针对细微特征进行K-means聚类的电台分选识别技术

现代战场中的无线通信设备日益增多，精准获取个体信息已成为研究热点，但也是难点。针对通信电台，提出了一种分选识别技术。该技术从电台物理层特性出发，对其辐射信号的细微特征进行K-means聚类以实现分选，分选的同时提取各个个体的特征属性值，未知信号通过与特征属性值相关运算实现个体识别。该技术无需先验知识，无需训练运算，通过实验验证，其可行、高效，易于工程实现。     

基于K-means和SOM的水下传感器数据采集方法

随着海洋资源勘探和海洋污染物监控工作的开展，水文数据的监测和采集等已经成为重要的研究方向。其中，水下无线传感器网络在水文数据采集过程中起着举足轻重的作用。本文研究的是水下无线传感器二维监测网络模型中，传感器节点数据采集的问题，其设计方法是通过自组织映射（Self-organizing mapping，SOM）对传感器节点进行路径最优化处理，结合优化的路径图形和K-means算法找到路径内部聚合点，利用聚合点和传感器的节点得到传感器通信半径内的数据采集点，最后通过SOM得到水下机器人（Autonomous underwater vehicle，AUV）到各个数据采集点采集数据的最优路径。经过实验验证，在水下1 200 m×1 750 m范围内布置52个传感器节点的情景下，数据采集点相比于传感器节点路径规划采用相同的采集顺序得到的路径优化了6.7%；对数据采集点重新进行自组织路径规划得到的路径比传感器结点路径的最优解提高了12.2%。增加传感器节点的数量，其结果也大致相同，因此采用该方法可以提高水下机器人采集数据的效率。     

SDN中基于KMOBPSO的高可靠性控制器部署算法

针对SDN中控制器系统的单节点故障问题,兼顾系统成本和系统时延,应用N+1冗余备份模型来提高SDN控制器部署的可靠性,并将其抽象为多目标优化问题.同时,提出了一种融合K-means聚类算法和遗传算子的多目标二进制粒子群算法——KMOBPSO算法,以求解SDN控制器高可靠性部署问题的解.仿真结果表明,所提算法具有求解精度高、分布均匀、沿Pareto前沿面覆盖广的特点,能够显著提高SDN中控制器部署的可靠性.     

结合优化支持向量机与K-means++的工控系统入侵检测方法

针对工业控制系统传统单一检测算法模型对不同攻击类型检测率和检测速度不佳的问题，提出一种优化支持向量机和K-means++算法结合的入侵检测模型。首先利用主成分分析法（PCA）对原始数据集进行预处理，消除其相关性；其次在粒子群优化（PSO）算法的基础上加入自适应变异过程避免在训练的过程中陷入局部最优解；然后利用自适应变异粒子群优化（AMPSO）算法优化支持向量机的核函数和惩罚参数；最后利用密度中心法改进K-means算法与优化后的支持向量机组合成入侵检测模型，从而实现工业控制系统的异常检测。实验结果表明，所提方法在检测速度和对各类攻击的检测率上得到明显提升。     

Cluster analysis in industrial market segmentation through artificial neural network

Market segmentation has commonly applied cluster analysis. This study intends to make the comparison of conventional two-stage method with proposed two-stage method through the simulated data. The proposed two-stage method is the combination of self-organizing feature maps and K-means method. The simulation results show that the proposed scheme is better than the conventional two-stage method based on the rate of misclassification.     

结晶器电偶温度数据预处理方法的研究

提出了一套热电偶温度数据预处理方案。将所提出的数据预处理方案应用于自行开发的基于RBF神经网络预报系统中，表明了该方案能有效降低误报率，同时也提高了预报精度。     

基于可拓距K-均值聚类和正弦微分进化算法的风储联合系统优化配置

以最大化风储联合投资商的收益和风电就地消纳率为目标,考虑源网荷协同优化和需求响应构建了风储联合系统的多目标优化配置模型;采用可拓距K-均值聚类算法对分布式风电出力和负荷需求的不确定性进行多场景分析,以实现更为准确而均衡的场景缩减;通过引入多核并行运行环境与正弦函数的思想,提出基于并行多目标正弦微分进化算法对优化配置模型进行高效求解;以IEEE 33节点配电系统为算例进行风储联合系统的优化配置,仿真结果验证了所建模型的有效性和优越性.     

一种用于解调失真QAM信号的改进K-means聚类算法

在短距离无线通信中,无线节点或移动终端通常有低成本、小体积、低功耗的要求,因此无法使用复杂的预失真或补偿电路克服功放的非线性影响,这是无线节点或移动终端在上行链路中难以使用高阶QAM调制的重要原因之一。基于QAM矩形星座的特点,提出了一种K-means聚类的改进算法作为中央基站节点的高阶QAM解调算法。在发送信号受到较严重的功放非线性失真时,所提改进算法解调性能更优,算法复杂度更低。     

基于交叉突变算子的人工蜂群算法及其应用

人工蜂群（artificial bee colony,ABC）算法在解决多峰函数优化问题时经常会陷入局部最优,使得算法过早停滞,而在解决单峰问题时往往出现收敛速度过慢的问题。针对上述不足,为了进一步提高算法的优化性能,提出了一种基于交叉突变的人工蜂群（intersect mutation ABC,IMABC）算法。IMABC算法将整个蜂群依据其适应度值优劣进行划分,引入种群划分参数,对不同种群中的个体运用交叉突变算子,有效地平衡了种群的局部开采与全局探测能力,避免早熟收敛和提高收敛速度。从对基本函数的测试上可以看出,IMABC相对于GABC、IABC、ABC/best等改进的ABC算法,优化能力有了较大的提高。最后,将IMABC用于优化K-means算法,验证了该方法具有一定的实用性。     

基于改进的简化粒子群聚类算法

针对粒子群算法后期收敛速度慢、易陷入局部极值的缺点,提出一种基于粒密度和最大距离积法的简 化粒子群聚类算法.通过采用线性递减与随机分布相结合的惯性权重策略、添加极值扰动算子、优化粒子个体最优位置,使粒子群算法能够快速收敛于全局最优.再把改进后的粒子群算法与K-means算法相结合,解决K-means算法因随机初始聚类中心而导致聚类效果差、不稳定等问题.通过实验分析,该算法的聚类结果准确率更高、收敛速度更快、稳定性更强.