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.

基于BBO优化K-means算法的WSN分簇路由算法

针对无线传感器网络中传感器节点能量有限、网络生存期短的问题,提出一种基于生物地理学算法优化K-means的无线传感器网络分簇路由算法BBOK-GA。成簇阶段,通过生物地理学优化算法改进K-means算法,避免求解时陷入局部最优。根据能量因子和距离因子设计了新的适应度函数选举最优簇首,完成分簇任务。数据传输阶段,则利用遗传算法为簇首节点搜寻到基站的最佳数据传输路径。仿真结果表明,相较于LEACH、LEACH-C、K-GA等算法,BBOK-GA降低了网络能耗,提高了网络吞吐量,延长了网络生存周期。

基于K-means算法的建筑群震害分析模型缩减方法

基于建筑群模型和弹塑性时程分析的精细化城市震害模拟技术能够为防震减灾及应急救援决策提供必要的依据和参考。为了减小城市建筑群震害模拟的计算量和计算时间,本文提出一种基于聚类算法的建筑群模型缩减方法。该方法采用K-means聚类算法,首先基于建筑结构属性向量对建筑群进行聚类,将相似的建筑结构聚为一组;然后从每组选取一个代表建筑组成建筑群缩减模型,通过减少需要分析的建筑结构数量来减少建筑群震害模拟的计算量。本文对传统的K-means算法进行改进,通过设定组内建筑结构的差异上限自动调整聚类分组数量;提出将具体地震动作用下结构地震损伤指数作为结构属性向量进行聚类,并通过算例对比分别采用两种缩减模型,即基于损伤指数聚类的缩减模型与基于结构力学模型参数聚类的缩减模型,计算结构损伤状态准确程度。对比结果表明:在聚类分组数量相同的情况下,基于损伤指数的分组明显优于基于模型参数的分组,采用模型缩减方法能够在保证足够计算精度前提下显著减少建筑群震害模拟计算量和计算时间。

基于参数化角编码的量子K-means算法

结合K-means算法和角编码技术,提出了一种无需量子随机存储(QRAM)的量子K-means算法。该算法利用量子操作的并行性,仅需对数数量的时间复杂度就能完成数据的加载;并且通过对输入数据进行参数预处理操作,确定数据分量的参数阈值,解决了样本不同特征尺度差异的问题。该算法由编码数据、相似度度量、量子最小值搜索和质心迭代更新四个主要步骤组成,细致描述了这些步骤所涉及的算子和线路构建,并对关键线路进行了仿真模拟。实验结果和经典预测结果一致,验证了所提量子K-means算法的可靠性。此外,理论分析表明所提出算法相比于经典算法在运行时间上有平方级加速。

基于随机森林算法和K-means算法的网络攻击识别方法

5G网络与核电的深度融合能够提升核电厂生产安全管控水平,减少人为事故,促进核电行业安全和经济发展。但由于网络的接入,为核电安全生产带来了一定的安全风险,恶意攻击者会通过向核电5G网络发起攻击进而破坏核电生产。为了解决核电5G网络场景下面临的网络异常和恶意攻击的问题,提出了一种在核电5G网络场景下基于随机森林算法和K-means算法的实时网络异常检测和网络攻击识别方法,对于提高核电网络安全具有重要的意义。

基于改进K-means算法的电力营销档案信息管理系统

为满足档案管理用户需求,实现不同营销档案管理信息分类,提出改进K-means算法的电力营销档案信息管理系统。设计电能信息收编、客户缴费管理、营销报表管理及系统开发等子系统功能;利用改进的K-means方法定义系统算法,引入权重概念,将元素分配到和中心点距离最近的簇中,实现档案分类统计。仿真实验证明,该系统可实现不同营销档案的准确分类,减少响应延时,提高系统吞吐量,满足电力营销档案管理用户需求。

基于改进K-means算法的物流配送中心选址研究

针对传统K-means算法需要主观设定K值及无法处理类别型数据问题,文章运用肘部法及轮廓系数法确定合理K值,对类别型数据采取独热编码(One-Hot Encoding)转换为可以处理的连续型数据,并将其运用到在物流配送中心选址中;并综合考虑多种类别的影响因素,构建了相应的影响因素指标体系,提出的模型能够识别输入数据的数值型及类别型数据,实现样本的有效聚类。相关的案例分析结果表明,相比传统K-means聚类,文章的改进K-means算法选址结果可使物流总成本降低8.76%,运营成本降低14.85%,固定成本降低8.09%,效果显著。

基于K-means算法和积灰损耗系数的西北地区光伏电站清洗策略建模分析

针对当前西北地区光伏场站缺乏科学合理的清洗策略来清除组件表面积灰的问题,提出基于K-means算法和积灰损耗系数的光伏电站清洗策略模型。利用K-means算法对场站提供的日志发电数据进行聚类得到晴天数据样本,利用该样本数据拟合发电能力损耗曲线求解积灰损耗系数,联立清洗成本建立清洗策略模型。文章利用西北地区某光伏场站的发电数据对模型进行了验证,分析结果表明模型准确性较高,也为西北地区光伏电站清洗策略的研究提供了新思路。

