基于蚁群算法的三支k-means聚类算法

在聚类分析中,三支k-means聚类算法较具有较强的处理边界不确定数据的能力,但仍然存在对初始聚类中心敏感的问题.通过将蚁群算法和三支k-means聚类算法相结合,给出了一种基于蚁群算法的三支k-means聚类算法来解决这一问题.利用蚁群算法中随机概率选择策略和信息素的正负反馈机制,动态调整权重的方法,对三支k-means聚类算法进行优化.在UCI数据集上实验证明,该方法对聚类结果的性能指标有所提高.

支持K-近邻搜索的区块链泛用型数据隐私保护方法

随着区块链泛用型数据应用场景的不断扩大,其涉及的数据隐私越来越多,数据隐私泄露可能导致个人信用受损,带来财产损失甚至身份盗用等.合理高效地进行用户身份信息及数据隐私保护是确保区块链泛用型数据安全的关键问题.为此,本文提出了支持K-近邻搜索的区块链泛用型数据隐私保护方法,采集区块链泛用型数据,利用k-prototypes算法,聚类区块链泛用型数据,并控制分类属性和数值属性.在此基础上,本文支持K-近邻搜索,建立区块链泛用型数据系统模型,确定区块链泛用型数据敏感区域,实现区块链泛用型数据隐私保护.实验结果表明,本文所提方法具有较好的区块链泛用型数据隐私保护效果,能够有效提高区块链泛用型数据隐私保护安全性,缩短区块链泛用型数据隐私保护时间.

K-S变换及其电网超谐波时频分析应用

依据FFT→优化窗→IFFT思路,突破线性时频变换的窗函数积分性能桎梏,实现高性能优化窗函数的线性时频变换应用,建立新型时频变换算法——K-S变换.对信号x(t)的FFT频谱向量进行频移处理后,与该频移点下Kaiser优化窗的频谱向量进行Hadamard乘积,再将乘积结果进行FFT逆变换(IFFT),构造出K-S变换复时频矩阵,由此获得x(t)的时间-频率-幅值、时间-频率-相位三维信息;给出逆变换的数学推导与局部性质、线性性质和变分辨率特性;0~150 kHz电网的稳态与时变超谐波信号仿真实验表明,K-S变换的时域、频域分辨能力均优于流行的短时傅里叶变换、S变换,具有优良的变分辨率性能;0~40 kHz超谐波信号的实测证明,基于K-S变换的超谐波电压幅值测量绝对误差均小于0.032 3 V.

基于数据流的K-S变化检测的动态多目标规划算法

为了更加准确地判断环境是否发生变化并快速追踪动态多目标规划问题(dynamicmulti-objectiveoptimization problem,DMOP)当前时刻的Pareto前沿,提出了一种基于数据流的Kolmogorov-Smirnov(K-S)变化检测的动态多目标规划(DSK-SDMOP)算法。该算法以NSGA-Ⅱ为基础,通过数据流建立2个时刻的检验窗口,再利用K-S检验基于数据流的Pareto最优前沿是否发生变化,检测2个窗口的数据是否服从同一分布来判断环境是否发生变化,并就环境变化的剧烈程度实行相应的应答机制,以提高对环境的适应程度。利用基于数据流的K-S检测方法,对环境变化不会过于敏感,而且不用提前假设对应目标值的分布,易于操作。通过5个动态多目标规划标准测试函数对该算法进行测试,并和现有的2种算法进行对比分析,结果表明该算法处理动态多目标规划问题具有良好的性能。

基于数字孪生与k-近邻算法的车间设备运行状态预测研究

由于传统车间设备运行状态预测不能有效利用历史数据进行学习,实时响应能力有限,难以在复杂调度环境中取得良好效果,因此文章提出一种数字孪生与k-近邻算法相结合的车间设备运行状态预测模型。构建车间设备实体在信息空间的数字孪生模型,并建立设备实体与模型之间的映射关系,从而获取实时特征数据,即设备的运行状态特征数据。运用k-近邻算法计算实时特征数据与历史数据之间的欧几里得距离,即计算设备当前运行状态与历史已知状态的相似度,最终通过前k个距离所对应的设备历史运行状态数据,预测设备的当前运行状态。该模型的本质是通过数字孪生的实时数据采集,获取指定设备运行状态特征数据,运用k-近邻算法预测设备的实时运行状态。相较以往研究,本研究贡献在于提高设备实时运行状态预测的准确率。如果将数字孪生、k-近邻算法与具备自我学习能力的相关算法相结合,模型的预测效果会更好。

