基于核主元约简与半监督核模糊聚类的车辆行驶工况判别

为有效利用汽车行驶工况中与类别属性间的统计特征,提高汽车行驶工况判别的准确性与快速性,首先选择车速和踏板信号的数据信息构建特征集,利用相关性分析和核主元分析对特征集中能敏感反映工况类别的特征数据信息进行二次特征提取,按累计贡献率大于90%的标准进行主要特征量的选择,实现输入变量的二次约简;利用小波核函数的非线性映射能力构建半监督核模糊C均值聚类方法进行车辆行驶工况的判别。通过长春某混合动力公交车试验结果表明,该方法更全面准确地反映了工况特性,有效降低了输入特征参数的维数,更加准确有效地提取了不同工况条件下汽车行驶状态的数据特征,通过半监督核模糊C均值聚类算法中加入少量的训练样本来引导聚类过程,聚类精度可达到98.75%。     

基于谱聚类的振动多模态信号幅谱分割研究与应用

在强噪声下频域的模态峰往往受到强烈的干扰,导致模态参数的提取精度下降,甚至产生模态主频误判。针对这种情形,采用谱聚类算法对振动频谱进行宏观聚类,提出了一种新的幅谱分割方法。按照波峰概念把振动信号幅谱分割成波峰的集合,把每个波峰看成一个待聚类的样本,构建波峰相似度函数、拉普拉斯矩阵和聚类算法,引入谱聚类算法进行波峰自动聚类,聚类的结果就是宏观上的单模态大峰。仿真试验表明,这种幅谱波峰分割的谱聚类算法能够减小噪声和虚假模态的影响,与已有的k-means聚类算法相比,具有更强的噪声抵抗能力和更好的聚类能力。通过对斜拉索振动进行模态测试,证实该算法能够得到符合肉眼观察的幅谱分割效果,且具有较好的稳定性和准确性。     

基于核模糊相似度度量的谱聚类算法

相似性度量的选择是谱聚类算法良好性能实现的关键。通常采用的谱聚类相似性的度量是基于高斯核函数的相似性度量。然而,谱聚类对这种相似度度量中的尺度参数非常敏感,并且确定一个合适的参数也很困难。另外,基于欧几里得的这种高斯核相似度度量无法有效反映复杂分布数据集的分布特点。针对此问题,通过利用基于核模糊C均值聚类算法得到的划分矩阵中隶属度的分布特点,提出了一个新的核模糊相似度度量,并将基于所提出的新的相似度度量的谱聚类算法(KFSC)应用于图像分割中。所提出的KFSC算法不仅克服了谱聚类对尺度参数敏感,而且解决了尺度参数很难确定的问题,获得更好的聚类效果。3个标准数据集、2个合成纹理图像及2个自然图像上的分割实验表明了所提出算法的有效性和鲁棒性。     

基于小波矩和模糊核聚类的示功图诊断方法研究

提出了基于小波矩特征和模糊核聚类算法的示功图故障诊断方法.通过边缘检测和形态学细化的方法完成示功图的图像分割,采用极坐标下小波不变矩算法提取示功图的形状特征,通过参数选择确定12个小波矩特征量,将特征量输入到模糊核聚类分类器中进行故障类型的分类识别,得到了良好的实验效果,验证了该算法对于示功图故障诊断的有效性.     

基于时间特征分割和降维谱聚类的液压系统内泄漏故障诊断

针对数据量较小情况下的液压系统内泄漏的故障诊断问题,提出基于时间特征分割和降维谱聚类的故障诊断方法。使用db4小波对液压压力信号进行间断点检测,分割出高压平稳段的时域信号并提取其时域和小波域特征,然后通过主成分分析的方式提取有效特征剔除分敏感特征,最后使用谱聚类对泄漏的严重程度进行诊断。分别在液压缸、液压泵和换向阀上进行泄漏试验并进行故障诊断,与K均值聚类、密度聚类以及流形降维后谱聚类等多种方法进行对比,表明使用主成分分析加谱聚类的方式可以有效提取压力信号的敏感特征,具有更高的诊断准确率和稳定性。     

