基于特征选择和改进K-均值聚类的异常用电行为检测算法

窃电等异常用电行为严重影响着电网系统的安全、可靠和稳定运行,传统异常用电检测方法存在模型复杂、准确率低等问题。提出了一种基于特征选择和改进K-均值聚类的异常用电检测算法,首先从用电量变化、线路损耗和电力参数三个维度提取15维特征构成特征向量,然后利用相关向量机(Relevance Vector Machine, RVM)进行特征选择,自动确定最优特征集合,最后提出一种基于信息增益的改进K-均值聚类算法对最优特征集合进行聚类分析,从而实现异常用电检测。基于爱尔兰智能电表公开数据集开展实验,结果表明,所提方法在精准率、召回率和ROC曲线AUC值三项指标方面均能获得良好的表现性能,明显优于传统方法。     

基于熵值法和DEA的电力监测异常数据自动识别算法研究

为了有效提高电力监测异常数据识别准确率，确保异常数据识别效果，提出了基于熵值法和DEA的电力监测异常数据自动识别算法。应用数据脱敏、数据填补、颠簸去除等方式处理电力监测异常数据，还原原始电力监测数据，提升脱敏后数据完整性，降低颠簸数据对电力监测异常数据精度的影响。以经过数据处理的电力监测异常数据为基础，通过熵值法确定目标的属性和权重作为度量标准，采用基于熵值法改进的最近邻聚类算法，实现数据聚类，以数据聚类结果为输入，构建DEA模型，实现电力监测异常数据自动识别。实验结果表明，该算法数据聚类后的平均检测率约为92%,异常数据识别正判率约为95%,误判率约为3.5%,可有效识别出异常月负荷曲线的异常数据点和不同负荷量的异常数据，且识别结果与实际负荷曲线的趋势一致，具有较好的识别效果。     

一种改进的RBF神经网络学习算法

提出一种基于减聚类、K-means算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法. 该算法首先使用减聚类确定隐层节点数和K-means初始聚类中心; 然后通过K-means算法求取RBF网络所有参数, 作为PSO的初始粒子群; 为了提高PSO算法的收敛性和稳定性, 对基本PSO算法进行了优化改进, 最后使用改进的PSO算法训练RBF神经网络中的所有参数. 对IRIS数据集分类识别的仿真结果表明, 改进的混合算法具有更高的分类准确率和更好的稳定性.     

一种优化的RBF神经网络在调制识别中的应用

提出了一种基于径向基函数 (RBF) 神经网络的通信信号调制识别方法, 该方法采用模糊 C-均值 (FCM) 聚类算法对数据进行聚类, 并获取基函数的参数, 采用梯度下降法训练网络权值. 利用最优停止法对网络进行了优化, 避免了过学习现象, 提高了 RBF 网络的训练速度和泛化能力, 以实际信号数据对该网络进行性能检验, 实验结果表明了该 RBF 网络具有较高的识别精度.     

改进的模糊聚类算法在入侵检测中的研究

模糊C均值聚类算法存在自身对初始化值敏感,及其目标函数是非凸的,容易陷入局部极值点而得不到最优解的问题。结合粒子群优化算法的全局快速搜索能力,改进了目标函数,提出了改进的模糊C均值聚类算法。通过理论分析及实验证明,该算法具有较好的全局最优解,有效地克服了传统模糊C聚类算法的缺点,在入侵检测中能获得满意的检测率和误报率。     

基于粒子群算法的RBF网络参数优化算法

针对神经网络的一些缺陷,研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于RBF神经网络的学习训练。提出了一种基于粒子群优化（PSO）算法的径向基（RBF）网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。     

