基于KNN和多特征融合的苹果叶部病害识别检测

准确识别与防治苹果叶部病害,能够有效提高苹果的产量与品质。以常见的苹果叶部病害(锈病、黑腐病、黑星病)为研究对象,构建基于KNN和多特征融合的无损检测模型。使用K-means聚类算法分割苹果叶部图像,通过颜色矩、灰度共生矩阵、Hu距分别提取图像的颜色、纹理和形状特征,利用KNN对特征参数进行分类模型训练,能够实现绿色准确识别苹果叶部病害的目的。实验结果表明,以颜色、纹理、形状为单特征检测的苹果叶部病害识别精确率分别为75%、57%、45%,其中颜色特征更加直观,有9个特征量识别率较高,形状特征在进行图像分割时很难确定K点导致识别率低。该研究基于颜色、纹理、形状等多特征融合提取13个特征量,能够准确识别苹果叶部病害,其识别率达84%,为实现绿色农业果园病虫害防治提供技术支持。

基于熵权法的医院供应商综合评价方法

随着中国城市医院的医技水平不断提高,对医院供应商评估的需求日益增加。为了解决医院供应商评估难度大、准确率低的问题,提出了一种基于熵权法的医院供应商综合评价方法。采用近邻聚类方法对医院的供应商进行聚类,获得医院供应商的典型特征。建立医院供应商的评估指标集,并采用熵权法进行评估指标权重的调整,进行医院供应商综合评估。在某省的城市医院应用该方法,其评估的准确性达98.3%,验证了该评估方法的有效性。

基于熵值法和DEA的电力监测异常数据自动识别算法研究

为了有效提高电力监测异常数据识别准确率,确保异常数据识别效果,提出了基于熵值法和DEA的电力监测异常数据自动识别算法。应用数据脱敏、数据填补、颠簸去除等方式处理电力监测异常数据,还原原始电力监测数据,提升脱敏后数据完整性,降低颠簸数据对电力监测异常数据精度的影响。以经过数据处理的电力监测异常数据为基础,通过熵值法确定目标的属性和权重作为度量标准,采用基于熵值法改进的最近邻聚类算法,实现数据聚类,以数据聚类结果为输入,构建DEA模型,实现电力监测异常数据自动识别。实验结果表明,该算法数据聚类后的平均检测率约为92%,异常数据识别正判率约为95%,误判率约为3.5%,可有效识别出异常月负荷曲线的异常数据点和不同负荷量的异常数据,且识别结果与实际负荷曲线的趋势一致,具有较好的识别效果。

基于区块链的农村居民屋顶光伏消纳方法

随着中国光伏扶贫工作的逐步推进,光伏消纳能力不足的问题凸显。为解决不同类型农村居民用户屋顶光伏消纳难的问题,提出了一种基于区块链的农村居民屋顶光伏消纳方法。通过能量路由器搭建10 kV配电网的屋顶光伏互联网络,以满足屋顶光伏电量交易的物理条件。通过近邻聚类算法对农村居民用户进行分类,并按照用户类型确定不同的交易策略;在此基础上,采用区块链进行农村居民屋顶光伏交易。在某乡应用该方法,其光伏消纳率达91.6%。验证了文中所提出的方法能够有效提高农村居民光伏消纳率。

改进的最近邻法在基于事例推理中的应用

在基于事例的推理中,通常采用判断相似度来进行事例检索。目前广泛采用的最近邻法存在着盲目判断、计算量大的缺陷,提出了一种改进的算法,采用聚类的方法把事例库分为合理的聚类,并找到每个聚类的均值,然后在推理中,新事例直接与每个均值进行比较,找到与它最相近的聚类,并在这个聚类中搜索最相近的事例。从而避免了盲目搜索,优化了算法。

基于K近邻法的WiFi定位研究与改进

在分析位置指纹识别算法的基础上,研究K近邻(KNN)法在室内定位中的应用。为提高定位精度,设计新的相似度计算公式。针对K近邻法计算量大问题,将聚类算法与KNN相结合,提出一种新的WiFi定位算法。实验结果表明,该算法在WiFi定位上与KNN精度基本一致,但定位时间相应缩短,可以满足室内和室外的定位要求。