混合聚类新算法及其在故障诊断中的应用

针对模糊C-均值(FCM)聚类算法假设各维特征和每个样本对聚类贡献相同,同时需要预先设定聚类数的不足,利用3层前馈神经网络、点密度函数算法和聚类有效性指标对其进行改进,提出一种新的混合聚类算法。该算法考虑到不同特征和不同样本对聚类结果有不同程度的影响,并根据聚类有效性指标的变化自适应确定聚类数来实现聚类。利用基于梯度下降的3层前馈神经网络通过无监督训练来自适应学习特征权值,使用基于点密度函数的算法获取样本权值,给不同特征和不同样本赋予权重,突出敏感特征和典型样本的主导作用,抑制其他特征和样本对聚类的干扰,以提高聚类性能。研究结果表明,对于国际标准测试数据和某机车轴承的早期故障诊断,该混合聚类算法不但能自动确定聚类数,而且聚类的准确性明显比FCM高。     

基于谱聚类和隐语义模型的智能协同推荐方法

随着云计算及移动互联网技术的迅速发展,网络中可选服务信息呈爆炸性增长,信息过载问题日益严重.针对推荐系统中存在的数据稀疏性问题及冷启动问题,提出一种基于谱聚类和隐语义模型的智能协同推荐方法.该方法基于提取的用户标签特征信息,利用谱聚类算法对相似用户进行聚类,将原始高维评分矩阵转化为多个较低维的子评分矩阵.然后在子评分矩阵中利用隐语义模型对缺失评分进行局部预测.最后在获得缺失评分后利用改进的基于邻域的协同推荐算法对目标用户进行全局评分预测.所提算法有效解决了数据稀疏性问题和冷启动问题,在提高预测准确度的同时加快了推荐算法效率.     

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。     

基于多层聚类的自适应人群分群检测算法

在群体检测的仿真研究中,针对群体运动的特征,提出一种通过多层聚类的自适应分群检测算法。首先,在获得检测视频的前景区域后提取KLT特征点;再通过分析特征点的运动特征,分别以特征点的距离和加速度方向为多层聚类的输入;最后,引入聚类中心的社会力模型以消除多层聚类出现的分类误差。实验结果显示,相比于其他分群检测算法,所提算法降低了特征点的错误率,同时提高了分群数量的准确度。     

基于视觉的车位线识别算法

提出了一种自动泊车系统中采用视觉方法通过识别车位线来确定泊车位的算法。采用金字塔分层搜索策略,首先,在灰度直方图上应用K均值聚类法对图像进行二值化,提取车位线骨架,采用Hough变换检测骨架,并利用基于密度的无参数聚类方法对骨架线聚类,在金字塔高层图像上确定车位角点候选点;然后,在金字塔最底层图像上选择感兴趣区域,采用改进的基于距离变换的骨架提取算法提取骨架,使用遗传算法对车位角点骨架进行精确匹配,根据实际车位角点的分布特征确定目标车位;最后,在室外不同环境下采集多张车位图片进行算法的有效性和快速性验证实验。实验结果表明,采用基于视觉的车位线识别算法进行车位检测能较大地提高检测的效率和识别正确率。     

基于异向性磁阻传感器的车辆检测与车型分类

根据行驶车辆对地磁场的扰动效应,采用三轴异向性磁阻传感器HMC58831设计了一种车辆检测与车型分类系统,通过软硬件相结合的方法克服了磁阻传感器输出信号基准值漂移对车辆检测的影响,针对车辆首尾相接与大型车辆的检测矛盾,提出了一种基于方差的多状态机自适应阈值车辆检测算法,并在检测出车辆的基础上,利用磁阻传感器三轴磁场信息提取车辆信号特征,选择算法复杂性低、分类能力强的BP神经网络对城市道路车辆进行分类,实际测试结果表明,本文车辆检测与分类算法测量精度高、鲁棒性强,可靠性及冗余度好.     

大规模数据集谱聚类并行优化算法

为解决传统谱聚类算法在应用于大规模数据上时,复杂度较高且资源占用较大,导致算法聚类效果不好甚至无法聚类的问题,提出基于并行框架和采样相结合的改进谱聚类算法,算法在自适应相似矩阵计算基础上,通过数据分块和单向节点并行,提高算法相似矩阵的计算效率,通过Nystr(o)m加权抽样逼近,减少拉普拉斯矩阵特征向量的计算复杂度,最后通过KD树结构避免k-mean聚类过程的距离计算,从而提高了聚类效率.仿真实验结果表明,文中算法在取得与传统算法相近的聚类性能的同时,取得更好的加速比,验证了算法对大规模集的良好适应性.     