无线局域网自动化接入过程安全监测方法

针对网络用户隐私信息泄露问题,提出基于K-means算法的无线局域网自动化接入过程安全监测方法。对难以识别的离散型数据预处理进行优化,通过函数计算确定新的聚类中心,以类内相似度距离最小和类间相似度距离最大为标准确定k值大小,完成基于K-means算法的WLAN安全监测模型的构建。模型通过K-means聚类算法训练数据建立数据库,利用直推式异常检测算法判断网络中数据是否存在异常,完成无线局域网自动化接入过程安全监测。仿真实验结果表明,所提方法监测准确率与监测效率都明显高于其他方法,提高了无线局域网使用的安全性能,实现安全监测工作的完善。     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

IWO-Kohonen聚类算法在IDS中的应用

针对Kohonen神经网络模型网络入侵聚类正确率较低的问题,将入侵杂草优化(IWO)算法与Kohonen神经网络相结合,提出IWO-Kohonen聚类算法。利用IWO算法优化Kohonen神经网络的初始权值,训练Kohonen神经网络模型得到最优值。使用IWO算法增强算法的搜索能力,提高聚类正确率,并加快算法的收敛速度。实验结果表明,该算法与模糊聚类算法和广义神经网络聚类算法相比,分类正确率较高;与蚂蚁聚类算法和模糊C均值聚类算法相比,网络入侵检测率较高,误报率较低。     

分布式新能源接入电网的电能质量异常监测方法研究

电网电能质量易受到分布式新能源接入电网的冲击。冲击会破坏电压数据的完整性从而无法确定监测阈值,导致监测时间长、准确率低。为此,对分布式新能源接入电网的电能质量异常监测方法进行了研究。构建最小二乘支持向量机模型,通过综合学习粒子群算法确定模型超参数,利用优化后模型填补电压信号缺失数据。采用小波变换提取电能质量数据分布特征,获取每层能量分布与标准信号能量分布的差值。引入樽海鞘群优化算法优化反向传播(BP)神经网络初始权值和监测阈值,将差值输入训练完成的BP神经网络中,实现电能质量异常监测。试验结果表明,所提方法的查准率和查全率在95%以上、训练时间和测试时间在15 ms左右。该方法可准确、高效地监测到异常数据,从而保证电网的稳定运行。     

基于遗传优化神经网络的电力潜在敏感用户画像聚类算法

为了解决电力潜在敏感用户画像聚类和识别结果准确度较低的问题,提出一种基于遗传优化神经网络的电力潜在敏感用户画像聚类算法。构建电力用户画像,精准刻画电力用户行为;选取电力用户画像的数值、时间、统计及聚类四种特征作为卷积神经网络模型的输入,识别电力潜在敏感用户画像;采用改进遗传算法优化卷积神经网络,使得识别结果更为精准。实验结果表明,该方法能够聚类、识别电力潜在敏感用户画像,且聚类和识别的性能及准确度较好。     

基于K-means聚类算法的章程文本数据安全智能检验分析系统设计

针对现有章程文本数据安全智能检验系统存在的检验精度低、运行性能差的问题,利用K-means聚类算法,从硬件和软件两个方面实现章程文本数据安全智能检验分析系统的优化设计。改装检验分析系统的安全通信网络和智能触摸屏显示单元,扩大系统存储器的存储空间,连接并调试系统的供电电路。在硬件系统的支持下,挖掘章程文本数据,利用K-means聚类算法处理章程文本数据,根据安全漏洞及攻击的智能检测结果,计算当前章程文本数据的风险值,进而得出最终的安全检验结果。经过系统测试实验得出结论：设计系统的平均误检率低于3%,且运行过程中占用的CPU与内存空间小于总运行空间的10%,检验分析的精度最高可达98.52%,即在检测精度和运行性能方面均满足设计要求。     

基于最优类中心扰动的萤火虫聚类算法

萤火虫算法FA是受自然界中萤火虫的发光特性以及通过发光交流信息的现象启发提出的一种新的群智能优化算法。在该算法中,萤火虫被吸引向亮度高的萤火虫移动,最亮的萤火虫随机移动,导致该算法聚类时存在收敛速度较慢、后期容易在最优值附近振荡、稳定性较差的问题。据此,对萤火虫的移动方式和随机扰动方式做了改进,提出了一种改进的萤火虫聚类算法——基于最优类中心扰动的萤火虫聚类算法。实验比较了步长因子的取值。UCI数据集的仿真结果表明,该聚类算法的聚类效果较好,能消除FA在最优值附近反复振荡的问题,算法的稳定性和收敛性明显提高。     