基于核模糊相似度度量的谱聚类算法

相似性度量的选择是谱聚类算法良好性能实现的关键。通常采用的谱聚类相似性的度量是基于高斯核函数的相似性度量。然而,谱聚类对这种相似度度量中的尺度参数非常敏感,并且确定一个合适的参数也很困难。另外,基于欧几里得的这种高斯核相似度度量无法有效反映复杂分布数据集的分布特点。针对此问题,通过利用基于核模糊C均值聚类算法得到的划分矩阵中隶属度的分布特点,提出了一个新的核模糊相似度度量,并将基于所提出的新的相似度度量的谱聚类算法(KFSC)应用于图像分割中。所提出的KFSC算法不仅克服了谱聚类对尺度参数敏感,而且解决了尺度参数很难确定的问题,获得更好的聚类效果。3个标准数据集、2个合成纹理图像及2个自然图像上的分割实验表明了所提出算法的有效性和鲁棒性。

RBF神经网络的混合学习算法

针对RBF神经网络的最近邻聚类学习算法存在的学习精度不理想和固定网络结构的梯度下降训练学习算法存在的中心不易确定、训练时间长等问题,提出一种基于最近邻聚类中心选取和梯度下降训练的RBF神经网络混合学习算法,解决了RBF网络径向基函数的中心取值问题,提高了网络的学习精度和训练速度.将该算法应用于非线性系统的在线辨识与二维函数的逼近,仿真实验结果证明了该方法的有效性.

基于车致振动的桥梁损伤识别

基于移动车辆引起的桥梁振动,采用模式识别的聚类分析方法对桥梁结构损伤定位及损伤程度估计进行了研究.应用车致振动理论计算不同预设损伤位置和损伤程度的桥梁结构在相同移动车辆作用下的动力响应,记录其在测试位置的响应,形成损伤模式库;将在测试位置实际测得的响应与损伤模式进行比较,并利用聚类分析的近邻法识别桥梁结构是否出现损伤、损伤位置及其程度.为直观有效地表示识别结果,分别以损伤位置和损伤程度为独立坐标轴,用等值线和响应云图的方式展示比较结果.以移动荷载匀速通过某简支梁为例,验证了该方法的有效性和鲁棒性.数值模拟结果表明,该方法能够有效地估计桥梁结构的损伤位置和损伤程度.

基于聚类和分类的自学习系统模型

论文在分析聚类与分类方法的基础上,尝试将这两种独立的开采方法集成起来,使两种开采方法能够相得益彰。由此建立的知识发现系统能自动利用已有知识进行分类,同时可较为准确地估计聚类分析所必需的参数,并通过聚类分析来发现和修正错误知识。论文给出了集成方法和实验结果,最后对该集成算法的性能进行了分析。

基于密度聚类的K近邻法在储层流体识别中的应用

针对传统储层流体识别方法识别精度低、运算量大、过于依赖个人经验的缺点,提出基于密度聚类的K近邻法,根据待测层段测井数据的空间分布规律,将样本按相对密度聚类成数据簇,并利用K近邻投票获得各簇所属类别。将该方法应用在某油田奥陶系鹰山组碳酸盐岩储层识别中。结果表明,较之其他常用识别方法,该算法识别精度高,泛化性和鲁棒性强,在处理大数据分类问题时具有明显优势,且在识别常规方法难以识别的油水同层时取得了较好的效果,具有良好的应用前景,为利用数据挖掘方法解决油田勘探开发中的复杂问题提供了新思路。

基于网格相对密度差的扩展聚类算法

针对现有的多密度聚类算法对参数依赖性较高、聚类精度较低等问题,提出一种基于网格相对密度差的扩展聚类算法(ECRGDD)。首先,该算法给出一种网格划分方法,通过统计数据点的分布情况选取相对密集区域,采用近邻估计法计算网格划分大小的标准;接着,提出网格相对密度差的概念,根据网格密度值选取初始单元,通过计算网格之间的相对密度差围绕初始单元进行扩展聚类;最后,给出边界点提取技术,采用构建模糊函数的方法对边界单元进行处理。实验结果表明,该算法能有效地对不规则、多样化分布的数据集进行聚类,并能较好地分离出噪声,聚类精度较高。

