基于参数优化VMD和改进K聚类判据融合的配电网故障选线方法

针对现有暂态量选线方法易受到故障相角、过渡电阻、噪声、谐波及判据阈值的影响,提出基于参数优化变分模态分解(variational mode decomposition,VMD)和改进K聚类判据融合的选线方法。首先对分解过程的3个关键性参数进行动态优化,利用信号频谱及分量特性确定VMD分解层数,并以算术优化算法求取最佳惩罚因子,剔除了工频、噪声及谐波干扰,再根据分解层数与各模态频谱确定模态中心频率以提高分解效率。其次,以优化后的VMD获取余弦相似度、高频幅值和直流能量作为互补的故障选线判据值。最后以改进K聚类算法实现多判据融合,弥补了单一判据的局限性。理论分析、仿真与实测结果表明,所提方法适用于分布式电源接入的电网,不受故障位置、故障相角及过渡电阻的影响,具有优异的抗谐波与噪声干扰性能。

K聚类加权最小二乘支持向量机在分类中的应用

数据分类作为模式识别、故障诊断技术的基础,在实际应用中常常由于系统的非线性、噪声性以及样本的不平衡采集,使得常规的分类算法存在一定的局限性。将最小二乘加权支持向量机用于分类问题,利用K聚类算法分析样本间内在关系从而确定权值系数,可以很好地减小噪声影响,补偿不同类样本数目上的不平衡,减少训练时间,提高分类正确率。通过一个图像识别过程中多类别分类实例,证明了算法在分类问题中的有效性。该方法可以成为现有方法的有效补充分析工具。

基于K-means聚类分析和多元线性回归的相关流量数据处理方法

相关流量计在油井产出剖面测量中得到了成功的应用。但因传感器、调理电路以及流体本身噪声的影响,相关流量计所测量的渡越时间值会出现少量异常数据,使瞬时流速的计算结果与实际值相差很大,进而平均流量计算也出现较大的测量误差。对此提出基于K-means聚类算法对渡越时间样本数据聚类分析,并根据聚类结果建立多元线性回归预测模型,合理预测渡越时间值,以修正渡越时间的异常值。对预测值与实际值进行比较,最终获得准确的相关流量数据。采用多相流装置的实验数据对所建立的方法进行验证,结果表明,该方法可有效消除渡越时间的异常,优化流量测量的数据,对两相流流量测量有一定的实践意义。

基于改进K均值聚类的光谱重建训练样本选择研究

光谱反射率重建过程中,训练样本的选择方法及样本容量与重建精度密切相关,寻找一种高效的训练样本选择方法是光谱重建的目标之一。K均值聚类计算复杂度小,计算效率高,但因聚类初始值选择的随机性,以及离群点的影响致使聚类结果不稳定,进而影响光谱重建的精度。基于此,提出了一种改进K均值聚类的训练样本选择方法。首先,将训练样本集的几何中心作为聚类中心的初始值;其次,基于高斯函数构建样本空间分布概率密度函数,并以欧几里德(欧式)距离作为其他聚类中心的度量依据;最后,在训练样本集中,基于簇内平方差度量光谱反射率样本间的相似度,将每个聚类子集中与中心距离最近的样本作为训练样本。为验证该方法的有效性,通过主成分分析法进行光谱重建。实验结果表明,所提的方法相较于传统的方法,光谱重建精度有一定的提高,重建光谱的平均均方根误差小于4%, CIE DE2000色差小于3.756 7。提出的改进的K均值聚类的训练样本选择方法,能够一定程度上提高了光谱重建精度,基本满足复制再现图像的要求。

基于改进K均值聚类的光伏板缺陷检测方法

为了能够对光伏组件热斑部分准确地识别和提取,提出了一种基于HSV空间模型的改进K均值聚类图像处理方法。首先,将红外图像进行HSV空间转换和双边滤波处理,去除噪声并提高图像对比度;其次,使用高斯核函数估计实现图像灰度概率密度函数提取,并以此获取初始聚类中心;最后,利用先验知识对图像进行K均值聚类,提取和量化热斑缺陷。研究结果表明,该方法能够快速地检测定位热斑位置并统计出光伏板损坏程度,具有较高的精度以及较好的灵敏性和稳定性。

基于k平面聚类的混合属性大数据模糊粒化方法

常规混合属性大数据模糊粒化多采用邻域互信息熵算法,但由于缺少对属性重要度的计算,导致数据粒化后的精简比较低,粒化质量不理想.为此,提出基于k平面聚类的混合属性大数据模糊粒化方法.根据多属性大数据序列模糊粒化的原理,利用时间序列分割方法将大数据进行分解,并将依赖性相似的属性看作一个信息粒,由此计算出单一属性的重要程度,从而完成对大数据的降维处理,结合k平面聚类算法对数据进行模态分解,以实现对数据的分块.基于此,计算数据的可约粒度区间,并在范围内实现对大数据的模糊粒化.实验结果显示,利用所提方法对混合属性大数据进行模糊粒化后,能够有效提高数据的精简比,粒化质量更好.

