基于改进K-均值算法的零部件拣选聚类模型

针对零部件多种少量拣选问题,在多人协同拣选模式下,任务分配不合理、拣选时长相差大,拣选环节易超时,构建以最短拣选时长为目标的多人协同拣选模型,并用改进K-均值算法及遗传算法对模型进行求解。针对传统K-均值算法聚类结果各簇所包含拣选点数量相差巨大的缺点,采用各簇拣选时间为指标,对拣选点所归属簇变换,并利用遗传算法对聚类结果进行路径规划、拣选时长计算,得到最优聚类结果。以某安防设备生产企业的零部件拣选环节为研究对象,与简单分批得到的拣选时间进行对比,验证了该算法的有效性。

基于k-均值聚类算法的高层建筑表面风压分区研究

为分析高层建筑表面的风压特征和关键区域,以高宽比为4∶1的高层建筑风洞试验模型为对象,采用k-均值聚类算法,对0°风向角下模型各个面的风压测压管时程数据进行分析,研究结果表明:建筑左、右侧面以强烈的负压为主导,且角点附近存在负压极值;k-均值聚类算法可以有效地识别不同表面风压场的特征,风压的聚类结果与平均风压系数的分布较为吻合,且能得到代表性的风压测压管。

基于K-均值聚类分析的航班不正常时旅客行为分类

航班不正常是旅客投诉的主要原因之一,也是容易与地面服务人员产生冲突的主要原因之一。帮助地面服务工作人员能快速识别旅客需求、快速响应并满足旅客在航班不正常时的服务抱怨、提高航班不正常时旅客服务质量具有重要意义。为此,构建航班不正常时旅客行为评价指标,通过问卷调查得到旅客行为数据,采用K-均值聚类分析法将航班不正常时旅客分为4类,并筛选出不同类旅客的行为表现指标。

一种改进的全局K-均值聚类算法

将快速K中心点聚类算法确定初始中心点的思想应用于全局K-均值聚类算法,对其选取下一个簇的最佳初始中心的方法进行改进,提出选取下一个簇的最佳初始中心的一种新方法.该新方法选择一个周围样本分布相对密集,且距离现有簇的中心比较远的样本为下一个簇的最佳初始中心,得到一种改进的全局K-均值聚类算法.改进后的算法不仅可以避免将噪音点作为下一个簇的最佳初始中心点,而且在不影响聚类效果的基础上缩短了聚类时间.通过UCI机器学习数据库数据以及随机生成的人工模拟数据实验测试,证明改进的全局K-均值聚类算法与全局K-均值聚类算法及快速全局K-均值聚类算法相比在聚类时间上更优越.

基于改进K-均值聚类算法的汽车用户行为分析方法研究

汽车用户的驾驶行为和操作习惯等决定着驾驶是否存在风险,对于道路交通安全具有重要的意义,针对这种情况,提出一种用于预测汽车用户驾驶行为风险等级的模型。该模型为了提高模型的分类效率,在自组织映射神经网络算法中采用遗忘第二名的策略,然后结合自组织映射神经网络改进K-均值聚类分析方法,实现对于车辆驾驶人员的风险行为等级进行划分,通过聚类分析得到风险标签后,利用XGBoost算法实现对于用户风险行为的辨识。实验结果表明,改进算法的聚类精确度和运行效率都得到了提高,预测准确率为98%,召回率为98%,F1值98%,kappa系数高达0.97,远远超过其他集成辨识模型,表明本文模型在汽车用户行为的分辨准确率上得到有效提高。

一种高效的全局K-均值算法

针对全局K-均值算法时间复杂度大的问题,提出一种增量选择初始聚类中心的新方法。选择数据集中周围分布最密集的样本作为第一个初始聚类中心,选择最小化目标函数贡献大,并且和已有聚类中心距离远的样本作为下一个初始聚类中心。改进算法减少了增量选取初始聚类中心时的计算量,降低了时间复杂度。实验证明,改进算法与全局K-均值算法、快速全局K-均值算法相比,在不影响聚类效果的基础上,减少了聚类时间,与优化初始聚类中心的算法相比,聚类效果更优。