光伏波动平抑下改进K-means的电池储能动态分组控制策略

针对电池储能系统(battery energy storage system,BESS)进行光伏波动平抑时寿命损耗高及荷电状态(state of charge,SOC)一致性差的问题,提出了光伏波动平抑下改进K-means的BESS动态分组控制策略。首先,采用最小最大调度方法获取光伏并网指令。其次,设计了改进侏儒猫鼬优化算法(improved dwarf mongoose optimizer,IDMO),并利用它对传统K-means聚类算法进行改进,加快了聚类速度。接着,制定了电池单元动态分组原则,并根据电池单元SOC利用改进K-means将其分为3个电池组。然后,设计了基于充放电函数的电池单元SOC一致性功率分配方法,并据此提出BESS双层功率分配策略,上层确定电池组充放电顺序及指令,下层计算电池单元充放电指令。对所提策略进行仿真验证,结果表明,所设计的IDMO具有更高的寻优精度及更快的寻优速度。所提BESS平抑光伏波动策略在有效平抑波动的同时,降低了BESS运行寿命损耗并提高了电池单元SOC的均衡性。

加入跳跃连接的深度嵌入K-means聚类

现有的深度聚类算法大多采用对称的自编码器来提取高维数据的低维特征,但随着自编码器训练次数的不断增加,数据的低维特征空间在一定程度上发生了扭曲,这样得到的数据低维特征空间无法反映原始数据空间中潜在的聚类结构信息.为了解决上述问题,本文提出了一种新的深度嵌入K-means算法(SDEKC).首先,在低维特征提取阶段,在对称的卷积自编码器中相对应的编码器与解码器之间以一定的权重加入两个跳跃连接,以减弱解码器对编码器的编码要求同时突出卷积自编码器的编码能力,这样可以更好地保留原始数据空间中蕴含的聚类结构信息;其次,在聚类阶段,通过一个标准正交变换矩阵将低维数据空间转换为一个新的揭示聚类结构信息的空间;最后,本文以端到端的方式采用贪婪算法迭代优化数据的低维表示及其聚类,在6个真实数据集上验证了本文提出新算法的有效性.

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

基于K-Means聚类与熵权TOPSIS法的岩石可爆性评价研究

露天矿山的爆破块度分布,直接影响到后续的采装、运输和破碎工作。为了控制石墨矿山不同区域爆破块度分布,基于K-means无监督聚类学习法与熵权TOPSIS评价法建立了一种新的岩石可爆性评价模型,选取岩石密度、动力能量耗散率、动态抗压强度、平均应变率、脆性指数作为评价指标,通过熵权计算,发现岩石破碎程度受脆性指数影响最大,受平均应变率影响最小。将此模型应用于实际石墨矿山,可爆性分为10个等级,统计不同分级下的岩石平均破碎粒径,发现可爆性分级等级越高平均粒径越大,有明显的分级特征,验证了模型的有效性。从爆破石墨矿石岩体类型看,岩石可爆性从易到难排序为:片岩、片麻岩、变粒岩、混合岩。结合石墨矿石微观观测结果分析可知:岩性从片岩向混合岩转变,岩石内部石墨晶质呈下降趋势,石墨矿石可爆性等级也随之越来越高。岩石密度、能量耗散率、动态抗压强度之间呈线性正相关,岩石可爆性与平均应变率、脆性指数存在负相关性。研究成果为矿山矿岩可爆性评价提供了一条新思路,对露天矿山爆破块度优化具有一定的理论和实践指导意义。