基于K均值聚类算法的谐振接地系统故障区段定位方法

现有的谐振接地配电网单相接地故障定位方法存在通信依赖过度、特征分析复杂和阈值设置困难等问题,现场运行的适用性较低。本文基于深度融合智能开关在配电网中的应用,研究三相电流变化量的波形特征,提出基于K均值聚类算法的就地选段方法。该方法提取各区段数据特征量,发挥K均值聚类算法无监督学习的优点,使各检测节点只需处理本地故障信号,从而减轻通信压力。利用仿真和现场数据验证该方法的可行性,结果表明,该方法在多种故障工况下都表现出较高的可靠性,并且能够较好地适应现场环境。

基于机器学习的茶树DNA聚类算法

为了研究茶树基因序列的聚类问题,设计一种基于累计方差贡献率进行改进的核主成分分析(KPCA)与k均值(k-means)++聚类算法相结合的降维聚类算法(KPCA-k-means++)。将基因库数据集筛选分组后,利用k-mers算法提取基因数据的数据特征,根据累计方差贡献率的占比大于85%的标准确定降维主元个数对KPCA进行降维改进并采用k-means++算法对降维后数据聚类,通过CH(Calinski-Harabaze Index)指标和响应时间分析聚类结果。结果表明:在单独聚类、KPCA聚类、改进PCA聚类、改进KPCA聚类4种处理方式中,改进KPCA-k-means++算法在不同处理方式和不同样本数的对比下,CH指标均为最高,与未改进时相比平均高出33%。在响应时间方面,改进KPCA-k-means++算法与同样改进PCA-k-means++算法在不同聚类数和样本数的对比下响应时间均较短。改进KPCA-k-means++算法能够保证对于茶树的基因序列的聚类准确率和聚类速度,表现出极好的聚类稳定性。

模糊K-Harmonic-Kohonen网络的FTIR光谱数据聚类分析

食品的品种不同则其含有营养成分和功效存在差异,得到的傅里叶变换红外光谱也存在差异。为了准确的实现品种分类,设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中,提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率,以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心,可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。FKHKCN作为一种模糊聚类算法,可实现傅里叶变换红外光谱数据的聚类分析。采用三种数据集:(1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本,样本总数为96。(2)两个品种(robusta和arabica)的咖啡样本。(3)三个品种(鸡肉、猪肉和火鸡)的肉类样本。首先对三个光谱数据集进行预处理,利用多元散射校正降低茶叶样本原始光谱数据集的散射影响,使用Savitzky-Golay减少噪声对肉类和咖啡这两个光谱数据集的影响。再利用主成分分析将高维的三种光谱数据集压缩至低维。然后采用线性判别分析进行特征提取,将光谱数据投影到求得的鉴别向量上。最后分别采用FCM,FKCN和FKHKCN对茶叶、肉类和咖啡进行判别。最终结果如下:FCM,FKCN和FKHKCN对茶叶品种的聚类准确率分别为90.91%,90.91%和93.94%;对肉类品种的聚类准确率分别为90.83%,0.00%和92.50%;对咖啡品种的聚类准确率分别为89.17%,89.17%和90.83%。以上实验结果表明:采用傅里叶红外光谱技术结合主成分分析、线性判别分析和FKHKCN的方法能够较有效地对食品的品种进行鉴别,且鉴别准确率比FCM和FKCN更高,聚类结果更稳定。

基于疯狂捕猎秃鹰算法的K均值互补迭代聚类优化

在处理庞大复杂的点云数据时,传统聚类方法精度低、耗时长并且受离群点影响大,针对以上问题,提出基于疯狂捕猎的柯西反向秃鹰搜索算法(QO-BESCH)的K均值互补迭代聚类优化方法.所提算法构建基于体元包围盒的初始聚类中心选择模型,提升初始化聚类中心质量;提出疯狂捕猎机制,同时融合动态自适应控制算子和柯西反向策略,提升秃鹰搜索算法(BES)的寻优能力,增加寻找聚类中心的成功率;利用QO-BESCH优化K均值聚类(KMC),在减小迭代次数的同时增加搜索效率,得到较好的聚类结果.利用UCI标准数据集对所提算法进行测试,并与8种聚类算法进行对比,实验结果证明了所提算法的优越性.将本研究算法结合PCL点云库应用于ModelNet40点云数据集聚类,结果表明,所提算法可以实现有效聚类,适用性较强.