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。

基于特征选择和改进K-均值聚类的异常用电行为检测算法

窃电等异常用电行为严重影响着电网系统的安全、可靠和稳定运行,传统异常用电检测方法存在模型复杂、准确率低等问题。提出了一种基于特征选择和改进K-均值聚类的异常用电检测算法,首先从用电量变化、线路损耗和电力参数三个维度提取15维特征构成特征向量,然后利用相关向量机(Relevance Vector Machine,RVM)进行特征选择,自动确定最优特征集合,最后提出一种基于信息增益的改进K-均值聚类算法对最优特征集合进行聚类分析,从而实现异常用电检测。基于爱尔兰智能电表公开数据集开展实验,结果表明,所提方法在精准率、召回率和ROC曲线AUC值三项指标方面均能获得良好的表现性能,明显优于传统方法。

基于K-均值聚类电网基建工程造价中前期费用整合方法

为了优化电网基建工程造价中前期费用整合效果,减小费用整合结果与实际造价费用的偏差,引入K-均值聚类,开展了基于K-均值聚类电网基建工程造价中前期费用整合方法研究。首先,构建了电网基建工程造价数据库,明确工程造价中前期费用指标。其次,利用K-均值聚类算法,提取基建工程造价中前期费用特征量之间的相似关系与工程数据特征量,对基建工程造价中前期费用进行全方位的整合。应用分析结果表明,费用整合方法得以应用后,电网基建工程造价中前期费用整合正确率均达到了98%,费用整合结果与基建工程实际费用情况更加接近,有效地缩小了费用整合偏差。

基于核的K-均值聚类

将核学习方法的思想应用于K-均值聚类中,提出了一种核K-均值聚类算法,算法的主要思想是:首先将原空间中待聚类的样本经过一个非线性映射,映射到一个高维的核空间中,突出各类样本之间的特征差异,然后在这个核空间中进行K-均值聚类。同时还将一种新的核函数应用于核K-均值聚类中以提高算法的速度。为了验证算法的有效性,分别利用人工和实际数据进行K-均值聚类和核K-均值聚类,实验结果显示对于一些特殊的类分布数据,核K-均值聚类比K-均值聚类具有更好的聚类效果。

基于改进K-均值聚类的数字化档案智能分类方法研究

针对现有分类方法在对数字化档案分类时存在分类结果轮廓系数和CH指数过低的问题,本文引入改进K-均值聚类,开展数字化档案智能分类方法的设计研究。通过提取数字化档案特征,并对特征主分量分析,利用改进K-均值聚类,完成对档案特征相似度的计算,结合相似度计算结果,对数字化档案关键词自动聚类,并实现智能分类。通过实验证明:新的分类方法应用后,数字化档案分类结果的轮廓系数和CH指数均显著提高,该分类方法具备较高的分类精度,同时也可广泛应用于类似资源分类当中。

一个用于空间聚类分析的遗传K-均值算法

空间数据挖掘是数据挖掘的一个新的分支,空间聚类分析是空间数据挖掘中的一个重要研究课题。本文在分析遗传算法及K–均值算法的优越性和不足的基础上,设计了一种遗传K-均值空间聚类分析算法,该算法兼顾了局部收敛和全局收敛性能。实验表明,其结果优于传统K-均值聚类方法及单纯的遗传算法聚类。

动态的K-均值聚类算法在图像检索中的应用

聚类分析技术已经广泛应用于基于内容的图像信息挖掘领域,该技术提高了图像检索的速度和质量。K-均值算法和自适应算法是两个典型的聚类分析算法,但K-均值算法严重依赖于经验参数和阙值的设定;自适应算法得到的聚类个数太多,相应的就是类内的图像个数过少,效率不是很高。从选取初始聚类点是否具有确定性、迭代次数是否过多和聚类个数是否适当等方面考虑,提出了一种新的聚类算法,即动态的K-均值法。模拟实验的结果表明,该算法具有较好的准确性和效率,使检索的质量和速度都得到了很大的提高。

