K-means算法

摘要： 现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低。为此,提出一种基于改进K-means算法的电力短期负荷预测方法。该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现电力负荷的短期预测。实验结果表明,所提方法具有高预测效率和高短期负荷预测精准度。

摘要： 传统的聚焦爬虫不能很好地处理所爬取的数据,很难从原始数据中提取有价值的信息,同时,大量冗余的数据对计算机的存储能力带来了挑战.本研究提出了一种基于抽取式文本摘要技术的爬虫算法,将改进的TextRank算法应用于网络爬虫中,从而解决用户如何在快速浏览和吸收特定领域新闻所有内容的同时节约计算机内存资源的问题.本研究用Glove模型训练数据集,对文本进行词向量表示,将k-means算法思想融入TextRank算法中,提出一种改进的TextRank模型.实验结果表明:提出的改进的TextRank模型抽取得到的摘要质量优于传统TextRank和TopicModel模型,其综合评价指标达到了52.21%,比TopicModel模型高10.29%,比传统TextRank模型高15.55%;结合了抽取式文本摘要技术的聚焦爬虫与传统聚焦爬虫爬取的文件占用空间比为1:12,解决了爬虫会占用大量计算机资源的问题.

摘要： 大数据背景下,数据量规模化的增长,数据的采集、传输、存储等环节都会存在数据泄露的安全隐患。从大数据的基本原理、现状出发,对数据信息的隐私安全做了相关应研究,并在此基础上,提出了一种改进的差分隐私直方图发布算法来对数据信息进行隐私保护。

摘要： 近年来,如何提高不平衡数据分类精度的问题受到广泛关注。对于不平衡数据问题主要从数据集和算法两方面来解决。研究提出一种基于k-means++聚类算法和过采样的堆叠算法(K-SMO-Stacking)。在Stacking集成算法基础上将k-means++聚类算法应用到分类过程当中,形成新的少数类和多数类,用过采样方法生成更多更密集的少数类样本,均衡数据集后再进行回归训练。实验在多份金融不平衡数据集上进行验证,结合AUC、F1-score和G-mean主流评价指标,结果显示该算法在不平衡金融数据中的分类性能有显著提高。

摘要： 【目的】探索不同树种在样地和单木尺度上无人机激光雷达点云数据的单木分割效果,选取哈尔滨城市林业示范基地阔叶林(水曲柳)和针叶林(樟子松)两块样地为研究对象,对样地内树木点云进行单木分割并评价其分割效果,为后续单木结构参数的提取提供数据支持,同时丰富森林资源信息的调查手段。【方法】通过无人机激光雷达获得样地树木点云数据,然后分别采用改进的K均值聚类算法和基于相对间距的阈值分割算法对水曲柳和樟子松样地进行单木点云数据分割。其中,水曲柳样地点云数据处理采用改进的K均值聚类算法,通过树干点云位置推算初始聚类中心,减少因树冠重叠导致的错误分割;樟子松样地点云数据处理则采用基于相对间距的阈值分割算法,通过设定多条阈值规则并利用动态最大值滤波器对树顶进行精确探测,提高算法的分割精度。最后,基于样地和单木点云完整度两个方面对点云数据分割效果进行评价。【结果】1)从样地尺度来看,水曲柳和樟子松样地单木识别率分别为0.91和0.87,相应的调和值(F)分别为0.91和0.88,结果显示单木分割的整体效果较好。水曲柳样地召回率(r)为0.87,精确率(p)为0.95,算法分割过程中产生的错误分割较少。樟子松样地算法分割的单木也多为正确分割(r=0.82、p=0.94),其分割误差主要来自于单木欠分割,过分割现象相对较少。2)从单木点云分割的完整程度来看,水曲柳样地的单木平均正确分割率为75.6%,点云平均欠分割率为24.3%,平均过分割率为18.5%,单木点云的最大错误分割率为31.8%,不同单木之间分割精度有较大差异;樟子松样地的单木分割精度较稳定,平均正确分割率达84.1%,平均欠分割和过分割率分别为16.3%和9.0%,表明单木点云不存在大量错误分割的情况。【结论】基于树木形态结构特征改进了两种优化单木点云数据分割算法,两种算法下分割的森林样地单木精度在不同评价尺度中表现均较好,对林中树木出现的树冠重叠、遮挡、偏移等现象均有一定的辨别能力,实现了森林样地树木点云数据的单木精确分割。