动态最近邻聚类算法的优化研究

针对最近邻聚类算法对聚类半径敏感、不易获得最优解的问题,提出了基于贝叶斯信息测度BIC(Bayesianinformationcriterion)的优化方法。通过DBSCAN算法对初始数据集进行预处理,去除噪声数据。在参数空间内逐步调整聚类半径,利用最近邻聚类算法对数据集进行聚类,并计算每次聚类结果的贝叶斯信息测度值。比较各次聚类结果的贝叶斯信息测度值,最大贝叶斯信息测度值对应的聚类即为最优聚类结果。实验结果表明,优化的最近邻聚类算法很好地解决了合适的聚类半径选取问题。     

修正核函数模糊聚类算法

应用核函数度量的紧致性和分离性,给出了一种新的聚类有效性指标KKW,由KKW指标得到最优聚类数并用于修正核函数模糊聚类算法(MKFCM),由于经过了修正核函数的映射,使原来没有显现的特征突显出来。用MKFCM对Wine和glass数据集进行聚类,每一类的聚类正确度大于90%;对于缺失数据的Wisconsin Breast Cancer 数据,错分率为4.72%。该聚类方法在性能上比经典聚类算法有所改进,具有更快的收敛速度以及较高的准确度。仿真实验的结果证实了修正核聚类方法的可行性和有效性。     

一种面向非规则非致密空间分布数据的聚类方法

针对目前很少关注非致密非规则数据聚类的情况,利用蚁群算法具有的组合优化方面的优势,引入近邻函数准则,提出了基于蚁群算法和近邻函数准则的聚类算法,来求解非规则非致密数据聚类问题.实验表明,对于非规则非致密分布数据的聚类问题,该聚类算法可根据连接关系合理地进行聚类,相比K均值算法等其他采用样本距离作为分类指标的聚类方法,可有效降低错聚率,一定程度上较好地解决了这类问题.     

改进型RBF神经网络的多标签算法研究

针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huff man树来选取初始聚类中心以防k-均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.     

基于混沌PSO算法优化RBF网络入侵检测模型

针对网络安全中异常入侵检测,给出了一种构建最优神经网络入侵模型的方法。采用混沌扰动改进粒子群优化算法,优化径向基函数RBF神经网络入侵模型。把网络特征子集和RBF神经网络参数编码成一个粒子,通过粒子间的信息交流与协作快速找到全局最优粒子极值。在KDD Cup 99数据集进行仿真实验,实验数据表明,建立了一种检测率高、速度快的网络入侵检测模型。     

核蚁群化学聚类算法

为了提高蚁群化学聚类算法的聚类效果,通过引入径向基核函数改进蚁群化学聚类算法的相似度度量式,提出了核蚁群化学聚类算法。将核蚁群化学聚类算法用于三个标准数据集合,计算结果表明与蚁群化学聚类算法相比,核蚁群化学聚类算法聚类效果提升显著。将核蚁群化学聚类算法、核自组织神经网络映射算法和基于多项式核的结构化有向树数据聚类算法同时用于Iris数据集合,结果显示三种核聚类算法聚类效果相当。     

基于RBF神经网络的网格数据聚类方法

把径向基函数（RBF）神经网络和网格结合起来，提出了一种能够并行处理数据和便于增量计算的智能聚类方法。介绍了网格聚类原理、RBF神经网络神经元的数量和基函数的选择，并针对数据聚集区域的位置辨识、提高分辨率和计算速度等问题，深入讨论了聚类策略与聚类算法。仿真表明了该方法的有效性。