基于改进K-means算法的图像分割

图像分割在图像分析的整个流程中占据关键地位,是图像理解中的重要步骤,同时,它也被看作是图像处理领域最有挑战性的难题之一。因此该研究提出一个基于改进K-means算法的图像分割方法。对图片进行等切选取初始簇心,设定阈值合并多余的簇,给定平均直径优化簇心数量及分类效果。通过实验,验证了该方法的有效性。

基于K-means算法的在线学习行为聚类研究

在线学习是近年来随着互联网的发展而逐渐兴起的一种学习方式,它的便捷性和丰富的学习资源吸引了越来越多的学习者。随着在线学习平台日益普及,海量的用户数据也随之产生。如何从这些数据中提取有价值的信息,促进教育教学质量提升是当前值得思考的重要课题。文章介绍了基于K均值聚类算法(K-means Clustering Algorithm,K-means)的在线学习行为聚类分析方法,为在线学习平台提供了重要的数据分析和应用支持,帮助教师及平台管理者及时调整教学模式和教学策略,以提升学习者的在线学习效果。

基于改进K-means算法的分布式小水利发电集群划分方法

随着大规模分布式电源的接入,将复杂的分布式发电集群划分为通信维度较低、控制方式较简单的区域,是实现分布式发电集群灵活并网和优化调度的重要方式。文章提出一种基于改进K-means算法的分布式小水利发电集群划分方法,旨在利用改进K-means算法更有效地处理大规模数据集,自动识别最佳的集群划分,从而减少主观干预,通过更精确的划分,可以最大限度地提高小水利发电利用效率。

基于K-means算法的采空区“三带”划分

采空区“三带”范围的划分可以有效防治煤自燃。为进一步解决不同区域的煤自燃“三带”划分存在差异性的问题,本文构建了基于K-means算法的采空区“三带”划分模型。基于东欢坨煤矿3015工作面的束管数据构建数据集,引入三种聚类算法和六个聚类评价指标,建立三个采空区“三带”划分模型,通过分析模型效果选出最优聚类模型。结果表明,K-means模型聚类效果最好,模型评价指标轮廓系数、CH指数和DH指数分别为0.573、121.291和0.47,基于氧气的采空区“三带”划分结果为4.435-20.294 m。本文所构建的多参数、多算法、多组合的煤自燃采空区“三带”划分模型精确度高,适用性强,可以针对不同环境的煤自燃三带进行划分,进而保障煤矿开采的安全性。

基于随机森林和K-Means算法的高校学生评教指标的应用研究

本文旨在探讨随机森林和K-means算法在高校学生评教体系中的应用及其有效性。首先,通过构建随机森林模型对评教数据进行拟合,分析模型的均方误差和拟合优度,验证其预测能力。进一步利用随机森林的特征重要性评估功能,筛选出对评教结果影响较大的指标,为优化评教体系提供科学依据。同时,对评教指标进行相关性分析,揭示指标间的相互关系。其次,采用K-means算法对评教数据进行聚类分析,通过轮廓系数确定最佳聚类数,并成功将数据划分为三个具有明显差异的聚类。聚类结果揭示了不同教师在教学理念、风格和要求上的多元性,为教学改进和提升提供了参考依据。本文的方法论和结果对优化高校学生评教体系、提升教学质量具有重要意义。

基于K-means算法的无线网络密钥管理方法

常规的无线网络密钥管理方法,由于管理措施的不到位,导致管理效率低。提出基于K-means算法的无线网络密钥管理方法。通过对无线网络的特征量分析出密钥的运行环境,通过LKH++算法建立密钥树,方便后期基于K-means算法无线网络密钥的聚类设计,通过验证密钥的存储功能、安全性和更新性来实现管理方法。实验通过对比不同方法下密钥的重构概率,获得在模拟实验中基于K-means算法的管理方法于样本1和样本5中可达到100%的管理执行效率,纵向增强管理性能,能满足具有良好管理要求。

基于自组织神经网络和K-means算法的地下空间地质环境质量三维分类及评价

针对地下空间地质环境质量,前人运用三维地质信息化技术已开展了大量三维综合评价研究,但其评价结果对于规划和施工建议略显不足。其原因主要是评价过程主观性较强,综合评价结果难以充分表达地质环境的真实类别,难以关注更需受到重视的不良地质环境条件等。针对上述问题,利用自组织神经网络(SOM)和K-means算法对地下空间地质环境质量三维评价信息进行分类研究;以福建省厦门市马銮湾新城南岸片区为实例,基于三维空间分析方法提取三维评价指标因子,开展基于自组织神经网络和K-means算法的地下空间地质环境质量三维评价,最后利用评价获得的地质环境类别与主导因子进一步提出规划和施工建议。结果表明:基于自组织神经网络和K-means算法的评价方法能够有效挖掘多维多源地质数据中的隐含信息,识别出关键区分因子,为地下空间地质环境质量评价提供了新的思路和方法。