摘要： 针对电动汽车的充电需求以及未知的实时电价,探讨完整的充电方案,提出一种电动汽车充电站能量管理在线算法,建立由风能、太阳能及电网供电的充电站充电成本优化问题。在电价、风能和太阳能发电量等系统信息已知的条件下,采用离线算法即遗传算法搜索成本最小化问题的全局最优解。由于遗传算法需要已知所有时隙的系统信息,但这些信息是随机分布的,因此提出仅依赖当前信息的在线算法,即基于K-means聚类算法的在线能量管理方案。仿真结果表明,提出的K-means在线算法获得的平均成本优于遗传离线算法,且K-means在线算法收敛速度更快。因此,在电价、风能和太阳能发电量未知的情况下,采用K-means在线算法可控制充电成本。

摘要： 智能网联背景下的车联网数据分析与应用对提升交通智能化有重要影响。为了加快交通智能化进程,文章对车联网数据应用过程中存在的数据冗余问题进行研究。以采集的车联网数据为研究对象,驾驶行为特点分类辨识为研究目标。采用相关分析与主成分分析方法对数据进行冗余筛选与降维,使用k-means聚类算法对驾驶行为特点进行分类辨识。研究结果表明,使用数据降维的方法可以降低车联网数据的相关冗余性,驾驶行为特点分类辨识结果表明其特点可分为三类驾驶行为。研究提升了车联网数据的应用价值,也为交通智能化提供了相关的支持。

摘要： 该文以某小区居民的智能电表用电功耗数据为研究对象,结合K-means聚类算法对其进行聚类,分析居民的用电行为规律。首先对居民原始用电功耗数据进行特征归一化处理,然后采用肘方法确定初始聚类数,最后,利用聚类算法对该小区居民的用电负荷特征曲线进行聚类,分析其用电行为。实验结果表明,K-means算法在对居民用电负荷曲线聚类时具有较高的准确度,电网企业能够据此分析居民用电行为,提供用电个性化服务。

摘要： 学生的学习成绩是其对课程学习的掌握程度的一个重要体现,也是反映教师教学效果好坏的一个标准。怎样使用学生某一阶段的成绩提炼分析出有用的信息来提高之后的教学方案与学生成绩有着至关重要的意义。在此背景下,文章将k-means算法与基于分层方法的层次聚类应用于学生成绩的分析中。相比传统的成绩评价标准弥补了其不能根据外部影响而进行灵活改变的短板。最后比较两种算法的优缺点并对学生的综合成绩与单科成绩进行分析,通过宏观分析找出影响学生成绩的因素和各类学生在不同学科上的薄弱点。

摘要： 在正常工作和发生故障时对常见的电阻、电感串并联电路以及整流电路使用Cassie电弧模型进行simulink仿真,得到了不同电路和不同状态时的电流数据。在线性负载电路中,电弧故障电流具有明显的零休特征,但是非线性负载电路不具有此特征。应用快速傅里叶算法进一步分析了其不同状态下的电流谐波变化。利用k-means聚类算法理论建立了电弧故障检测模型,将电流的奇数高次谐波占基波分量作为特征值带入算法,并通过70组数据对模型进行测试,测试结果证明了该模型的有效性。

摘要： 对于自适应共振(Adaptive Resonance Theory2,ART2)神经网络在分类时存在只选择输出值最大的神经元,以及噪声对结果影响较大的缺点,提出了一种结合小波软阈值和K-means算法的ART2神经网络分类方法.首先采用小波软阈值将信号降噪,再将降噪后的信号通过相对小波包能量体现其更好的信号互异性,然后运用ART2神经网络进行初步分类,将K-means算法引入ART2神经网络中,对原有的算法进行修正,与ART2神经网络分类结果进行了对比,分析结果表明改进后的方法解决了上述的问题,提高了故障分类的准确性.

