰值聚类的不平衡数据过抽样方法

大多数不平衡数据过抽样方法依赖于太多参数,容易生成噪声并难以处理流形数据集。为此,文章提出了一种基于密度峰值聚类的不平衡数据过抽样方法(OVMEDPC)。首先,OVMEDPC用密度峰值聚类(DPC)来发现不平衡数据的空间结构;其次,OVMEDPC设计了一种基于密度峰值聚类的噪声过滤方法来移除噪声;最后,OVMEDPC设计了一种基于密度峰值聚类的插值技术来生成少数类的合成样本。实验证明,就随机森林分类器而言,OVMEDPC在F-measure和G-mean上优于5个先进的过抽样方法。

基于聚类的群孔特征在机测量摆角规划方法

针对群孔特征接触式在机测量过程中测量摆角多、标定效率低的问题,提出一种基于聚类的群孔特征测量摆角规划方法。以避免测针与孔口干涉为约束,计算测针轴线与孔轴线的夹角阈值,然后以此阈值为边界条件进行迭代聚类,进而获得覆盖全部孔特征的测量摆角集合。实验结果表明:使用所提方法可实现对群孔特征测量摆角的快速规划,测量摆角数量较传统方法下降约28%,综合测量时间下降约19%,有效提升了群孔特征在机测量效率。

基于鲁棒数据流聚类的电梯安全预警方法

本文针对电梯状态数据具有的持续到达、标签不足等特点,基于数据流聚类(Data Stream Clustering,DSC)的方法框架,并通过建立融合漂移检测(Drift Detection)与异常检测(Anomaly Detection)的双重检测机制,提出一种新型的鲁棒数据流聚类(Robust Data Stream Clustering, RDSC),对数据流中持续出现的概念漂移与异常样本进行动态分析与处理,从而提高数据流聚类的方法性能,以实现高效、精准的电梯安全预警。通过分析在多个数据集上的实验结果可以发现,与传统数据流聚类方法相比,本文所提方法在整体聚类精度和聚类稳定性上均有大幅度提升,能够有效增强电梯安全预警效率。

基于特征聚类和时间序列分析的协同过滤推荐方法

分布式系统各节点间的故障特征具有相似性,推荐方法根据故障特征的相似性给出推荐结果,能够提升维护效率。推荐方法采用相似度全局比对,计算效率较低。维护方案的有效性随时间降低,存在时效性差的问题。提出了一种基于特征聚类和时间序列分析的协同过滤推荐方法,利用K-means算法对故障特征进行聚类,以提升相似度比对的计算效率。根据多模态故障特征融合匹配维护方案,对推荐结果进行时间序列分析,调整维护方案权重,保证推荐结果的准确性和时效性。此外,利用均值策略实现了评分融合,建立多故障特征下的组推荐模型。实验表明,与UBCF和IBCF两种方法相比,该文方法的准确率分别提升了1.27%和4.46%,召回率分别提升了2.77%和0.61%。

基于谱聚类的主动配电网多时间尺度无功优化策略

高比例分布式光伏接入配电网后,传统优化方案无法有效平抑电压波动,分布式光伏逆变器的无功调控能力难以充分利用。为此,提出一种基于谱聚类的主动配电网多时间尺度无功优化策略,该方法分为日前优化和日内实时优化两个阶段。首先,对离散设备的时间耦合性进行解耦,以配电网网损、平均电压偏差、电压波动严重程度为目标函数,建立基于社交网络搜索算法的日前无功优化模型,确定离散设备静态最优档位序列;其次,通过谱聚类的方法进行耦合,确定离散设备动态最优档位序列,结合改进的分布式光伏逆变器就地控制策略,建立日内实时优化模型,从而抑制日前预测数据偏差导致的电压波动;最后,基于改进后的IEEE33节点系统进行仿真实验。仿真结果表明,所提策略可以有效降低运算难度、提高求解效率,验证了该策略的有效性和优越性。

基于聚类分析的四川省职业院校学生的创新创业能力实证研究

本文基于四川产业发展、结合四川省“十四五”规划、四川地区高职高专学生的地域性格特性作为创新精神和实践能力的评价体系的重要参考,建立了四川省高职学生创新创业能力的评价指标体系,分别从创新能力和实践能力两个方面各选取三个准则层指标,并针对每个准则层指标选取三个指标层指标,使用德尔菲法,专家评分法,并运用层次分析法进行赋权,得到综合评价指标体系,以该体系为基础,对四川省内部分高校的高职学生进行分层抽样调查,采用k-means聚类方法,归纳总结了其在创新创业能力上的特征表现。并针对性的对四川省高职学生创新创业能力的提升提出了对策建议。

