基于Kmeans聚类对14个新疆陆地棉萌发期耐碱性评价

为了解新疆陆地棉品种萌发期的耐碱性差异,本研究采用沙培法对14个新疆陆地棉品种萌发期进行不同浓度(0(ck)、25 mmol/L、50 mmol/L、75 mmol/L、100 mmol/L)Na_(2)CO_(3)胁迫处理,测定了与棉花耐碱性相关的指标,并利用主成分分析、隶属函数综合评价和Kmeans聚类分析等方法对其萌发期耐碱性进行排序。结果表明,各品种棉花种子的发芽率、发芽势、发芽指数、株高、根长、干质量、鲜质量、相对含水量均随着碱浓度的增大而呈下降趋势。利用隶属函数和权重系数方法对14个新疆陆地棉花品种萌发期的耐碱性进行综合评价,基于D值进行Kmeans聚类分析,将14个棉花品种划分为四类:第Ⅰ类有2个棉花品种,D值为0.296,属于碱敏感型材料;第Ⅱ类有3个棉花品种,D值为0.535,属于弱耐碱型材料;第Ⅲ类有5个棉花品种,D值为0.684,属于中度耐碱型材料;第Ⅳ类有4个棉花品种,D值为0.788,属于强耐碱型材料。

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Kmeans聚类的配网变压器绕组材质辨识算法

近年来由于日益白热化的配电变压器市场竞争,不少中小型企业“以铝代铜”生产变压器,对电力系统的稳定性留下隐患。当前变压器材质无损辨识方法和技术欠缺,而谐波电阻法所需设备简便、成本低,有很高的工程实用价值,但缺乏科学严谨的算法支撑。为了准确高效地对变压器绕组材质进行辨识,在已有研究的基础上提出了一种基于Kmeans聚类的辨识算法,并对算法进行了优化。该方法对统计得到的变压器绕组谐波电阻进行聚类分析,再通过方差选择法、主成分分析(PCA)降维对算法进行优化,验证了优化算法的可行性,并利用优化算法展开现场应用。分析结果表明该算法能准确地鉴别变压器绕组材质,有广阔的工程应用前景。

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。

融合优化可调Q因子小波变换的改进密度峰值聚类算法

为提升时间序列的聚类精度,提出一种融合优化可调Q因子小波变换的改进密度峰值聚类(improved density peaks clustering based on optimal tunable Q-factor wavelet transform,OTQWT-IDPC)算法,该算法利用可调Q因子小波变换的能量优化选择策略及改进粒子群优化算法确定的最佳Q因子分解时序信号,通过最优特征子带的能量、均值、标准差和模糊熵构建特征子空间,并采用主成分分析降低特征维度,以减少特征冗余。同时,考虑到距离较远而周围密集程度较大的K近邻样本对局部密度的贡献率,引入权重系数及K近邻重新定义DPC的局部密度,并利用共享最近邻描述样本间的相似性。在BONN癫痫脑电信号和CWRU滚动轴承数据集上进行对比实验,结果表明,该算法的聚类精度分别为95%、94%,且Jacarrd、FMI和F_(1)值指标均优于其他对比算法,证明了OTQWT-IDPC算法的有效性。

基于改进聚类算法的I/Q不平衡指标测量算法

射频发射机往往将矢量调制信号分为I/Q两个完全正交的通路处理,即I/Q两路增益和时延严格一致,都不存在直流偏置,且本振信号相位严格相差90°。在实际工程中,器件的非理想因素往往会带来I/Q的不平衡,进而导致信号星座图失真,系统传输性能恶化,因此对发射机I/Q不平衡参数的测量与补偿至关重要。针对I/Q不平衡问题建模研究了3类不平衡因素对于I/Q通路的影响,提出了利用已知调制方式的星座图作为先验信息的改进聚类算法,进行I/Q不平衡参数估计,并进一步利用测量参数补偿射频信号的方法。针对不同信噪比条件和不平衡情况进行了仿真,仿真表明在不同的不平衡情况下,该算法都能有效完成I/Q不平衡参数测量和补偿,尤其是在信噪比条件较好,I/Q不平衡程度较高的情况下,该算法相较于传统的线性拟合算法有3 dB左右的信噪比增益。

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.

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LMDI和系统聚类的电力行业碳排放影响因素分析

电力行业作为直接使用一次能源的最大部门,是落实我国碳减排目标的重点行业。为厘清电力行业碳排放的主要驱动或抑制来源,论文构建了LMDI模型,从国家及省域两个层面对2006—2020年电力行业碳排放的影响因素进行了分解。研究结果表明,从国家及省域两个层面来看,经济发展效应均为电力碳排放的主要促进因素,火电燃料转化效应和产业结构效应均为电力碳排放的抑制因素,电源结构效应、工业电耗强度效应在全国层面为电力碳排放的抑制因素,但在各省份中的影响效果及程度各有不同。论文以主要抑制因素为变量,利用系统聚类法将30个省份划分为六大区域,针对各区域影响因素的作用效果提出了因地制宜的减排政策。

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。

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。

重心随机漂移KMeans聚类算法的设计

利用KMeans聚类算法进行聚类过程中,有可能会产生孤立聚点,这种情况一旦发生,会严重影响算法的聚类效果。为避免产生孤立聚点,本文改进了KMeans聚类算法,设计了一类重心随机漂移(Center Random Drift,简称CRD)KMeans聚类算法。该算法会首先判断生成的聚点是否是孤立聚点,利用CRD算法对孤立聚点进行替换,从而有效避免了孤立聚点的产生。通过在Matlab环境下进行图像聚类对比实验发现,针对色彩丰富的图片,新算法和传统KMeans算法性能没有明显差异,而针对图片色彩比较单一的图片,传统的KMeans聚类算法聚类效果不佳,新算法依然可以有效聚类。