摘要： 对于自适应共振(Adaptive Resonance Theory2,ART2)神经网络在分类时存在只选择输出值最大的神经元,以及噪声对结果影响较大的缺点,提出了一种结合小波软阈值和K-means算法的ART2神经网络分类方法.首先采用小波软阈值将信号降噪,再将降噪后的信号通过相对小波包能量体现其更好的信号互异性,然后运用ART2神经网络进行初步分类,将K-means算法引入ART2神经网络中,对原有的算法进行修正,与ART2神经网络分类结果进行了对比,分析结果表明改进后的方法解决了上述的问题,提高了故障分类的准确性.

摘要： 对于自适应共振(Adaptive Resonance Theory2,ART2)神经网络在分类时存在只选择输出值最大的神经元,以及噪声对结果影响较大的缺点,提出了一种结合小波软阈值和K-means算法的ART2神经网络分类方法.首先采用小波软阈值将信号降噪,再将降噪后的信号通过相对小波包能量体现其更好的信号互异性,然后运用ART2神经网络进行初步分类,将K-means算法引入ART2神经网络中,对原有的算法进行修正,与ART2神经网络分类结果进行了对比,分析结果表明改进后的方法解决了上述的问题,提高了故障分类的准确性.

摘要： 对于自适应共振(Adaptive Resonance Theory2,ART2)神经网络在分类时存在只选择输出值最大的神经元,以及噪声对结果影响较大的缺点,提出了一种结合小波软阈值和K-means算法的ART2神经网络分类方法.首先采用小波软阈值将信号降噪,再将降噪后的信号通过相对小波包能量体现其更好的信号互异性,然后运用ART2神经网络进行初步分类,将K-means算法引入ART2神经网络中,对原有的算法进行修正,与ART2神经网络分类结果进行了对比,分析结果表明改进后的方法解决了上述的问题,提高了故障分类的准确性.

摘要： 对于自适应共振(Adaptive Resonance Theory2,ART2)神经网络在分类时存在只选择输出值最大的神经元,以及噪声对结果影响较大的缺点,提出了一种结合小波软阈值和K-means算法的ART2神经网络分类方法.首先采用小波软阈值将信号降噪,再将降噪后的信号通过相对小波包能量体现其更好的信号互异性,然后运用ART2神经网络进行初步分类,将K-means算法引入ART2神经网络中,对原有的算法进行修正,与ART2神经网络分类结果进行了对比,分析结果表明改进后的方法解决了上述的问题,提高了故障分类的准确性.

摘要： 中国大陆构造环境监测网络由265座连续全球定位系统观测站点组成.对于陆态网的数据处理,一般采用GAMIT高精度软件进行处理,针对软件对测站数的处理能力的限制,和处理短基线的能力限制,本文提出一种基于k-means算法的分区解决方法,该方法是针对测站数较大,且测站间分布密集的大网解算,可解决软件测站数据处理能力的限制,并且与一般的分区处理策略相比,具有较高的解算精度。

摘要： 中国大陆构造环境监测网络由265座连续全球定位系统观测站点组成.对于陆态网的数据处理,一般采用GAMIT高精度软件进行处理,针对软件对测站数的处理能力的限制,和处理短基线的能力限制,本文提出一种基于k-means算法的分区解决方法,该方法是针对测站数较大,且测站间分布密集的大网解算,可解决软件测站数据处理能力的限制,并且与一般的分区处理策略相比,具有较高的解算精度。

摘要： 中国大陆构造环境监测网络由265座连续全球定位系统观测站点组成.对于陆态网的数据处理,一般采用GAMIT高精度软件进行处理,针对软件对测站数的处理能力的限制,和处理短基线的能力限制,本文提出一种基于k-means算法的分区解决方法,该方法是针对测站数较大,且测站间分布密集的大网解算,可解决软件测站数据处理能力的限制,并且与一般的分区处理策略相比,具有较高的解算精度。

摘要： 中国大陆构造环境监测网络由265座连续全球定位系统观测站点组成.对于陆态网的数据处理,一般采用GAMIT高精度软件进行处理,针对软件对测站数的处理能力的限制,和处理短基线的能力限制,本文提出一种基于k-means算法的分区解决方法,该方法是针对测站数较大,且测站间分布密集的大网解算,可解决软件测站数据处理能力的限制,并且与一般的分区处理策略相比,具有较高的解算精度。