一种基于k-Means算法的船舶主机工况二次划分方法

为准确划分船舶主机运行工况,提升船舶主机性能监测能力,设计一种基于k-Means算法的船舶主机工况二次划分方法。基于实船运营大数据,分2个阶段开展主机运行工况划分研究,其中:第一阶段,以主机转速和功率为特征参数,初步划分主机运行工况;第二阶段,以海水温度和扫气箱温度为特征参数,对第一阶段划分的工况进行第二次划分。以某大型散货船为例,通过实船试验对该方法的有效性进行验证。试验结果表明,该方法能对复杂的船舶主机运行工况进行有效划分,可为船舶主机性能监测提供状态质量评估和辅助决策,有利于船舶主机健康管理和故障诊断工作的开展。

基于耿贝尔-线性矩和K-Means算法的短时强降水等级划分研究

短时强降水地域特点突出,致灾性强,是气象防灾减灾的重点和难点.本文基于1951—2021年国家气象观测站逐小时降水资料,采用耿贝尔—线性矩法拟合2215个国家气象观测站的1 h、3 h、6 h短时强降水的重现期分布,统计显示99%以上的国家气象观测站分布函数通过0.05显著性检验;同时,根据我国防洪标准、室外排水设计规范及中央气象台山洪预警等标准,将短时强降水按照重现期2 a、20 a、50 a、100 a划分为一般、较强、强、特强四个等级.然后,采用K-Means算法,应用耿贝尔函数的位置参数和尺度参数、短时降水的百分位值和极值等变量聚类,将我国划分为三个短时强降水区,量化了三个区的短时强降水等级并应用2019—2021年70490个区域自动观测站和国家气象观测站监测统计验证了合理性.研究成果可以满足气象业务应用需求,也为气象监测、预报预警和影响评估提供技术支撑.

基于汉明距离的量子K-Means算法

K-Means算法在处理大规模异构数据时,通常使用欧氏距离来衡量数据点之间的相似度,然而这样存在效率低下以及计算复杂性过高的问题。受到汉明距离在处理数据相似性计算上存在显著优势的启发,提出一种基于汉明距离的量子K-Means(QKMH)算法来计算相似度。首先,将数据制备成量子态,并使用量子汉明距离计算待聚类点和K个聚类中心之间的相似度;然后,改进了Grover最小值搜索算法查找距离待聚类点最近的聚类中心;最后,循环以上步骤,直到达到规定迭代次数或者聚类中心不再改变。基于量子模拟计算框架QisKit,将提出的算法在MNIST手写数字数据集上进行了验证并与传统和改进的多种方法进行了对比,实验结果表明,QKMH算法的F1值相较于基于曼哈顿距离的量子K-Means算法提高了10个百分点,相较于最新优化的基于欧氏距离的量子K-Means算法提高了4.6个百分点;同时经计算,QKMH算法时间复杂度比上述对比算法更低。

基于K-means算法的自动锁模光纤激光器

研究了一种基于K-means算法和非线性偏振旋转谐振技术的自动锁模传统孤子光纤激光器。实验中通过K-means算法对电动偏振控制器进行调节,利用示波器实时采集数据,并基于脉冲判决算法将脉冲分为基频锁模态和其他状态。当泵浦驱动电流为230 mA时,实现了1531 nm、脉宽为456 fs的基频传统孤子输出。然后,通过调节电动偏振控制器遍历激光器输出状态,并进行脉冲判决分类。最后,通过K-means算法将处于基频锁模态时电动偏振控制器旋转桨的角度按空间坐标系聚类分析。当光纤激光器处于非基频锁模态时,通过K-means算法调节电动偏振控制器,恢复到基频锁模状态。经过100次测试,从失锁或其他状态调节到基频锁模态点所需平均时间为0.25 s。该工作为实现高效、便捷的光纤激光器自动锁模提供了新的方案。

基于改进K-means算法的研究与分析

K-means算法是通过计算数据与聚类中心的距离来更新聚类中心的一种无监督的机器学习算法,在距离已知的情况下,BIRCH算法是一种典型的基于距离特征数的类别判断对数据信息进行汇总的方法,是一种平衡迭代规约和聚类的方法。论文结合K-means算法和BIRCH算法优缺点,在数据处理中用K-means处理对离群点干扰较大的数据,BIRCH处理时间复杂度较低的数据的原则构建核心树;以子类的初始中点为叶节点,以欧式距离为依据判断节点间的相似性,并对判别类别进行划分得到核心数据,BIRCH以K类的中点为核心树的叶节点,以叶节点为基础构造核心树,并对核心树的各种特征数据进行完善。实验证明改进K-means算法比原始K-means算法在养老服务护理推荐时用时更短。