数据驱动下基于量子人工蜂群的K均值聚类算法优化

该文将量子人工蜂群(Quantum artificial bee colony,QABC)算法用于K均值(K-means)聚类的类别中心点选择,优化K均值聚类算法,可有效解决因随机设置K均值中心点而导致聚类准确度不高的问题。该文设置K均值聚类类别数,并随机设置若干类别中心,采用人工蜂群(Artificial bee colony,ABC)算法优化类别中心点,根据待聚类样本点构建蜜蜂种群,并对蜂群个体位置采用量子比特表示。以样本点和中心点的距离的倒数作为ABC算法适应度,并将适应度值较高个体定义为蜜源。通过引领蜂在运动范围内的粗粒度遍历和跟随蜂的细粒度探索,不断搜寻适应度较高个体,并且更新蜜源,直至ABC算法稳定后确定较优蜜源位置为聚类中心。采用ABC优化得到的聚类中心进行K均值聚类。试验结果表明,通过合理设置ABC搜索边界,并引入蜂群位置的量子表示,可有效增强ABC对聚类中心的搜索精度。相比于常用聚类算法,QABC+K均值算法的聚类性能更优。

水库群蓄水调度多目标随机规划与聚类分析

梯级水库群汛后蓄水期蓄水时机、速率、次序决策面临径流不确定、多目标竞合关系复杂等问题。针对蓄水期决策难题,构建发电、蓄满、生态、上、下游防洪安全等指标的水库群多目标随机规划模型,生成非劣解集;采用K均值聚类法提取非劣解集类别特征,分析目标矛盾关系及蓄水机制。以溪洛渡-葛洲坝梯级水库群为例,结果表明:蓄水期来水越枯,蓄水难度越大,综合效益越低,枯水年发电量较丰水年下降了21.6%;上游防洪安全与发电量矛盾性最强,由枯到丰相关系数降低了0.047;溪洛渡、三峡蓄水呈分段式变化,前期快速蓄水,中后期缓速蓄水。本研究提出的耦合水库群多目标随机规划与聚类分析方法对于科学制定水库群蓄水方案具有参考价值。

基于K-means聚类层次分析模型的中沙环礁地质环境稳定性定量分析

中沙环礁位于中国南海的中心地带,是连接东沙、西沙和南沙群岛的重要枢纽。文章基于中沙环礁地形、地质采样、多道地震等调查数据,选取水深、沉积物类型、构造、滑坡易发区和坡度5个影响因子,采用K均值聚类算法(K-means)和层次分析法对中沙环礁的稳定性进行定量分析,将研究区划分为稳定性好、较好、中等、较差、差5个等级。分析了不同因子对中沙环礁稳定性的影响,其中沉积物类型、坡度和水深是影响台地稳定性的主要因素。台地周缘斜坡区稳定性主要受坡度、断裂构造和滑坡易发区等因素的控制,而台地周缘斜坡外深水区坡度因子贡献最大,整体上环礁北部和西部的稳定性优于东部和南部。环礁台地和台地周缘斜坡外深水区稳定性最好,越靠近台地斜坡稳定性逐渐变差,台地斜坡上缘区域稳定性最差。评价结果可为研究区的开发规划、海底管线工程建设及防灾减灾提供基础地质服务。

基于信息检索与K均值聚类的化工产品精准推荐算法研究

传统K均值聚类对客户聚类精度不高,直接影响化工产品精准推荐的质量。基于此,采用信息检索系统来确定K均值聚类的初始聚类中心点,消除特殊消费者与数据中的噪声数据,提出了联合信息检索与K均值聚类的化工产品精准推荐算法。将该算法和Top-N算法分别应用于化工产品精准营销中,结果表明,提出的算法比Top-N算法平均绝对误差低,准确率、召回率以及综合平均值高,能够为化工企业实施精准营销提供数据参考。

数据驱动的公路典型风险场景聚类与特征分析

为了明晰公路交通中典型风险场景,提高公路测试场景构建和公路安全分析的针对性和指导性。收集不同区域代表性省份5年约60000条公路交通事故数据作为数据源,筛选确定关键分类变量,分别针对7类典型公路路段和路口开展典型交通冲突形式聚类分析,共获取16类典型风险场景,然后构建场景风险特征表征参数,针对典型风险场景的风险特征进行对比分析,进而深入分析道路和环境因素对场景事故数量和发生事故严重程度的影响特征。结果表明:路表情况、防护设施类型、交通信号方式、照明条件、天气和能见度等因素都对部分场景的风险度有较大影响,路面状况因素对场景风险度影响不大。