摘要： 随着电池等关键技术的发展,电动汽车市场保有量越来越大,因此确保电动汽车在充电、久置停车或运行过程中的安全性尤为重要.本文针对电动汽车电池组运行安全性问题,提出基于K-Means聚类分析算法的电动汽车在线安全性研究,通过对汽车内部电池包数据采集,实现在线对电动汽车电池包内电池信息预警,并将故障等级等报警信息及时反馈到汽车整车控制器.该方法具备较快的分析能力,能够迅速对汽车运行过程出现的故障进行预警,从而保证电动汽车的安全性.

摘要： 本发明提供一种基于改进kmeans的重工业时序热源区域识别发现算法。该方法包括：火点数据获取与预处理，并按照区域网格进行数据切分；改进自适应kmeans聚类的热源对象构建，实现空间火点数据的自适应聚类；提取热源对象的特征，包括几何、统计和属性特征；辅助高分数据，建立热源对象训练样本，采用改进SVM的重工业热源区域识别模型，实现重工业热源区域的定位识别；进行结果验证与输出。该方法作为一种新的重工业区域发现方式，利用主动式夜火数据时间分辨率高、空间覆盖范围全的优势，结合改进自适应kmeans聚类算法，有效地识别出了全球的重工业区域。为环境监测、重工业经济效益评估、区域发展等，提供了良好的辅助作用。

摘要： 本发明公开了一种基于改进Kmeans算法的视频用户分组方法，包括：将视频用户数据分区存储；对每个分区的视频用户数据进行特征提取，将提取的特征输入改进的局部Kmeans算法，得到每个分区的分组结果；对每个分区的每个分组进行特征提取，将提取的所有分组的特征再次输入改进的局部Kmeans算法，得到所有用户的分组结果。本发明提出了一种分区双层用户分组方案，先将视频用户数据分区存储，并对用户数据进行两级分组，该方案易于数据的并行计算，可降低计算开销，缩短分组响应时间，提升计算效率；本发明在Kmeans算法的基础上进行改进，得出得到一种局部Kmeans(Partial‑Kmeans)算法，可以降低一定的计算复杂度。本发明还提供了相应的基于改进Kmeans算法的视频用户分组装置。

摘要： 本发明涉及一种基于Kmeans聚类算法的气象雷达信标检测方法，所述气象雷达信标检测方法包括：S1：通过气象雷达天线扫描获得多个原始信标的信标参数信息；S2：根据原始信标的第一信标参数信息，对同一信标编码的多个原始信标进行聚类获得聚类信标；S3：根据原始信标的第二信标参数信息，对聚类信标中的原始信标的第一信标参数信息进行加权平均，获得聚类信标的质心。本发明的基于Kmeans聚类算法的雷达信标检测方法通过采集雷达一个扇面内所有的信标信号，对采集的所有信号在一定方位及距离范围内，根据信号功率对信标目标进行聚类，使检测出的信标结果更加准确，在不改变硬件结构、不新增经费的基础上有效的解决了该问题。

摘要： 本发明公开了一种基于KMeans‑FPgrowth算法的矿用卡车发动机故障预警方法，包括：步骤一：采集发动机相关特征历史数据，并基于K‑Means聚类算法对各个特征进行聚类，基于轮廓系数找到最佳聚类个数；步骤二：对聚类后的特征及聚类区间进行编号；步骤三：基于FP‑growth关联规则算法对编号后的特征进行规则提取，设定覆盖率，基于覆盖率对FP‑growth算法的支持度和置信度进行调整，提取出最终的规则；步骤四：采集发动机相关特征实时数据，设置滑动窗口，当窗口内的覆盖率率小于设定值时，发起发动机故障预警。本发明根据相关参数预测出实时缸温与实际缸温进行对比，提前发现缸温异常，减少设备维修成本。

