基于混沌和自适应变异的粒子群聚类算法研究

针对粒子群聚类算法(PSO-Kmeans)所存在的种群随机初始化遍历性差、线性惯性权重调整策略收敛效果差、粒子易陷入早熟收敛、等距点影响聚类精确度以及处理大量数据时性能不足等问题,提出了1种混沌和自适应变异的粒子群聚类算法,通过无限折叠混沌映射初始化、非线性惯性权重调整、基于变异参数的自适应t分布变异以及比较等距点周围趋向性等策略,对PSO-Kmeans算法进行改进,并实现了算法的并行化。实验结果表明,改进算法可以有效地避免早熟收敛,聚类精度要优于Kmeans算法和PSO-Kmeans算法,而且在处理大量数据时能有效提高算法的时间性能。     

EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断

针对滚动轴承故障诊断中,用振动信号的总体经验模式分解(EEMD)方法分解后的熵特征向量维数高,且样本熵(SE)计算效率差等问题,提出了一种基于EEMD排列熵(PE)的主成分分析(PCA)-GK滚动轴承聚类故障诊断组合方法。首先,使用EEMD方法将信号分解为若干个固有模态函数(IMFs),使用PE/SE计算其IMFs熵值;然后,使用PCA对熵特征向量进行可视化降维,并作为模糊C均值(FCM)与GK聚类算法的输入,实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵,对聚类结果进行了评价与对比,实验结果表明:本文模型(EEMD-PE-PCA-GK)的聚类效果比其他3种模型(EEMD-SE-PCA-FCM、EEMD-SE-PCA-GK和EEMDPE-PCA-FCM)更好,且PE比SE的计算效率更快。     

供热管网泄漏段诊断

建立供热管网泄漏数据采集系统,以干管某管段出现泄漏为例,采集压力测点(设置5个压力测点,将干管分为4个管段,泄漏点设置在压力测点1与2之间)的压力随测试时间的变化。以测试时间内压力测点的压力作为样本,经数据预处理(数据采集与选取、缺失值处理、噪声清理)后,分别采用样本熵法、基于K-means均值聚类算法的数据挖掘算法对泄漏段进行诊断。样本熵法可提取压力测点信号变化(主要为压力测点的压力变化)的差异性,根据一定规模的样本熵均值,判定泄漏管段的位置。基于K-means均值聚类算法的数据挖掘算法,在小规模样本量的前提下,通过人为扩大样本规模,结合样本熵法与K-means均值聚类算法,经聚类处理、均值处理,确定簇心样本熵及位置,从而判定泄漏段位置。与样本熵法相比,基于K-means均值聚类算法的数据挖掘算法,以较小规模的样本量实现泄漏段的诊断,而且诊断结果更加直观。样本熵法很难由小规模样本量确定泄漏段位置。     

基于KSOM-PSO算法的无线传感器网络入侵检测研究

针对无线传感器网络中的入侵检测机制对拒绝服务(denial of service,DoS)攻击检测精度不高的问题,提出了基于核自组织映射(kernel self-organizing map,KSOM)和粒子群优化(particle swarm optimization,PSO)聚类算法融合的KSOM-PSO神经网络算法作为无线传感器网络的检测机制。首先在传统SOM算法中引进核函数进行聚类;其次使用SOM聚类获得的获胜神经元权值对PSO粒子的初始位置初始化;最后在PSO算法中将传统的线性减小权值的方法改为非线性减小权值的方法,以提高PSO算法的全局搜索效率和局部搜索精度。实验结果表明,KSOM-PSO与传统的PSO聚类算法和SOM算法比较,检测精度有较大的提高,且收敛速度更快。     

基于Web日志的数据挖掘聚类算法研究及应用

针对FCM算法主要应用于点数据聚类,不能直接处理关系型数据的缺点。本文提出了一种基于Web日志的数据挖掘聚类算法,首先对FCM算法进行改进使其能够处理关系型数据,并对算法进行了健壮性改进。然后针对传统FCM算法需要在没有先验知识的基础上,事先确定聚类类别数的缺点,引入了竞争凝聚算法(CA),与FCM算法相结合,形成了CAFCM算法,使之能够自动确定最佳分类类别数。实验表明,CA-FCM算法的挖掘结果与FCM算法的结果相近,在用户访问会话数量不太大时性能优于FCM算法。     

基于线性调频盲卷积的大数据聚类控制方法

海量的大数据在大型电力系统中以电压脉冲、电流、用电功率等形式在传输和存储,需要对大型电力系统中的大数据进行优化聚类控制处理,提高大数据的调度和模式控制识别能力。传统方法采用FCM聚类方法,对电力系统的热噪声具有较强的敏感性,导致数据聚类效果不好。提出一种基于线性调频盲卷积的大数据聚类控制方法,构建了大型电力系统中的大数据分布结构模型,对大数据信息流进行线性调频信号拟合,采用线性调频盲卷积方法进行数据融合滤波,优化数据聚类性能。实验结果表明,采用该算法进行大数据聚类,数据聚集度较高,为模式识别和信号检测奠定基础,可提高电力系统中的数据聚类和控制能力。     

基于动态时间规整度量的k均值航迹聚类

为找到涵盖比较全面的各组类具有代表性的中心航迹,需要对航迹进行分类分析。首先介绍针对得到的航空器轨迹数据的处理方法及流程,并进行重要数据的转换和提取,标画出实际飞行总航迹。然后运用基于空间相似距离的k均值聚类算法进行聚类分析,并通过动态时间规整(dynamic time warping,DTW)算法对航迹聚类不同K取值的分类结果进行相似性度量,确定合适的K值,从而在众多航迹中将实际飞行航迹按照空间运行的相似性进行归类处理,找到中心航迹,实现航迹的分类。应用北京首都国际机场36L跑道上着陆航空器的航迹数据进行算例分析,分析结果证明,该算法可以有效地对航迹进行分类分析。     

聚类分析算法的分析与评价

聚类方法大体可以分为基于层次聚类算法、基于划分聚类算法、基于密度聚类算法、基于网格聚类算法、基于模型聚类算法、基于模糊聚类算法等。本文对主要聚类方法进行分析,并且结合具体的聚类分析算法进行聚类评价。     

改进模糊C均值聚类算法及锂电池配组应用

在锂电池化成管理的智能配组过程中,当处理大规模数据或锂电池结构较复杂时,速度和准确度不高。因此,提出了一种基于遗传算法与密度加权的改进模糊C均值聚类算法。首先,由遗传算法优化得到初始聚类中心。然后,将样本对象的高斯密度函数作为其权值,并采用Xie-Beni有效性指标改进目标函数。将改进的算法通过标准测试数据集Iris和锂电池配组进行实验验证。验证结果表明:本文算法改善了聚类效果,与模糊C均值聚类算法相比,锂电池配组的正确率提高了0.8%,并且计算迭代次数从14次降低到8次。     

国际石油工程项目风险预警指标体系构建研究

以国际石油工程项目开发和实施阶段为研究主线,辨识国际石油工程项目潜在风险,通过收集风险数据,采用R型聚类和因子分析方法定量分析风险预警指标,从34个风险预警指标中优选14个风险预警指标,基于熵值法进行指标赋权,构建国际石油工程项目风险预警指标体系。