基于Tukey规则与初始中心点优化的K⁃means聚类改进算法

针对K⁃means聚类算法存在的初始中心点选择及异常点、离群点极易影响聚类结果等待改进问题,提出了一个基于Tukey规则与优化初始中心点选择的K⁃means改进算法。该算法利用Tukey规则构造核心与非核心子集,将聚类过程划分成2个阶段。同时,在核心子集上执行中心点逐个递增优化选择策略,选出初始中心点。在来自UCI的20个数据集上聚类结果表明,本文提出的算法优于K⁃means++聚类算法,有效地提升了聚类性能。

出租车OD序列聚类的城市功能区识别算法研究

提出一种由添加窗口约束的规整路径距离改进的K中心聚类算法(LDTW-K-medoids),通过构造时间序列、动态时间规整、时间序列聚类、聚类结果解读的流程来识别城市功能区。将算法应用在纽约市城市功能区识别中,对50万条出租车OD数据进行处理,将265个交通小区划分为五大功能区,并结合出租车全局流动模式、建筑物面积指数和富集指数来定量识别功能性质。与谷歌地图和卫星影像对比的结果表明,算法能够有效识别城市功能区,总体精度为83.8%。

基于车载数据k均值聚类的特种车辆行驶工况识别

运行工况的合理划分是车辆可靠性和耐久性研究的基础。为了综合考虑特种车辆动力性能和操纵性能,针对换挡、运行、爬坡和转向4种工况进行研究,并提出各工况特征值计算方法。为提高车辆行驶工况识别的准确性,通过小波阈值滤波算法和自顶向下分段线性表示算法对原始数据进行去噪和短行程划分,再利用k均值聚类算法对车辆行驶工况进行识别。通过某型特种车辆试验数据验证,该方法能够对行驶工况有效识别,工况聚类精度可达92.75%。

基于K-means聚类的GPS同步式欺骗识别方法

针对进入GPS接收机的高隐蔽性同步式欺骗信号和真实卫星信号的区分问题,该文提出一种基于多重基带特征进行聚类分析的欺骗干扰识别方法。首先总结了抗同步式欺骗的基带处理流程;然后在欺骗检测和估计的基础上,在信号处理层级提取各个信号分量的伪码和载波多普勒频率一致性(CCDC)特征、相对幅度关系特征、载噪比异动特征,在信息解算层级提取各信号分量和其他信号分量相组合进行解算对应的伪距残差特征,以及欺骗入侵前后的钟差异动特征;最后利用K均值聚类(K-means)算法对不同特征进行综合,从而完成对欺骗信号的识别。基于射频(RF)信号采集回放的半实物实验及反欺骗软件接收机的处理结果表明,该方法能够及时而准确地识别同步式欺骗和真实信号,从而指导接收机抑制欺骗干扰并恢复正确的解算结果。

基于关联规则与k均值聚类探讨黄褐斑外用方剂的药理规律

目的通过整理古籍中黄褐斑外用方剂,进而对现代临床中基于古籍的黄褐斑外用方药进行数据挖掘,获取其用药规律,探求其网络药理学依据,为临床治疗提供思路。方法检索中华医典数据库,获取古籍黄褐斑外用方药。搜索中国知网(CNKI)、万方数据库、维普中文期刊数据库(VIP)等,检索现代临床中黄褐斑的外用方药,筛选基于古方的外用方剂,建立黄褐斑外用方药数据库。使用中医传承计算平台(V3.0)分析药物关联规则,获取核心药物进行聚类分析。使用网络药理学探索核心药物潜在作用机制。结果整理得到古方37个,涉及中药78味;现代临床复方309个,涉及中药232味。现代临床中最常用的药物为白芷、茯苓、当归、白及、白附子等;最常用的药对为白芷-茯苓;高置信度药物关联规则有白及-白蔹->白芷、茯苓-白附子-僵蚕->白芷、茯苓-白及-僵蚕->白芷等;核心药物包括白芷、茯苓、僵蚕、白及、当归等12味中药。获取核心药物有效靶点347个,疾病靶点476个,药物与疾病交集靶点18个,京都基因和基因组数据库(KEGG)富集通路19条,并构建疾病-交集靶点-通路-核心药物-有效成分网络。结论核心药物对外用治疗黄褐斑在分子层面的作用机制存在依据,可为临床遣方用药提供依据,有助于提高中医外治黄褐斑的临床疗效。