改进K-means模型在电力系统用户行为分析中的应用

针对电力信息系统用户行为分析的问题,提出了一种基于改进K-means聚类模型的电力信息系统用户行为分析方法。该方法把基于单词向量特征的改进K-means聚类模型应用于电力信息系统用户行为分析,解决了传统K-means算法通过随机选出聚类中心质点的方式得到的聚类结果范围波动较大、迭代次数较多、耗费时间较长以及稳定性较差的问题,优化后的算法聚类内距整体缩小,迭代次数也大幅度减少,提升了主动服务信息推送的精准性。     

一种改进的特征加权K-means聚类算法

提出了一种改进的特征加权K-means聚类算法.该算法首先基于数据样本分布选取初始聚类中心,然后设计特征加权的K-means聚类算法.实验结果证明,该算法能产生质量较高的聚类结果,并且能处理数值、符号两类数据.     

基于K-means聚类红外目标检测

目标检测是红外图像处理环节中的重要组成部分,检测结果直接影响后续处理。在分析红外图像特点的基础上,采用改进的Top-Hat算子对红外图像中的噪声点进行抑制,同时基于传统K-means聚类思想,提出基于二维梯度信息的K-means聚类目标检测算法。实验结果表明,该方法抑制噪声作用明显,能很好地检测出红外图像中的目标,为后续图像处理工作打下较好的基础。     

一种改进的基于K-means的信息聚类算法研究

聚类分析技术是数据挖掘中一个重要的分析手段,聚类结果要求数据组内的对象相似性较高,数据组对象之间的相似性较低。到目前为止,有各种各样的聚类算法,其中K-means算法最为广泛,它是采用误差平方和准则函数作为聚类准则函数。但是K-means算法也有不足之处,比如k值无法确定,时间开销很大等。针对这些缺点,文章提出了一种改进的基于K-means的信息聚类算法研究。     

K-means聚类算法性能分析与优化研究

随着信息技术的高速发展,数据对社会生产与生活中诸多领域的影响越来越突出;数据聚类分析是将数据以无监督方法,根据数据的特征划分成多个簇,聚类分析是对数据进一步处理的基础。本文主要研究基于K-means算法的聚类方法,介绍了K-means算法的原理和实现过程,分析了K-means聚类算法的性能以及不同因子对K-means聚类算法的影响机理。本文的研究能够为无监督聚类过程的设计与应用提供理论指导。     

基于二分法的K-means算法的实现

在图像处理大领域内,对特征值的处理尤为重要,而K-means算法是被运用于特征值聚类的重要方法之一,该方法简单快捷,聚类效果较佳,因而被学术界广泛使用。针对传统的K-means算法在进行数据集划分过程中的不足之处,提出了一种基于二分法的K-means聚类算法,该算法对数据集进行划分来选择出下次划分的数据集,以此来形成迭代,实验表明该算法相比于传统算法在划分方面有了明显的改进。     

对K-means算法初始聚类中心选取的优化

针对传统K-means算法对初始聚类中心选取的问题,提出了基于数据样本密度和距离来选取初始聚类中心的改进K-means算法,该算法保证了初始中心点集的第一点为确定的(最大密度点),在基于距离最远的其他中心点搜索过程中,得到的中心点也基本上是确定的,消除了初始中心点选择的随机性,同时保证了获得较高质量的初始中心点。理论分析和实验结果表明:改进的k-means算法是一种有效的入侵检测方法,根据此方法设计的入侵检测系统是有效可行的。     

半失能老人远程健康监测大数据缺失处理

本文对传统蚂蚁聚类算法易出现早熟和收敛速度慢的问题,提出了基于改进K-means蚂蚁聚类算法,并将优化后的聚类算法与优化填充策略结合,对半失能老人远程健康监测缺失数据进行填充。仿真结果说明：改进K-means蚂蚁聚类算法的分类精度有所提高,基于改进K-means蚂蚁聚类的缺失数据填充算法的填充效果有所改善,可以有效填充半失能老人远程健康监测的缺失数据。     

基于LiDAR扫描角度修正的障碍目标定位方法

在二维激光雷达(LiDAR)用于障碍物检测时，移动机器人自身姿态变化导致LiDAR基准位置变化，对障碍目标进行定位计算时会产生较大误差。文中提出了一种基于LiDAR扫描角度修正的障碍目标定位方法，用K-means聚类算法对激光雷达点云数据进行聚类划分，然后对聚类后数据进行角度修正处理，使处理后的数据信息更符合真实值。最后包络每个聚类数据，从而提高LiDAR扫描数据的准确性。测试结果表明，文中所提方法能够提高定位精度，满足障碍物精准定位的需求。     

基于人工智能技术的光通信网络异流数据检测

为准确检测光通信网络异流数据,提出基于人工智能技术的光通信网络异流数据检测方法。基于K-means聚类分析光通信网络流数据特征类型,实现特征聚类,预处理去除聚类后的网络流数据特征样本中的冗余特征;将预处理后的特征样本作为识别样本,以识别异常网络流数据特征的形式,检测异流数据。实验结果验证：此方法对多种光通信网络异流数据的检测结果与实际情况一致,具有准确检测光通信网络异流数据能力。     

基于特征向量的两阶段异常检测方法研究

针对水文行业对数据异常模式检测的实时性要求,提出一种基于特征向量的两阶段异常检测方法。先提取时间序列特征形成符号化的特征向量,再使用改进的K-means方法进行聚类,最后用改进的INN对聚类结果进行评估并将聚类后得到的类簇设成相应特征模型。实验表明,该方法实现了对字符串序列的高效准确的聚类,有效检测出异常模式。     