基于运动约束二步聚类Hough变换航迹起始算法

针对基于减法聚类的Hough变换航迹起始法存在的虚假航迹起始率高、目标航迹点缺失严重的问题,提出了一种基于运动二步约束聚类的Hough变换航迹起始法;该算法首先采用直观法滤除部分杂波点;随后利用Hough变换进行低阈值筛选;然后利用减法聚类得到多个聚类中心;最后由最近邻法判断出每个样本点所归属于聚类中心,得到目标航迹的数目以及参数;仿真表明,在密集杂波环境下,文章提出的算法的航迹起始概率近似是多级Hough变化航迹起始算法的1.2倍,同时虚假航迹起始概率是多级Hough变化航迹起始算法的三分之一,结果表明该算法改善了航迹起始的性能,特别适合于密集杂波下低信噪比目标的目标检测问题。

基于混合学习算法的RBF神经网络主蒸汽温度控制

针对火电厂主蒸汽温度的大迟延、模型不确定性特点,提出一种使用径向基(RBF)神经网络整定PID串级主蒸汽温度控制策略。采用一种最近邻聚类法和梯度下降法相结合的混合学习算法构造RBF神经网络,在线辨识被控对象并对PID主控制器参数进行在线调整。仿真结果表明,基于混合学习算法的RBF神经网络PID控制器具有控制精度高、响应速度快的优点,系统动态品质优于常规算法的RBF神经网络PID控制。

空间数据库反向最近邻聚类方法

针对当前空间数据库聚类方法未考虑降维后的距离特征反向结果,导致空间数据分量失真,存在聚类精度低、耗时长的问题,提出一种空间数据库反向最近邻聚类方法.首先,通过选取训练样本集实现核矩阵的特征分解,获得其距离特征修正值去除初始值的影响;然后,根据核主成分分析(KPCA)降维并结合降维后的距离特征反向结果,利用反向最近邻聚类方法与扩展的部分失真搜索法相结合,实现空间数据的聚类;最后利用选定的聚类中心对数据集进行计算,计算数据集第一维分量与聚类中心第一维分量之间的失真,得到反向最近邻,直至所有空间数据均找到所属类别,最终完成空间数据库反向最近邻聚类.实验结果表明,该方法提高了空间数据的聚类精度,减少了空间数据聚类所用时间.

一种基于神经网络的自组织模糊系统(英文)

提出了一种基于神经网络的自组织模糊系统，它能够根据输入输出数据灵活地划分模糊集合．由于采用模糊聚类方法和梯度下降法分两步对该系统进行训练，其收敛速度要比传统的ＢＰ算法快得多．仿真结果表明该系统结构简单，学习速度快，规则数少。

基于投票法的密度峰聚类算法

密度峰聚类(DPC)算法采用点的密度与距离属性对数据进行划分。该算法对大多数数据集能获得较好的聚类结果。然而,对于存在交叉、重叠情况的数据集,DPC算法的最近邻居分配方法将造成较大误差。针对这一缺陷,本文考虑到数据点的大部分邻居属于相同的簇,提出一种多邻居投票的聚类方法。该方法采取多个邻居的投票结果来决定未知点的归属。数值实验表明,基于投票法的密度峰聚类算法在面对点分布存在交叉、重叠情况的数据集时优于DPC算法。

基于RBF神经网络的ECT图像重建

线性反投影算法是最常用的ECT图像重建算法,该算法将极板电容测量值与成像区域介电常数间的非线性关系作线性化近似.由于神经网络的非线性映射能力可用来避免这种线性化近似,为此探讨了基于RBF神经网络的16极板ECT系统的图像重建方法.采用最大矩阵法确定RBF神经网络隐层神经元数目,用最小邻聚类方法确定径向基函数的宽度和中心,建立了极板电容测量值与成像区域介电常数间的RBF神经网络映射.仿真实验结果表明,基于RBF神经网络的ECT图像重建方法重建速度与线性反投影法相当,重建质量优于线性反投影法.

面向多类学习问题的核最近表面分类方法

虽然最邻近决策规则能很好地解决数据集的非线性和非平衡性问题,但其没有学习过程.在此基础上,提出了一种利用聚类方法来浓缩训练样本,再根据最近邻准则进行决策的方法——核最近表面分类方法.通过实验将其与几种常用的统计分类方法进行对比,结果表明,核最近表面分类方法具有决策速度快、存储空间需求小等优点,同时也能够很好地处理非平衡数据集的分类问题.

基于RBF神经网络的晶体生产组织评价

在晶体的生产组织过程中,采用相关分析法确定影响评价的主要因素,建立一种基于RBF网络的生产组织评价模型,利用最邻近聚类算法,确定基函数中心点,将该模型与BP网络模型进行比较,结果表明:RBF网络在学习时间和评估精度上优越于BP网络。