基于近邻传播聚类的卫星典型构件典型工艺过程发现

针对卫星典型构件在工艺设计过程中重复性工作繁多、大量历史工艺数据未得到充分利用的问题,进行了典型工艺过程发现的研究,以提高典型工艺过程的利用率,达到提高工艺设计效率的目的。对典型工艺过程的发现问题进行了描述,建立了工艺过程的属性有向图模型,通过工艺单元的相似性度量和工艺路线的相似性度量得到了工艺过程的相似性;基于工艺过程的相似性,通过近邻传播算法对工艺过程进行聚类分析,并根据Silhouette指标和IGP指标对聚类结果进行评价分析,得到有效聚类结果和最佳聚类数目。以卫星结构板的机加工艺为例,验证了算法的有效性,并获得了卫星结构板的5类典型机加工艺过程。     

基于多模型长短时记忆神经网络的电力负荷预测方法研究

提出了一种基于多模型长短时记忆神经网络(LSTM)的电力负荷预测方法,该方法通过对历史电力负荷日曲线进行密度聚类,根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器,进而分类训练神经网络预测的输入,采用长短时记忆神经的深层网络对所述历史时刻的电力负荷数据和日期特征因素进行训练建模,以训练生成深度神经网络负荷预测模型。通过算例仿真,发现该方法相比于典型方法,能够精确预测出对应日期的用电负荷,提升预测效果,同时缩短网络训练时间,提升程序运行速度。     

自适应聚类结合迭代拟合的多圆检测算法

本文提出了一种自适应聚类结合迭代拟合新的多圆检测算法.使用自适应聚类结合迭代拟合的检测方法增强了算法鲁棒性而且避免边缘曲线连接性的要求,因此本文提出的算法对部分圆以及非连续曲线圆都具有较好的检测效果.自适应聚类操作考虑多点的分布,提高算法速度的同时避免了虚假检测的存在.最后给出的不同方法实验结果性能比较表明本文提出的算法是合理高效的,在计算机视觉领域具有一定的应用前景.     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

基于县域经济发展的电力负荷预测方法

县域电力需求与县域经济的发展密切相关。为了能够客观、全面、科学地对县域电力需求进行预测,提出了一种基于县域经济发展的电力负荷预测方法。所提方法首先采用因子分析法和聚类分析法,对县域经济进行分类和发展预测,然后基于县域经济发展指标采用线性回归方程预测电力电量。以湖北省73个典型县为应用实例,采用历史数据对所提方法的正确性进行了验证,并给出了未来典型年份的县域电力负荷的预测结果。     

基于改进k-means算法的有源配电网网格化规划方法

针对高渗透光伏大规模接入配电网可能引发电压越限和配电网峰谷差大等问题，提出一种考虑负荷互补特性的有源配电网网格划分方法。首先，分析各类配电网网格化规划方案和负荷峰谷互补特性；然后，以网格化规划后子网格负荷曲线与总负荷曲线的形状相似度最高为目标，充分考虑配电网运行约束条件，以改进k-means聚类算法为基础构建网格划分方案，并根据评价指标对划分结果进行评估；最后，以江苏省某县级市城区为例，验证所提网格划分方案的可行性和有效性。     

基于EEMD的样本熵的滚动轴承AP聚类故障诊断

针对滚动轴承聚类故障诊断需要事先确定聚类数目问题,提出了一种基于总体均值经验模式分解(EEMD)样本熵(SE)的相似近邻传播(AP)聚类故障诊断模型,该模型首先用EEMD方法将滚动轴承振动信号分解为一系列的内禀模式函数(IMFs),其次使用相关系数法确定IMF个数,然后使用SE计算其熵值,最后选择第1~3个IMF-SE值作为AP聚类算法的输入。实验结果表明:在没有预先划分聚类数目的情况下,AP聚类方法对滚动轴承的故障诊断效果较好。     