基于聚类分析的网络数据流异常检测方法

为加强对网络数据流异常检测误报率的控制,进行多维度的动态化检测,营造更加稳定、可靠的数据流异常检测方法。文章结合聚类分析技术,构建网络数据流异常检测方法。先进行数据流模态的描述,针对数据的异常状态,完成并行聚类特征提取,随即布设K-means异常感应节点,并以此作为基础,逐步构建聚类衰减检测模型,采用交叉部署法实现数据流异常检测。最终的异常检测结果表明:对比于传统概率数据流异常检测组、传统多模态数据流异常检测组,文章所设计的聚类分析数据流异常检测组最终得出的数据流异常检测误报率仅为1.01,实现了较为有效的控制,进一步提升了异常检测能力,逐步营造更加稳定、安全的检测环境,结构更加可靠、精准,具有实际的应用价值。     

基于K-means聚类算法的等级测评数据分析

随着等级测评工作的定期进行,等级测评过程中会不断产生并积累海量的测评数据,但是从以测评报告形式存在的测评数据中无法有效地提取出有价值的信息,无法为后续的等级保护工作形成参考指导。利用K-means聚类算法对等级测评数据进行了分析。首先,介绍了等级测评的概念及基本内容;然后,阐述了K-means聚类算法理论;最后,详细地介绍了基于K-means聚类算法的等级测评数据分析的具体流程,为等级测评数据的充分利用提供了一定的参考。     

基于K-means聚类算法优化方法的研究

针对传统K-means聚类中存在的一系列问题,文中提出了一种基于K-means聚类的改进算法。该算法首先利用K-means++聚类从数据中选择K个距离尽可能远的对象作为初始聚类中心,然后利用K-mediods聚类选择数据样本的中位数作为聚类中心的对象,最后与两步聚类结合。通过对几个常用UCI标准数据集进行仿真实验,结果表明该算法比传统算法更优。     

基于划分的数据挖掘K-means聚类算法分析

为提升数据挖掘中聚类分析的效果,在分析数据挖掘、聚类分析、传统K-means算法的基础上,提出一种改进的K-means算法。首先将整体数据集分为k类,然后设定一个密度参数为■,该密度参数反映数据库中数据所处区域的密度大小,■值与密度大小成正比,通过密度参数优化k个样本数据的聚类中心点选取;依据欧几里得距离公式对未选取的其他数据到各个聚类中心之间的距离进行计算,同时以此距离为判别标准,对各个数据进行种类划分,从而得到初始的聚类分布;初始聚类分布得到之后,对每一个分布簇进行再一次的中心点计算,并判断与之前所取中心点是否相同,直到其聚类收敛达到最优效果。最后通过葡萄酒数据集对改进算法进行验证分析,改进算法比传统K-means算法的聚类效果更优,能够更好地在数据挖掘当中进行聚类。     

K-means聚类算法研究综述

总结评述了K-means聚类算法的研究现状,指出K-means聚类算法是一个NP难优化问题,无法获得全局最优。介绍了K-means聚类算法的目标函数、算法流程,并列举了一个实例,指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法,指出了K-means聚类的进一步研究方向。     

基于改进指纹聚类的WLAN定位优化方法

将K-means聚类算法应用到无线局域网（WLAN）位置指纹定位中,虽然可以缩短定位时间,但是容易降低定位精度。为了解决此问题,提出了基于改进指纹聚类的WLAN定位优化方法。首先根据接收信号强度标准差来优化初始聚类中心的选取,然后对指纹数据进行聚类处理,最后进行在线定位。实验结果表明,与传统的WLAN位置指纹定位方法和K-means聚类定位方法相比,基于改进指纹聚类的定位优化方法不仅缩短了定位时间,还能有效提高定位精度。     

基于改进YOLOv5的航空发动机叶片表面缺陷检测方法研究

针对航空发动机叶片缺陷检测过程中表面噪声较大以及检测精度较低的问题，提出了一种基于改进YOLOv5的叶片表面缺陷检测方法。通过叶片表面缺陷图像采集和典型缺陷标注构建了航空发动机叶片表面缺陷数据集；采用K-means++算法代替K-means算法对标记框进行聚类，获得最适合该数据集中标记框的锚框；在主干网络中结合CBAM注意力机制模块，并且采用EIoU损失函数替换原CIoU损失函数，提高对叶片表面缺陷特征的提取能力。对比实验结果表明所提出的方法相较于YOLOv5算法在平均精度均值上提升了1.4%,相较于FasterRCNN和YOLOv3,本方法在平均精度均值上分别提升了13%和2.9%。     

基于场景适应的行人检测方法

行人检测是当前人工智能技术的应用热点,相比人工检测的方法,基于深度学习的人员监督方法具有高可靠性、低成本的优势,但复杂的实际场景数据在目标尺度、姿态、角度等多个因素上具有很强的多样性,给研究人员带来了巨大的挑战。本文提出了基于K-means聚类的场景适应的行人检测方法,根据实际场景中行人的聚类特点设计形状、大小更加匹配的候选框,在本地的基站维护行人检测数据集上的实验结果证明该方法可以取得更好的性能。在经典目标检测模型RetinaNet的基础上提升了4.6%的准确率。     

基于K-means算法改进的短文本聚类研究与实现

文中讨论在文本类目数未知的情况下,如何对数据量过少的短文本进行有效聚类的问题。短文本的特点是每一份样本文章数据少,数据稀疏,用常规的聚类方法进行文本聚类不能取得很好的效果。文中提出了一种基于K-means的改进算法,提出一种简单降维方式和新的判别样本点距离的方法,经实验验证,文中改进算法比原K-means算法有更高的准确性。