基于K-means聚类改进的特征匹配算法

图像的匹配和融合是图像拼接的核心步骤,而在图像匹配过程中,传统的KNN匹配算法中错误匹配较多,且图像上的正确匹配点对连线的斜率几乎平行。鉴于此,使用K-means算法对其进行聚类以筛选出正确匹配。实验表明,该算法可以去除大量错误匹配,较传统算法匹配率最大可提升近1倍,匹配时间最大可缩短约0.2 s。在图像融合中对最佳缝合线算法作出改进,并且与渐出渐入融合算法进行比较实验,证明改进的缝合线算法可有效去除图像重叠区域的“鬼影”、错位现象。

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。

聚类与信息共享的多智能体深度强化学习协同控制交通灯

该文提出一种适用于多路口交通灯实时控制的多智能体深度循环Q-网络(MADRQN),目的是提高多个路口的联合控制效果。该方法将交通灯控制建模成马尔可夫决策过程,将每个路口的控制器作为智能体,根据位置和观测信息对智能体聚类,然后在聚类内部进行信息共享和中心化训练,并在每个训练过程结束时将评价值最高的值函数网络参数分享给其它智能体。在城市交通仿真软件(SUMO)下的仿真实验结果表明,所提方法能够减少通信的数据量,使得智能体之间的信息共享和中心化训练更加可行和高效,车辆平均等待时长少于当前最优的基于多智能体深度强化学习的交通灯控制方法,能够有效地缓解交通拥堵。

基于Kmeans和图像熵聚类的热红外目标检测算法

针对以海洋为背景的热红外图像目标检测存在的海洋海杂波的非平稳特性、非线性特性问题,以及目标背景相关性大而对比度小等问题,对两幅实拍红外船舰图像进行了实验,提出了一种快速有效的热红外目标检测算法。该算法采用表示图像灰度空域分布状态不确定性量度的图像熵方法,利用滑窗方法遍历整幅图像,求得了局部熵图像,从而确定了目标的粗略位置;通过用最大类间差法将局部熵处理后图像进行了自适应的二值分割,将目标和背景最优化地分离,并且结合改进的Kmeans聚类算法,通过循环所有目标点找出了其在聚类图像中的聚类标识,结合所有该聚类的像素点,提取出了完整的目标及其轮廓。研究结果表明,该热红外目标检测算法速度快,性能良好,在将目标完整地提取出来的同时可以很好地保留目标的轮廓。

基于Kmeans++聚类的朴素贝叶斯集成方法研究

朴素贝叶斯方法简单、计算高效、精确度高,且具有坚实的理论基础,得到了广泛应用。文中针对差异性是集成学习的关键条件,提出了基于Kmeans++聚类技术来提高朴素贝叶斯分类器集成差异性的方法,从而提升了朴素贝叶斯的泛化性能。首先,通过训练样本集训练出多个朴素贝叶斯基分类器模型;然后,为了增大基分类器之间的差异性,利用Kmeans++算法对基分类器在验证集上的预测结果进行聚类;最后,从每个聚类簇中选择泛化性能最佳的基分类器进行集成学习,最终结果由简单投票法得出。利用UCI标准数据集对该方法进行验证,结果表明该方法的泛化性能得到了较大的提升。

基于Spark的并行KMeans聚类模型研究

文章基于Spark分布式计算框架设计并实现了并行KMeans聚类模型,并通过该模型在不同规模的Movie Lens数据集上进行训练比对实验,结果表明,该并行KMeans聚类模型适合运行在分布式集群环境下,且并行化计算效率也有不俗的表现;其次通过repartition算子设计分片加载数据,优化并行方案,有效减少了模型的训练时间。

基于小批量Kmeans++聚类算法的液闪探测器n/γ甄别方法研究

提出一种基于小批量Kmeans++聚类算法的液体闪烁体探测器n/γ信号甄别方法.在^(252)Cf中子源混合辐射场中,分别使用小批量Kmeans++聚类算法和电荷比较法进行n/γ信号甄别,并将二者的分类结果进行对比与分析.实验结果表明,在400~600 keV、600~800 keV、800~1000 keV和>1000 keV能量区间,小批量Kmeans++聚类算法的甄别品质因子分别为0.96、1.06、1.24和1.31,这优于电荷比较法的甄别结果,在中子探测领域该研究可作为脉冲形状甄别的一种参考方法.

融合kmeans聚类与Hausdorff距离的点云精简算法改进

通常情况下,融合kmeans聚类与Hausdorff距离的点云精简算法在目标曲面的曲率值过小时需要设定Hausdorff距离阈值,在模型表面复杂情况下曲率估算精度不高,针对以上问题对该算法进行改进。首先在kmeans聚类中k值的确定采用手肘法确定聚类数保证聚类精度,然后采用维数特征Hausdorff距离代替主曲率Hausdorff距离提取特征点,避免了曲率的估算和在曲率值过小时设定Hausdorff距离阈值,最后融合kmeans聚类簇心与采用维数特征Hausdorff距离提取的特征点实现数据精简。采用实际扫描的点云数据进行验证,实验表明改进后的算法在相近精简率下提取的特征点更多,精度更高。