使用谱聚类算法解决文本聚类集成问题

采用2个不同的谱聚类算法解决文本聚类集成问题.为使算法可扩展到大规模应用,基于代数变换,通过求解小规模矩阵的特征值分解问题避免了大规模矩阵的特征值分解问题,有效降低了2个谱聚类算法的计算复杂度.分别从矩阵扰动理论和图上的随机游走的角度解释了2个算法的有效性.在真实文本集上的实验结果表明:提出的代数变换方法是有效的,该方法可以有效提高谱聚类算法的运行效率;该聚类集成谱算法比其他常见的聚类集成算法更优越、更高效,可以有效解决文本聚类集成问题.     

基于非负矩阵分解的谱聚类集成SAR图像分割

 本文提出了一种新颖的基于非负矩阵分解的谱聚类集成SAR图像分割框架.首先,个体分割结果的产生采用基于Nystrom逼近的谱聚类方法,使用不同的尺度参数,得到具有差异性的个体分割结果;其次,使用非负矩阵分解的方法来合并这些个体分割结果,使用非负矩阵分解方法的优点在于其合乎人类大脑感知的直观体验,并具有明确的物理含义;最后,根据合并得到的像素点隶属度关系得到SAR图像分割结果.为了验证本文方法的有效性,对3幅纹理图像和4幅SAR图像进行分割实验,并对比K-means方法、基于Nystrom逼近的谱聚类方法、Meta-clustering方法,本文的方法无论是定性还是定量分析都是较好的,并具有一定的实用性.     

基于马尔科夫判别谱聚类的极化SAR图像分类方法

该文针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到更加充分地利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。在荷兰小农田、德国、西安和荷兰大农田4个不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。      

关于变压器故障诊断中油中溶解气体色谱分析技术的有效运用研究

近些年来,我国的工业科技得到了快速的发展.在电力行业的输变电系统中,变压器是十分重要的设备,电力系统质量的高低直接由变压器的优劣决定.为确保整个供电网络运行正常,必须正确判断变压器的运行状态,及时反映变压器的故障.在分析变压器的运行状态时,运用油中溶解气体色谱分析技术,通过总结和分析色谱数据的变化规律来判断和检测变压器的潜在故障.     

基于支持向量机的变压器故障诊断

针对变压器故障诊断中缺少实际典型故障样本的问题,提出了支持向量机（SVMs）变压器故障诊断方法。该方法采用K均值聚类（KMC）对变压器油中5种特征气体样本进行预选取作为特征向量,输入到多分类支持向量机中进行训练,建立SVMs诊断模型,实现对故障样本的诊断分类。实例分析表明,KMC算法浓缩了故障信息,有效地解决了确定模型参数时耗时巨大的问题。该方法在有限样本情况下,能够达到较高的故障正判率,满足变压器故障自动诊断的目的。     

基于谱聚类的自加权多视图聚类算法研究

针对多视图聚类中如何更好地融合不同视图之间信息的问题,提出了一种多视图聚类算法。采用谱聚类中的归一化割算法,得到每个单视图的嵌入矩阵。通过最小化最终的全局图与各单视图之间的差距来学习最终的全局图。考虑到不同视图的重要性不同,使用了一种自加权的方式为每个视图添加权重。利用秩约束的方式控制全局图的连通分量个数。聚类结果可以从最终学习得到的全局图中直接得出,每个连通分量即为一个簇。通过在两个真实数据集上进行实验,对比该算法与其他类似算法在相同数据集上的聚类评价指标,得出该算法的聚类指标相比于对比算法有最大12%的提升。     

变压器油中溶解气体的在线监测系统研究

为了提高变压器油中溶解气体分析技术进行故障诊断的快捷性,文章开发了一套主要监测氢气H2和乙炔C2H2的在线监测系统。用Φ6管道通过变压器预留口采集绝缘油,再通过油气分离膜分离出气体。采用电化学传感器SGA-400进行气体数据采集,在现场检测装置上进行阈值判断,同时,通过RS485总线传至上位机,进一步诊断故障类型。系统装置结构简单,故障诊断及时,分辨率高。     

变压器油中溶解气体的分析与故障判断

变压器油和纤维绝缘材料在运行中受到水分、氧气、热量以及铜和铁等材料催化作用的影响而老化和分解，产生的气体大部分溶于油中，但产生气体的速率是相当缓慢的。当变压器内部存在初期故障或形成新的故障条件时，其产气速率和产气量则十分明显，绝大多数的初期缺陷都会出现早期迹象，因此，对变压器产生气体进行适当分析即能检测出故障。     

基于DGA与IGWO-WELM的变压器不平衡故障诊断研究

针对变压器故障诊断精度较低的问题,提出一种改进的灰狼算法（IGWO）与加权极限学习机（WELM）的变压器不平衡故障诊断模型。首先,基于油中气体分析（DGA）技术,结合无编码方法将变压器的7种特征量作为可视输入;然后,采用Logistic混沌映射、云模型惯性权重对灰狼算法（GWO）进行改进;最后利用IGWO对WELM的相关参数进行迭代优化,并利用IGWO-WELM故障诊断模型对变压器进行故障诊断。试验结果表明：提出模型的G-mean平均值为96.06%,比GWO-WELM、GA-WELM、PSO-WELM和WELM分别高10.96%、12.92%、1.08%和18.41%;误报率平均值为12.28%,也明显低于其他4种模型。     