摘要： 本发明涉及一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法，包括：1、采用激光散斑测量方法，获取N个苹果的散斑位移，计算N个苹果的共振频率；2、采用标准的Kmeans聚类算法，对N个苹果的共振频率进行中心聚类计算；3、获取待检测苹果的共振频率，根据步骤2的中心聚类结果判断待检测苹果的缺陷类别。本发明具有较强的泛化能力，基于计算机视觉的方法只能对预先标注的缺陷类型进行检测，而本发明对任何能引起苹果共振频率变化的缺陷类型都适用。通过选择高阶共振频率并结合降噪技术，使得本发明提出的新方法具有很强的抵抗噪声能力，适用于环境不可控的各种实际工况，这是有别于传统计算机视觉方法的突出优点。

摘要： 本发明提供一种SDN中基于MCA‑KMeans算法的分布式拒绝服务攻击检测方法，包括：步骤3，获取到流表信息后，计算得到T周期内的特征数值，形成计算得到的数据集；所述的特征数值包括源端口熵值、目的IP地址熵值和数据包的平均值；步骤4，针对每一个交换机，使用步骤3计算得到的数据集作为输入数据，然后将数据用于聚类算法分类模型进行训练，通过t次迭代直到质心不再发生变化后得到多元数据分析和聚类算法的分布式拒绝服务攻击模型。本发明能够快速、实时、准确检测攻击，并定位攻击主机删除攻击数据，尽可能的保护软件定义网络的安全，减少网络资源的消耗，减少检测攻击所需的时间，提高攻击检测的准确率。

摘要： 本发明提供了一种基于空间索引、KMeans聚合算法的要素聚合方法、系统、介质及设备，包括：步骤S1：使用RBush空间索引算法为渲染的点数据建立空间索引；步骤S2：获取当前地图帧状态对象，基于空间索引，根据当前地图范围、缩放层级查询过滤当前地图范围中的要素；步骤S3：过滤后的要素执行Kmeans聚合运算；步骤S4：缓存帧聚合要素的状态，执行缓动函数，实现聚合动画，进行地图渲染；当地图范围发生变化时，则重复触发步骤S2至步骤S4。

摘要： 本发明公开了一种基于信息熵和PSO‑Kmeans算法对典型工艺路线的发现方法，主要包括信息熵的序列相似度分析和PSO‑Kmeans聚类算法的计算处理。该方法首先从多个层级对工艺路线间的相似度进行全面评判；然后建立了基于谱聚类思想和PSO‑Kmeans算法的工艺路线智能聚类模型，并进一步提取得到了各类簇中的典型工艺路线。该方法可以为工艺过程实例的相似性检索与重用提供更好的支持。

摘要： 本发明公开了一种基于kmeans算法对电力负荷曲线分析方法，包括：选取某一年的负荷数据作为分析样本；按照每个月为标准单位，计算样本数据的按照月负荷特性样本的最大值、最小值、最大值发生时间、最小值发生时间、峰谷差率5个指标进行归一化处理，最后用kmeans聚类方法进行聚类；每组类数目的确定判据为可采用簇内90％的样本距离类中心的距离小于某个特定误差值确定的分类数目，并选取距离类中心样本数据较远且非孤立点的样本为典型日负荷特性，得到分类后的电力负荷曲线。该种基于kmeans聚类算法对电力计量负荷曲线分析方法，利用kmeans聚类分析方法选取负荷特性时，聚类效果与数据是否具有明显分类特征有关，当样本数据具有明显的分类特征时。

摘要： 本发明公开了一种基于kmeans算法对电力负荷曲线分析方法，包括：选取某一年的负荷数据作为分析样本；按照每个月为标准单位，计算样本数据的按照月负荷特性样本的最大值、最小值、最大值发生时间、最小值发生时间、峰谷差率5个指标进行归一化处理，最后用kmeans聚类方法进行聚类；每组类数目的确定判据为可采用簇内90％的样本距离类中心的距离小于某个特定误差值确定的分类数目，并选取距离类中心样本数据较远且非孤立点的样本为典型日负荷特性，得到分类后的电力负荷曲线。该种基于kmeans聚类算法对电力计量负荷曲线分析方法，利用kmeans聚类分析方法选取负荷特性时，聚类效果与数据是否具有明显分类特征有关，当样本数据具有明显的分类特征时。