面向云制造的资源集群聚类方法研究

针对云制造平台海量多样的服务资源分类界限模糊的问题,分析了云服务和制造资源之间的关系,提出云制造下混合式资源服务聚集模型。此外,文章基于k-means聚类算法建立了聚类有效性评估函数;针对k-means聚类算法对初始聚簇中心敏感易陷入局部最优的缺点,引入蛙跳算法确定初始聚簇中心,利用反向解扩大初始蛙群的搜索范围,结合最优解均值改进族群最差蛙的优化,提高族群的信息共享能力,结合改进后的蛙跳算法和k-means迭代,提出一种基于蛙跳算法改进的k-means聚类算法。最后,以两种数据集和云平台上同类机床资源为例,验证了所提聚类算法的有效性和可行性。

基于改进的Affnity Propagation聚类的木材缺陷识别

本文提出了一种基于快速Affnity Propagation聚类算法的木材缺陷识别方法.通过提取木材图像的颜色矩特征,建立样本特征集X,以平均平方残基为阈值降低样本特征集X及距离矩阵S的维数,自动识别木材缺陷位置并标记.实验表明,该方法的识别速度较传统的AP算法有明显提高,平均识别时间约为0.557s,平均识别查准率约为70.5%,平均识别查全率约为95.6%.

基于放电曲线多特征值和组合聚类算法的液态金属电池筛选研究

高效的电池筛选技术是保障储能电池系统安全性、经济性的关键技术之一。为了满足液态金属电池储能系统构建对单体一致性的要求,提出一种组合聚类方法,通过电池恒流放电期间获得的分选指标进行有效聚类,快速实现液态金属电池筛选。首先,提出一种特征提取框架来准确表征电池放电曲线,主要包括数据采集、数据预处理、特征参数生成、筛选指标生成4个阶段,生成的3个筛选指标,分别是电池曲线第2个拐点电压、对应的时间以及电池在第1个拐点电压前的放电能量。然后,提出基于密度的噪声应用空间聚类和均值漂移的组合聚类电池筛选方法,并提出一种一致性差异指标量化评估聚类效果。最后,通过分析212个200 Ah级液态金属电池的聚类优化效果可知,所提方法可显著减弱差异性较大电池对电池筛选的影响,能够同时实现离群值检测及电池自适应快速精准筛选,并通过动态工况测试证实所提方法可有效提升电池组响应一致性。

基于聚类分区混合代理模型的多目标序列优化

针对具有显式约束的昂贵多目标优化问题,提出了一种基于聚类分区混合代理模型(CPEM)的多目标序列优化方法(MOSOM-CPEM).在MOSOM-CPEM中引入了约束域最优拉丁超立方设计(CDOLHD),使其能够在边界形状复杂的可行域内构造样本点.多区域混合代理模型(EM-MROWF)中的可行域划分方法在分割非矩形域时将导致部分区域样本点数量较少从而影响该区域混合代理模型的预测精度.为了解决这一缺陷,在CPEM中提出了一种基于K-means聚类的可行域分区方法和相应的边界光滑方法.CPEM与多项式响应面(PRS)、径向基函数(RBF)、克里金(KRG)模型和两种混合代理模型(GOEL和ACAR)在10个测试函数上进行了拟合精度比较.结果表明,CPEM的整体拟合精度优于对比的代理模型,证实了所提出的可行域分区方法的有效性.MOSOM-CPEM在CEC2021中的6个工程约束多目标优化问题上与其他基于代理模型的优化方法进行了比较.结果表明,在使用相同的样本点数量的前提下,MOSOM-CPEM获得的Pareto前沿收敛性和分布性更好.MOSOM-CPEM应用于履带式起重机超长桁架臂的腰绳结构优化问题,结果证实了其优势,表明MOSOM-CPEM具有较高的工程应用价值.

基于电动出租车数据的充电桩选址聚类方法比较

为有效降低出租车运营企业及经营者的经济成本,通过分析出租车的卫星轨迹数据,比较和选取用于电动出租车充电桩选址规划的聚类方法。以上海市电动出租车充电站的选址规划为研究对象,分别基于孤立森林和聚类算法设计异常值检测方法,对相关时段的出租车卫星数据进行清理以及数据可视化处理;比较层次聚类(Agglomerative Clustering)、高斯混合模型(Gaussian Mixture Model,GMM)、K-means聚类、Mean-Shift聚类以及谱聚类(Spectral Clustering)5种算法的聚类效果,并选取K-means算法作为充电桩选址规划参考算法。从城市区域划分及企业运营角度确定充电桩选址方案,为未来上海市区电动出租车充电桩的数量和容量配置提供设计依据。

有序聚类算法下数据相似性挖掘仿真

由于数据具有多样性与复杂性等特点,且存在较多难以挖掘的隐藏信息,导致数据相似性挖掘精度低。为此提出一种基于有序聚类算法的数据相似性挖掘方法。通过不同类型数据的变化特点,采用有序聚类算法微聚类特征,存储数据信息,调整动态滑动窗口大小,计算不同数据点和聚类中心之间的距离,更新微聚类特征,实现数据有序聚类。采用网络和密度扩散相结合的方式获取数据位置序列,获取对应字符串,建立广义后缀树,完成数据相似性挖掘。仿真结果表明,采用所提方法可以准确对数据有序聚类,聚类运算时间仅为39.88ms,同时还可以获取满意的数据相似性挖掘结果。