基于聚类算法在车辆检测中特征选择的应用技术研究

随着传感技术和智能交通的快速发展,利用机器学习、人工智能的先进算法对高速公路的车辆通过视频采集进行车辆检测的应用成为研究的热点,通过利用谱聚类算法对车辆检测进行特征选择,探讨了谱聚类算法与K-means聚类算法和LSVM聚类算法的区别,并通过实验数据进行了对比分析。经实践证明,该方法在车辆检测中特征选择时具有较好的效果,能满足实际的要求。     

应用颜色聚类图像块的多舰船显著性检测

由于多舰船目标显著性检测过程容易将边界像素作为背景处理,本文提出了应用颜色聚类图像块的多舰船显著性检测方法。该方法首先检测邻域像素是否具有颜色相似性,并将临近的具有相似颜色的像素聚集在一起作为一个图像块。接着,对获得的图像块进行扩展,使图像块包含很多其他图像块的像素以提高图像块内像素间的对比强度;对边缘像素进行背景索引标记,计算图像块中像素的显著性强度,采用阈值分割方法获得目标显著性区域。最后,基于颜色聚类的图像块存在部分重叠的特点,利用权值对存在叠加的显著性图像进行融合,从而获得多舰船目标整幅图像的显著性检测结果。对获得的多舰船目标图像进行了实验测试,并对本文算法结果和当前比较先进的其它显著性检测算法进行了效果对比。结果显示:提出的利用颜色聚类图像块的舰船显著性检测方法的查全率达到78%以上,准确率达到92%以上,综合评价指标Fβ≥0.7;无论考虑单个指标还是整体指标,本文算法均优于其他对比算法。     

基于动态聚类的电力变压器故障诊断

本文提出了一种新电力变压器故障诊断的动态聚类方法，以人工免疫网络对故障样本进行免疫学习和记忆，提取表征故障样本的有用特征作为核可能性聚类算法的初始聚类中心，再用遗传算法动态选取聚类个数和中心实现故障样本的分类。该诊断方法经大量实例分析，并将其结果与BP神经网络等方法的结果相比，表明该算法具有较高的诊断精度。     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点.     

基于融合评价指标的k-means聚类算法的地铁车轮踏面磨耗分析

采用聚类思想对某地铁线路大量车轮踏面磨耗数据进行特征提取，对其磨耗特征进一步分析，针对聚类参数转换方法对不同聚类效果评价指标造成的影响开展研究，提出基于融合评价指标的k-means均值聚类方法，解决利用聚类模型确定聚类数时，主观因素对聚类效果的干扰。结果表明：以轮缘厚度、轮缘高度及轮缘综合值作为聚类特征，以融合评价指标作为最佳聚类数的选择依据，采用相应聚类特征参数的方差对其加权方法进行聚类特征变换，能得到较好的聚类效果；将地铁车轮踏面聚成5类，采用均值的方法划分出5类典型磨耗廓形，并基于不同时间节点的车轮外形数据进行计算分析，进一步验证了该聚类方法的有效性，为地铁车轮踏面经济镟修策略提供了参考。     

一种优化的K-means聚类中心算法研究

传统的K-means算法对初始聚类中心敏感,不同的初始输入随目标准则函数进行不同次数的迭代,聚类结果波动大,容易陷入局部最优.针对K-means存在的问题,本文提出以簇内相似度最高的具有高密度分布的点为初始聚类中心的算法,通过聚类评价函数提高其聚类质量.用标准的UCI数据库进行实验,结果表明,在聚类K值给定的情况下,改进后的方法较传统K-means方法具有更好的聚类效果,其准确率与稳定性得到改善.     