基于改进K-均值算法的图书馆图书个性化推荐技术研究

为提升图书馆服务质量,对图书个性化推荐技术进行研究。对传统K-均值算法存在的聚类数目选择与初始聚类中心确定困难问题,设定聚类数目范围,通过迭代自适应确定聚类数目,同时基于密度来确定初始聚类中心,实现对算法的改进。将改进K-均值聚类算法应用于高校图书馆图书个性化推荐中,和传统K-均值聚类算法对比结果表明:当迭代步数为10时,改进K均值算法的挖掘精度相对于传统K均值算法的挖掘精度提高了11.0%;当迭代次数增加到20时,两种算法的挖掘精度相差仅为1.6%,但改进K均值算法所用时间减少了92.1%,迭代效率大大提升。这对提升高校图书馆服务水平具有一定的参考价值。

基于PCA与K-均值聚类的学习者特征识别研究

学习者特征识别是在线教育决策的重要支撑。深入分析了学习者特征分析的内涵、阶段划分和主要作用,构建了由人口学特征、支持性特征、动力特征、信息能力特征和策略性特征构成的在线教育学习者特征五元模型,设计了基于PCA和K-均值聚类的学习者特征数据分析思路与方法,并进行了实例分析,能够为学习者特征及差异识别分析提供方法支撑。

改进的粗糙模糊和模糊粗糙K-均值聚类算法

在分析归纳原有聚类方法不足的基础上,结合粗糙理论和模糊理论,给出了改进的粗糙模糊K-均值聚类算法;设计了新的模糊粗糙K-均值聚类算法,并验证了该聚类算法的有效性;进而将这两种聚类算法应用到支持向量机中,对训练样本做预处理,以减少样本数目,提高了其训练速度和分类精度。

一种改进的动态k-均值聚类算法

针对经典k-均值聚类方法只能处理静态数据聚类的问题,本文提出一种能够处理动态数据的改进动态k-均值聚类算法,称为Dynamical K-means算法.该方法在经典k-均值方法的基础上,通过对动态变化的数据集中新加入样本进行分析和处理,根据聚类目标函数改变的实际情况选择最相似的类别进行局部更新或进行全局经典k-均值聚类,有效检测发生聚类概念漂移和没有发生聚类概念漂移的情况,从而实现了动态数据的在线聚类,避免了经典k-均值方法在动态数据中每次都要对全部数据重新聚类而导致算法速度过慢的问题.标准数据集和人工社会网络数据集上的实验结果表明,与经典k-均值聚类方法相比,本文提出的动态k-均值聚类方法能快速高效地处理动态数据聚类问题,并有效地检测动态数据聚类过程中所产生的概念漂移问题.

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想,该算法首先利用蚁群算法的较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,再进行K-均值聚类弥补蚁群算法的不足。两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的蚁群聚类算法分析。

一种并行的加速k-均值聚类方法

针对传统k-均值聚类方法不能有效处理海量数据聚类的问题,该文提出一种基于并行计算的加速k-均值聚类(K-means clustering based on parallel computing,Pk-means)方法。该方法首先将海量的聚类样本随机划分为多个独立同分布的聚类工作集,并在每个工作集上并行进行传统k-均值聚类,并得到相应的聚类中心和半径,通过衡量不同子集聚类结果的关系,对每个工作集中聚类得到的子类进行合并,并对特殊数据进行二次归并以校正聚类结果,从而有效处理海量数据的聚类问题。实验结果表明,Pk_means方法在大规模数据集上在保持聚类效果的同时大幅度提高了聚类效率。

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想。该算法首先利用蚁群算法较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,进行K-均值聚类弥补蚁群算法的不足。两者的有机结合可以寻求到具有全局分布特性的最优聚类,实现基于改进的蚁群聚类算法分析。