一种分配查询的k-匿名位置隐私保护方案

针对基于位置服务中移动终端用户位置隐私保护存在时空关联和背景知识攻击的问题,提出一种分配查询的k-匿名位置隐私保护方案。基于查询概率和欧氏距离,在相邻网格区域内筛选假位置,合并真实用户位置形成k-匿名;通过兴趣点语义四叉树为假位置分配合理的查询,从时间、位置及查询3个维度提升用户被识别的不确定性,从而增强用户隐私度。安全性分析表明,提出的方案满足匿名性、不可伪造性和抵抗查询服务跟踪等安全特性。仿真实验表明,提出的方案具有较高的隐私保护度和效率以及较低的通信开销。

基于自注意力机制和改进的K-BiLSTM的水产养殖水体溶解氧含量预测模型

为精确预测水产养殖水体溶解氧含量,本研究提出一种基于自注意力机制(ATTN)和改进的K-means聚类-基于残差和批标准化(BN)的双向长短期记忆网络(BiLSTM)的水产养殖水体溶解氧含量预测模型。首先,根据环境数据的相似性,使用改进的K-means算法将数据划分成若干个类别;然后,在BiLSTM基础上构建残差连接和加入BN完成高层次特征提取,利用BiLSTM的长期记忆能力保存特征信息;最后,引入自注意力机制突出不同时间节点数据特征的重要性,进一步提升模型的性能。试验结果表明,本研究提出的基于自注意力机制和改进的K-BiLSTM模型的平均绝对误差为0.238、均方根误差为0.322、平均绝对百分比误差为0.035,与单一的BP模型、CNN-LSTM模型、传统的K-means-基于残差和BN的BiLSTM-ATTN等模型相比具有更优的预测性能和泛化能力。

改进k-means的多域光纤通信非线性失真补偿方法

为了解决光纤通信信号在传输过程中受到非线性影响而产生的失真问题,提高光纤通信系统的稳定性,提出了改进k-means的多域光纤通信非线性失真补偿方法。构建多域光纤通信传输模型,在传输端利用波长转换器将输入信号传输到光纤,结合干扰原理线性化脉冲恢复光信号。以信噪比描述光纤通信的色散特性,明确信号交互出现非线性失真变化。通过Dijkstra方法改进k-means方法,解调失真星座,避免聚类陷入局部最优,使全部簇信号尽可能接近原始调制中心,实现失真补偿。实验结果表明:利用所提方法对光纤通信非线性失真进行补偿后,聚类效果较佳,信息误码率可降至10^(-7),有效减少了网络传输消耗,提高光纤通信信号质量。

美国加州K-12族裔研究课程探绎

近年来,美国加州政府开展了一项极具话题性和挑战性的基础教育课程改革,即在K-12阶段推行族裔研究课程。K-12族裔研究课程以批判性种族理论为理论基础,主张通过“反叙事”打破白人对主流课程的叙事控制、文化独裁和知识霸权;超越教育机会与过程平等,力主教育结果平等;揭露、反对教育中的“色盲”现象。为保障K-12族裔研究课程的实施,加州教育厅研制了《族裔研究示范课程》,从目标、原则等方面对课程进行了规范与指导。在加州政府的支持下,K-12族裔研究课程在合法化、制度化的进程中取得了初步成果,但仍面临多方面争议,其发展前景尚不明朗,实际成效仍有待考察。围绕K-12族裔研究课程展开的“大辩论”是美国无休止“文化战争”扩大化的缩影,它折射出当前美国社会的紧张和分裂。

一种基于粗糙熵的改进K-modes聚类算法

K-modes聚类算法被广泛应用于人工智能、数据挖掘等领域。传统的K-modes聚类算法有不错的聚类效果,但是存在迭代次数多、计算量大、容易受到冗余属性的干扰等问题,且仅采用简单的0-1匹配的方法来定义2个样本属性值之间的距离,没有充分考虑每个属性对聚类结果的影响。针对上述问题,该文将粗糙熵引入K-modes算法。首先利用粗糙集属性约简算法消除冗余属性,确定各属性的重要程度;然后利用粗糙熵确定每个属性的权重,从而定义新的类内距离。将该文所提算法与传统的K-modes聚类算法分别在4组公开数据集上进行对比试验。试验结果表明,该文所提算法聚类准确率比传统的K-modes聚类算法更高。

完美整数k-匹配和k-因子临界图

本文研究完美整数k-匹配和k-因子临界图的存在性.扩张常数表示图的连通强度,对于正则图,利用扩张常数给出了完美整数k-匹配存在的一个充分条件,这推广了Hamers等人和Cioabǎ等人的结果.此外,对于正则图,基于扩张常数还给出了k-因子临界图存在的一个充分条件.

