基于改进K-均值算法的双馈风场故障等值建模方法

新能源场站故障建模与分析方法是风电、光伏集中并网地区的故障特性和保护研究的基础,场站的多机等值建模多采用聚类算法,传统算法基于机组间运行状态的相似程度进行分群,然而将运行状态相近的机组分为一类并不等价于等值后模型精度更高。因此首先分析双馈风机故障电流的影响因素并作为分群指标,提出了一种改进的K-均值算法,算法以机组的故障电流等值误差作为样本间距,将同类机组的等值电气量作为算法的中心坐标;并结合了风电机组的等值误差与聚类算法的轮廓系数,整定了算法的分群数,构建了双馈风场的多机等值故障稳态模型,以提高网络短路计算的效率和精度。仿真结果验证了分群等值方法的合理性,所提方法相比单机等值模型与基于传统K-均值算法的多机等值模型精度均有一定的提升。

一种新聚类评价指标

用于发现数据集类簇数k的常用内部评价指标DB(Davies Bouldin)和BWP(Between-within Proportion)等需要先确定一个搜索范围kmax,使数据集的类簇数满足k≤kmax,但如何确定kmax尚无理论指导。针对这一问题,提出一个新F统计量Fr,将Fr作为新聚类有效性准则,以判断聚类算法收敛与否,自适应地确定数据集类簇数;将Fr应用于快速K-medoids算法的收敛性判断,并以基于最小生成树的测地距离,即样本对在最小生成树上的路径长度,代替其间的直接欧氏距离度量样本相似性,得到一种自适应的快速K-medoids聚类算法,解决了K-medoids算法需要人为给定类簇数和不能发现任意形状簇的问题。UCI机器学习数据库数据集和人工模拟数据集实验测试表明,本文提出的Fr指标是一种有效的聚类算法评价指标,基于该指标和测地距离的K-medoids算法不仅能发现任意形状的簇,还可以自适应地确定数据集的类簇数,且对噪音数据有很好的鲁棒性。

一种低信噪比下的信号源数检测新方法

空间信号源数检测是阵列信号处理的关键问题之一,该文针对低信噪比下传统检测方法的性能差的问题,提出了一种基于近似特征向量的检测新方法DTAE(Detection Technique based on Approximate Eigenvectors)来改善低信噪比下传感器阵列的信源数检测性能。该方法首先利用波束形成器在空间做预扫描来估计信号群中心的位置,以这些位置作为参考方向计算接收数据协方差矩阵的特征向量的近似值,然后使用特征向量的近似值对阵列输出数据加权,最后计算加权输出数据的频域峰值-平均功率比值从而估计信号源的个数。仿真结果表明,提出的新方法在低信噪比下的检测性能显著优于AIC(Akaike Information Criterion)等方法,有一定的工程应用价值。

基于模糊聚类综合评价的船舶柴油机排放烟色分析和实现

传统的故障树多用于定性分析,在定量分析时主观随意性较大。根据专家经验确定底事件的发生概率,通过三角模糊数和算子公式得到顶事件的发生概率,对故障树各层故障指标进行专家层次分析和评估,基于聚类法剔除偏离度严重的数据,进行综合评价。最后开发了聚类模糊综合评价的原型系统,并以船舶柴油机排放烟色异常为实例,分析并建立故障树,实现了船舶柴油机排放烟色的聚类模糊综合评价。

基于距离排序的无参化算法探讨

通过利用点对之间距离的排序信息,给出了聚类评判标准公式,设计出了无参化聚类算法。该算法无需用户指定聚类数,而且聚类质量高于K-M eans算法,较好地解决了聚类数依赖问题。

一种改进的模糊C-均值(FCM)彩色图像分割算法

针对传统模糊C-均值(FCM)聚类算法计算量大,聚类中心对初始值敏感和聚类数目不能自适应确定的缺点,提出了一种改进的FCM算法。首先对图像进行采样量化,并在满足视觉一致性的L*a*b*颜色空间计算并统计图像的色差信息,然后依据全局色差阈值选取初始聚类中心,对图像进行聚类分析,同时根据准则函数确定最佳聚类数,实现了聚类中心的优化选取和最优聚类数目的确定,有效减少了计算量。研究结果表明,改进后的FCM算法不仅较好地克服了传统FCM算法的缺点,而且聚类效果好,处理速度快,聚类效果与人的视觉感应保持了良好的一致性。

应用PFS Fuzzy系统聚类法评价各国人口平均寿命

本文将Vogel和Wong于1979年提出的PFS判别函数引入Fuzzy聚类法中,旨在模糊动态聚类的同时获得一个最佳分类数,并将此方法用于比较国际人口平均寿命。

基于模糊聚类方法的炮兵阵地评估模型

简要介绍模糊聚类分析方法,并使用此方法构造炮兵阵地综合评价模型。从影响炮兵分队作战行动的客观条件出发,建立炮兵阵地综合评价指标体系,并运用模糊聚类方法对炮兵阵地预选方案进行评价和分类,进而判断方案的优劣性,最后举例进行实例分析和评估验证。

模糊聚类方法在高校分类中的应用

在对教学、科研两方面分别进行综合评价的基础上,先按教育部对学科门的划分及大学各学科门的比例对高校进行分类,再利用模糊聚类方法从教学、科研两方面分别进行聚型,当阈值降至黄金分割位0 .61 8附近时,刚好分成了四个型,称之为:教学 Ⅰ、Ⅱ、Ⅲ、Ⅳ、型和科研Ⅰ、Ⅱ、Ⅲ、Ⅳ型,然后根据每个学校的类和教学、科研两方面的型给出他们的类型结果,这样对高校进行定位比较客观、合理.