多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型。提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路。最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比。试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的。     

基于半监督谱核聚类的转子系统故障诊断

针对机械系统故障诊断中对先验知识利用不足和在高维特征空间中诊断难的问题,提出了一种基于成对约束和通过约束准则构造核函数的半监督谱核聚类方法。首先,在训练集中利用先验知识建立约束点对,即属于同一聚类的must-link点对和不属于同一聚类的cannot-link点对;其次,通过样本连接图的结构信息和约束点对信息设计核函数,计算出投影矩阵;最后,在投影空间中使用k-means算法聚类。测试集的每个样本点找到在对应训练集中k个近邻样本的投影值,计算局部投影矩阵,从而可以在线计算出每个新来样本的投影值。实验表明,该算法较相关比对算法聚类准确率更高,可以满足转子系统故障诊断的实际需要。     

基于水平特征的车辆检测与跟踪

利用加权平均滤波算法对图像进行了滤波处理,去除部分噪声,利用Sobel算子的水平算子对图像的水平边缘进行增强处理,利用最大类间方差法对边缘增强后的图像进行图像分割;提出了利用车辆的水平特征中的列直方图和行直方图对车辆进行检测,根据检测结果得出该方法检测效果良好,即使是复杂环境下的车辆也能得到有效的识别,且对货车的识别效果良好;最后,利用限定感兴趣区域法对车辆进行跟踪,验证了识别方法与跟踪方法的有效性。     

抽样改进加权核大数据谱聚类算法

经典谱聚类算法将数据聚类转为图划分问题,在分析其Normalized Cut函数与传统加权核k-means等价基础上,设计了一种基于抽样改进加权核k-means算法的大规模数据集谱聚类算法,算法通过加权核k-means迭代优化避免Laplacian矩阵特征分解的大量资源占用,通过随机映射得到近似奇异值分解,并由近似奇异向量确定各点数据权重及抽样概率,以此得到快速合理抽样,通过数据抽样并将聚类中心约束到抽样点生成的子空间中,避免全部核矩阵的使用,从而降低经典算法的时间空间复杂度。实验结果表明,改进算法在保持与经典算法相近精度基础上,大幅提高了聚类效率,实验验证了改进算法的有效性。     

多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型.提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路.最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比.试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的.     

机械故障的稀疏流形聚类与嵌入诊断方法

传统流形学习算法中邻域尺寸是固定的,在故障诊断中并不恰当。本文中提出了一种基于新型流形学习算法稀疏流形聚类与嵌入(SMCE)的机械故障诊断方法来解决这个问题。SMCE通过求解稀疏优化问题自动确定邻域的大小,将传统流形学习中邻域尺寸选择变为优化问题的惩罚系数选择,进而从高维非线性观测数据中提取流形结构。利用SMCE从轴承和齿轮振动信号中提取特征进行诊断,实验表明,所提方法可以较好的提取故障信号内在的几何结构,应用无监督的谱聚类和有监督的支持向量机进行诊断准确率均高于98%。     

基于聚类离群因子和相互密度的离群点检测算法

针对大多基于聚类的离群点检测算法往往需要人工输入参数,对于不同的数据集很难选择一个合适参数的问题,将无参数的基于自然邻居的离群点检测算法的自然邻居搜索算法和密度峰值聚类算法相结合,提出一种基于聚类离群因子和相互密度的离群点检测算法。该算法使用相互密度和γ密度构造决策图,将γ密度异常大的样本点作为聚类中心进行聚类,最后根据聚类的离群因子找出离群聚类边界检测离群点,该算法不需要人工输入参数。在模拟数据集和真实数据集下进行了实验,证明了所提算法能很好地进行聚类和离群数据的挖掘。     

模糊聚类下气动阀门粘滞检测方法的改进

在工业过程控制中,气动阀门的粘滞非线性特性会导致控制回路性能下降甚至振荡。针对已有基于模糊聚类的阀门粘滞检测方法在故障检测过程中容易出现错误诊断问题,提出了改进方法,能有效识别外部干扰和阀门粘滞。首先利用模糊聚类算法对回路日常运行数据进行聚类分析得到聚类中心,根据粘滞阀门输入输出数据的分布特性,评价聚类中心的线性拟合度。然后对聚类中心所构成四边形进行凹凸性识别,再根据聚类中心的分布特征定义了一种新粘滞指标。通过给出的仿真实验,以及化工厂的两个流量控制回路故障检测实验,验证了所提方法的有效性和准确性。