结合密度峰聚类的K均值图像分割算法

针对K均值聚类算法在图像分割应用中的不足,结合密度峰聚类算法对原有算法进行改进,得到了一种图像分割效果较好的改进K均值算法。K均值算法需要人工指定聚类中心数目,并且聚类中心的随机初始化对最终的图像分割结果有很大影响。针对以上缺点,对K均值算法进行改进,通过密度峰聚类算法自动确定了图像分割的聚类中心数目和较为准确的初始聚类中心。为了衡量色差在人眼中的感知情况,在算法中引入了NBS距离作为距离测度。实验结果表明,改进后的图像分割算法在分割图像时具有稳定的性能和较好的效果。     

基于无线充电的Sink轨迹固定WSN路由算法

利用无线充电技术给节点供电已经成为延长无线传感器网络寿命的一种有效方式。针对Sink节点轨迹固定的无线传感器网络,采用移动Sink无线充电,提出一种基于近邻传播聚类的能量均衡无线充电路由算法。该算法采用近邻传播聚类算法对节点进行分簇,使得分簇更加均匀,分簇后簇结构不变,簇头轮换,减少频繁成簇带来的不必要能量开销。数据传输阶段在簇头之间建立层次树优化传播路径,计算权值时考虑中继节点的剩余能量,均衡簇间能量;Sink节点采集数据的同时,对充电范围内的可充电节点进行无线供电,以填补Sink节点轨迹周围的能量空洞。仿真结果表明,与传统分簇算法相比,该算法更为有效地延长了网络的生命周期。     

基于网格空间规划的配电网时空负荷自动预测计算方法

配电网时空负荷自动预测过程中,内部与外部因素影响负荷属性提取结果,导致预测方法存在数据偏移问题,研究基于网格空间规划的配电网时空负荷自动预测计算方法。该方法采用核密度优选法,提取负荷时间属性;根据负荷供电半径与电压电流之间的关系,提取负荷空间属性;利用K-means聚类算法多级聚类时空负荷,自动规划网格空间;通过概率模型计算用电,调整网格空间的预测区间。实验结果表明:通过三级聚类得到的网格空间中,平均绝对百分比误差不足6%的数据比例不足2%,说明网格空间规划结果可信。根据精度评价结果可知,该方法的预测区间覆盖概率增加时,网格空间预测宽度随之增加,面对95%以上的置信度时,本文方法的覆盖密度能保持在1.5以上,有较好的预测效果。     

基于聚类与 ANFIS 的磨削工艺环境影响评价方法

针对磨削加工环境影响的客观评价问题,提出一种具有自我学习能力的综合评价方法。首先采用减法聚类初始聚类中心并确定聚类数,然后建立基于自适应神经模糊推理的评价模型,并应用模糊C均值与最小均方的混合算法对评价模型的参数进行优化修正。最后以凸轮轴工件的磨削加工为例,通过仿真试验进行检测,结果表明该方法具有良好的有效性和实用性。     

基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。     

基于群智能加权核聚类的水电机组故障诊断

针对核聚类中核参数选择依赖经验,最优聚类中心难以有效获取的问题,提出了一种仿电磁蜂群加权核聚类算法。首先,考虑不同特征对聚类结果的影响,对样本进行加权处理,利用核空间的Xie-Beni指标建立加权核聚类模型;然后,提出并引入仿电磁蜂群算法求解聚类模型,实现聚类中心、特征权重与核参数的同步寻优。利用该方法分别对3组标准测试样本集以及水电机组故障样本进行聚类测试,并与传统方法进行对比分析。试验结果表明,提出的仿电磁蜂群加权核聚类算法较传统聚类方法具有更高的精度,能够有效实现水电机组振动故障的准确聚类与识别,完成故障诊断。     

基于RBF网络的电力市场清算电价预测

采用RBF网络模型对电力市场中的清算电价进行预测，聚类算法采用改进的模糊C均值聚类，减小了野值对输出结果的影响，隐层的输出采用聚类结果的隶属度函数，省掉了对径向基函数宽度的计算。通过美国加州电力市场公布的历史数据对该模型进行验证，结果表明该模型应用于电价预测具有较高的预测精度，并且具有训练速度快、不存在局部极小和过拟合等优点。