Classification of above burden profile using SOM and k-means

Abstract

Blast furnace operators mostly depend on the measurements taken from the inputs and outputs in the control of the process to interpret the information available for vertical and radial distribution of variables, such as, heat load on the boundary and the distribution of the gas across the section of the furnace. Gas distribution inside the furnace is largely dependent on the distribution of the burden inside the furnace and its estimation is a challenge to the blast furnace operators. However, the measurement from the above burden probes gives some insight to the radial gas distribution in the shaft. Design of methods for automatic classification of above burden probe (ABP) profile is thus warranted. The self-organising map (SOM) is an excellent tool in the exploratory phase of data mining. It projects input space on prototypes of a low dimensional regular grid that can be effectively utilised to visualise and explore properties of the data. When the number of SOM units is large, to facilitate quantitative analysis of the map and the data, similar units need to be grouped, i.e. clustered. In the present investigation, a model for classification, visualisation and interpretation of ABP profiles has been developed by two stage procedure, i.e. SOM followed by k-means clustering. This classifier has the potential to be a useful tool for operator guidance in daily practice.     

聚类后的关联规则快速更新算法研究*

关联规则和聚类分析是数据挖掘中重要的研究课题。通过对关联规则挖掘算法Apriori算法进行分析与研究,指出了其在实用中存在的两个主要问题。鉴于此,在分析聚类分析和关联规则两种挖掘算法的基础上,讨论了将这两种独立的挖掘方法集成起来的联合挖掘,使其可以有效地压缩数据规模。给出了聚类后的关联规则快速更新算法描述。实验结果表明,算法性能优良,提高了数据挖掘执行效率。     

文本聚类算法的分析与比较

聚类是一种重要的数据挖掘形式。介绍了常用的文本聚类算法 ,从各种聚类算法的适用范围、初始参数的影响、终止条件以及对噪声的敏感性等方面对其进行了分析比较。对聚类算法的应用有一定的指导意义     

基于数据挖掘的电动汽车用户细分及价值评价方法

用户细分可以掌握不同电动汽车用户充电行为的特征及其之间的差异性,对充电服务运营企业具有重要意义。基于运营管理系统迅速积累的大量充电服务数据,对全量数据进行探索性分析,筛选出细分模型关键变量,给出了基于数据挖掘技术和K均值(K_MEANS)聚类算法的电动汽车用户细分方法,提出了电动汽车用户价值评价方法。针对北京地区电动汽车用户开展分析并得到用户行为特征及价值评价结果。相关结论可为运维管理机制优化和精准营销策略制定提供数据支撑。     

基于划分的文本聚类算法在标准文献中的试验与对比研究

本文分析了文本聚类的概念和分类,然后着重描述基于划分的文本聚类方法并描述其算法核心,将其在应用标准文献题录数据中进行聚类试验,并分析最终的试验结果,得出结论。     

基于K-MEANS聚类的分支定界算法在网络异常检测中的应用

网络异常检测技术是入侵检测领域研究的热点之一。在异常检测中,针对其存在的对训练集中关键数据的 选取不准确、选取过程耗时较长、检测的误报率过高等问题,结合经典的K-MEANS算法和分支定界算法,建立起一 种网络异常检测模型,以有效地提高在大量训练集中选取关键数据的准确率,同时降低数据选取的时耗。通过大量基 于著名的KDD Cup 1999数据集的实验,表明此模型能够达到较高的检则准确性,并能有效地控制检测错误报警的发 生。     

数据挖掘技术在入侵检测系统中的应用研究

随着以太网的快速发展,基于网络的攻击方式越来越多,传统的入侵检测系统越来越难以应付;将数据挖掘技术引入到入侵检测系统中来,分析网络中各种行为记录中潜在的攻击信息,自动辨别出网络入侵的模式,从而提高系统的检测效率;将K- MEANS算法及DBSCAN算法相综合,应用到入侵检测系统,并针对K- MEANS算法的一些不足进行了改进,提出了通过信息嫡理论的使用解决K- MEANS算法选择初始簇中心问题,然后利用其分类结果完善DBSCAN算法两个关键参数(Eps,Minpts)的设置,通过DB-SCAN算法,进一步地分析可疑的异常聚类,提高聚类的准确度.     

广东电网负荷特性

针对负荷增长和产业结构调整对电网负荷特性产生的影响,根据2008-2013年广东电网及各地市的负荷数据和气象信息,从年、月、日三个时间维度,构建了省、地负荷特性分析指标体系,对广东电网负荷特性进行了分析。基于负荷特性和气象条件,采用 K-MEANS 算法对广东省各地市进行聚类分析,并以广州为例,分析了典型地市的负荷特性。     

基于聚类算法的视频内容识别研究

本文研究了视频网站内容监播、监控的规律,并且依据新的规律改进了现有的K-MEANS聚类算法。受互视频内容数据非结构化因素的影响,K-MEANS聚类算法进行聚类识别和计算效率上存在明显的缺陷。K-MEANS聚类改进算法的优势在考虑到了视频帧序列关系,并保持了可接受的检索速度。     

基于聚类算法的内容识别研究

随着互联网内容的快速增长,对于网络内容的快速识别压力越来越大。本文进行基于聚类算法的内容识别研 究,为维护网络安全、网络内容健康,具有非常重要的意义。目前的互联网内容识别方式主要以关键字检索方法进行识别,但 是面对日益丰富的网络内容和不同方式存储在服务器的内容,这种方式已经无法满足实际的需求。从实际问题出发针对互联 网内容中以图形、图像、音频等非结构化数据形式存储在服务器中的内容进行识别,依据互联网内容的发展规律对现有的聚类 算法进行改进,以求能够最大程度地对互联网内容进行筛选和甄别,维护互联网安全。