基于边缘计算的变压器光声光谱故障诊断系统研究

变压器故障诊断的气相色谱法具有需要定期标定、操作繁琐、检测周期长等问题,而基于光声光谱检测传感器能够实现变压器油中溶解气体的非接触式测量,具有免标定、检测速度快、灵敏度高的特点。研制了光声光谱边缘检测装置,能够接入光声光谱检测传感器并在边缘侧运行基于SVM的变压器故障诊断算法,实现变压器的实时状态监测与故障诊断。构建了适用于变压器故障诊断的边云协同服务,并进行了应用验证。该系统提高了变压器故障诊断的智能化水平,提升了变压器运维的质量和效率,具有良好的推广和应用价值。     

基于人工免疫算法的变压器故障诊断

针对变压器故障各种诊断方法的优缺点,人工免疫作为一种新的有效故障诊断方法,因其自身的独有特性,可用于解决故障诊断中难以解决的一些特殊问题,为解决变压器故障诊断问题提供了新的思路。通过标准数据集对免疫网络的Matlab实验,表明该算法有较高的分类准确率。     

一种基于模糊逻辑的贝叶斯最优学习器

针对变压器故障信息中存在有不完整、不确定及模糊性的知识,提出一种基于模糊逻辑和贝叶斯最优分类器结合的模糊贝叶斯分类器。该方法首先利用观察信息的模糊隶属度函数建立贝叶斯最优分类器中假设的后验概率,进而计算各类故障信息分类的结果并进行加权平均后得到最佳的诊断结果。应用和研究表明该方法能解决贝叶斯分类器中模糊信息获取的“瓶颈”难题,具有很强的学习能力,是一种有效的变压器绝缘故障诊断方法。     

基于集成支持向量机的故障诊断方法研究

为了提高支持向量机的泛化能力,研究了Bagging集成学习方法对于支持向量机的提升作用,试验结果表明提升作用不明显。通过模拟数据扰动的方法,在标准数据集上通过试验定量比较了支持向量机和神经网络的稳定性,结果表明支持向量机相对于神经网络来说是一种稳定的分类器。在此基础上,提出了双重扰动法,即通过子空间法扰动数据特征,通过Bagging算法扰动数据分布,来达到提高基分类器之间差异性的目的,在标准数据集和故障诊断数据上进行了试验,试验结果表明,双重扰动法较好地提升了支持向量机的正确识别率。     

一种基于模糊聚类的故障诊断方法

电子设备的多个传感器实时反映了设备运行状态,对一种基于模糊聚类的电子设备故障诊断方法进行讨论,针对电子装备多个传感器状态信息采用模糊聚类的方法进行融合,进而提出了对于观测数据运用模糊聚类方法进行故障诊断,推理故障模式的方法。实例证明该模糊聚类方法成功地完成了某电子装备故障诊断的自动推理。该方法可以不依赖于被诊断系统的数学模型进行自适应诊断,实现故障诊断的智能化、自动化。     

水电仿真系统中厂用变压器模糊故障综合诊断

在总结领域专家经验基础上,采用模糊诊断方法,列出了仿真系统中变压器的征兆集和故障集,并根据征兆集和故障集的相互关系构建模糊诊断矩阵;通过模糊关系矩阵运算,提出最大隶属度原则判断变压器故障原因。测试和评价结果表明模糊诊断在仿真系统中的有效性和可行性。     

基于克隆聚类的特征提取与多传感器故障诊断

基于人工免疫理论中的克隆选择算法,结合聚类分析方法,提出了基于克隆选择聚类分析的故障特征提取方法。该方法通过删除对分类无关的特征以及压缩类间相关特征,得到最有利于分类的子特征集,提高了分类器的分类性能。并且该算法具有本质上的并行性、计算效率高和聚类能力强等优点。多传感器故障诊断的实验表明,经过克隆选择聚类分析提取的特征对发动机的故障具有更好的识别能力,为发动机的状态监测与故障诊断提供了依据。     

面向电力变压器故障集成诊断系统

针对变压器故障呈现的复杂性,提出建立一种面向电力变压器故障的集成诊断系统。整个系统诊断模块以集成诊断形式出现,利用决策融合网络将基于不同诊断机理与方法的诊断子模块进行融合,即是将油中溶解气体分析与常规电气试验的结论结合起来,并充分借鉴现场的运行、诊断和维修经验,因而具有较强的知识表示及不确定性处理能力。实验证明该系统提高了诊断确诊率,并给出系统诊断的实现过程。     

模拟电路故障诊断的双重扰动支持向量机集成方法

为进一步提高模拟电路故障诊断准确率,提出一种特征和模型参数双重扰动的集成支持向量机新算法.首先在集合覆盖思想下设计基于混沌蚁群算法的属性约简算法将特征样本空间划分成若干子空间,然后针对每个子空间,在"低偏差区域"内进行模型参数扰动,经过两次多数投票法得到最终集成结果.故障诊断实例表明,该方法比多分类支持向量机、Attribute Bagging(AB)算法、Bagging方法等具有更好的故障诊断率.