基于自适应动态粒子群优化的RAK-SVD方法

K均值奇异值分解(K-SVD)算法是一种行之有效的地震资料去噪方法,但由于其稀疏分解存在不确定性,需要引入正则项对其改进。为此,在常规粒子群算法的基础上,提出了一种自适应动态粒子群算法优化正则化参数的正则化近似K-SVD(RAK-SVD)去噪方法。首先通过修改字典原子和相关参数,解决了由于常规粒子群算法的惯性参数固定不变,导致后期搜索效率下降的问题;其次将正则化系数引入近似K-SVD(AK-SVD)方法,明显提升了去噪效果;最后利用自适应动态粒子群算法自动优选AK-SVD方法中的正则化参数,提高了稀疏分解的确定性,在对强反射信号进行去噪的同时加强了对弱信号的保护。模型测试和实际应用均表明,该方法有利于弱信号的提取和识别,不仅能够显著改善弱地震信号的去噪效果,还提升了计算效率。该方法具有一定的实际应用价值。

基于特征分箱和K-Means算法的用户行为分析方法

针对网购用户所产生的购物行为进行分析,首先通过数据处理构建客户关系管理模型(RFM模型),在此模型的基础上采用特征分箱法和K-Means聚类两种方法对用户进行细分,并对2种模型结果进行比较分析,讨论二者的差异性和具体的应用范围和意义.其中,基于特征分箱法的RFM模型将变量转化到相似的尺度上并将变量离散化,使得用户分类标签更加清晰,也可依据各类标签分类出不同类型的用户.K-Means算法通过轮廓系数评估聚类算法质量以至于选取最优K值.本文实验分析结果可为运营商提供更加可靠直观的数据,使得运营商可以根据不同用户的不同行为进行市场细分,进而进行精准营销和服务设置.

改进K-shell算法的城市道路网关键交叉口识别

交叉口重要性不仅与自身属性相关,还受相邻路段属性的影响,针对城市道路网中关键交叉口识别方法准确率不足的问题,提出一种考虑城市道路网特性的改进K-shell算法。即在传统K-shell算法基础上,综合考虑交叉口及其相邻路段的结构特性与交通特性,提出交叉口重要度的概念,利用CRITIC法确定交叉口重要度中相关指标的权重系数,对城市道路网中的交叉口进行重要性排序。以哈尔滨市二环内道路网为例,构建级联失效模型,分析随着失效交叉口比例的增加,不同排序方法下的网络效率、网络最大连通子图比率、故障节点比率的波动情况,结果表明,改进K-shell算法能够更加有效地识别城市道路网关键交叉口。

k-Bertrand判别法

正项级数的敛散性判别法中比较精细的有Raabe判别法、Gauss判别法和Bertrand判别法.在上述方法的基础上,给出了Raabe判别法、Gauss判别法和Bertrand判别法推广的统一形式,包括非极限形式、上、下极限形式以及极限形式,称之为k-Bertrand判别法.

基于邻域K-shell分布的关键节点识别方法

复杂网络中关键节点的精准识别对于网络结构稳定和信息传播起着至关重要的作用。传统K-shell方法仅通过节点在网络中所处位置对节点的重要性进行评估,导致区分度不高。基于此,综合考虑了节点的全局信息和局部信息对节点重要性的影响,提出一种基于邻域K-shell分布的关键节点识别方法。该方法通过节点邻域Ks值定义节点的熵,从而反映邻居节点的K-shell分布特征。通过11个网络数据集上的仿真实验,验证了所提方法能够更准确地识别并区分复杂网络中的关键节点。