一种带混合进化机制的膜聚类算法

膜计算(也称为P系统或膜系统)是一种新颖的分布式、并行计算模型.为了处理数据聚类问题,提出了一种采用混合进化机制的膜聚类算法.它使用了一个由3个细胞组成的组织P系统,为一个待聚类的数据集发现最优的簇中心.其对象表示候选的簇中心,并且这3个细胞分别使用了3种不同的进化机制:遗传算子、速度-位移模型和差分进化机制.然而,所使用的速度-位移模型和差分进化机制是结合了这个特殊膜结构和转运机制所提出的改进版本.这种混合进化机制能够增强系统中对象的多样性和改善收敛性能.在混合进化机制和转运机制控制下,这种膜聚类算法能够确定一个数据集的良好划分.所提出的膜聚类算法在3个人工数据集和5个真实数据集上被评估,并与k-means和几种进化聚类算法进行比较.统计显著性测试建立了所提出的膜聚类算法的优势.     

基于粒计算的K-medoids聚类算法

传统K-medoids聚类算法的聚类结果随初始中心点不同而波动,且计算复杂度较高不适于处理大规模数据集;快速K-medoids聚类算法通过选择合适的初始聚类中心改进了传统K-medoids聚类算法,但是快速K-medoids聚类算法的初始聚类中心有可能位于同一类簇。为克服传统K-medoids聚类算法和快速K-medoids聚类算法的缺陷,提出一种基于粒计算的K-medoids聚类算法。算法引入粒度概念,定义新的样本相似度函数,基于等价关系产生粒子,根据粒子包含样本多少定义粒子密度,选择密度较大的前K个粒子的中心样本点作为K-medoids聚类算法的初始聚类中心,实现K-medoids聚类。UCI机器学习数据库数据集以及随机生成的人工模拟数据集实验测试,证明了基于粒计算的K-medoids聚类算法能得到更好的初始聚类中心,聚类准确率和聚类误差平方和优于传统K-medoids和快速K-medoids聚类算法,具有更稳定的聚类结果,且适用于大规模数据集。     

基于层次聚类和划分聚类算法的BTS聚类算法研究

BTS(Best Two Step)聚类算法是结合层次聚类和划分聚类算法的两步聚类算法。层次聚类算法类与类之间不可以对象交换,很容易造成聚类质量不高的结果。而划分聚类对于初始值的设定以及异常噪声数据都很敏感,所以我们研究提出了BTS算法,实验证明BTS算法可达到高质量的聚类效果。     

C-均值聚类算法及在故障诊断中的应用

由于设备故障症状与故障原因之间关系十分复杂,使得传统诊断方法在实际应用中效果不理想。研究采用模糊C-均值聚类算法,将被诊断对象间故障和症状的特征通过建立模糊关系矩阵进行了故障分类,用当前所得的故障征兆群与过去该设备故障征兆结果相对照,找出最相似的结果,从而确定其故障。通过船舶主机轴系诊断的实例,充分证明了该方法的有效性。     

基于改进ENN2 聚类算法的多故障诊断方法

针对可拓神经网络无法解决多故障诊断的问题,建立问题模型,将多故障诊断问题转化为多特征样本的聚类问题。从模型结构和学习算法两个方面对ENN2进行改进,提出基于改进ENN2聚类算法的多故障诊断方法,并对其参数和时间复杂度进行分析。采用工程实例对所提出的方法进行验证,结果表明,所提出的方法能够解决离线的多故障诊断问题,且得到的诊断模型可用于在线状态监控,具有较好的应用前景。     

基于模糊聚类的神经网络故障诊断方法

提出基于模糊聚类的BP神经网络（Fuzzy Clustering BP Neural Network,简称FCBPNN）故障诊断的理论和方法,即利用模糊聚类准则对样本数据进行预处理.通过仿真比较FCBPNN与简单BPNN两种方法在抽风机组的故障诊断中的应用,证明了该方法的有效性.     

模糊聚类算法船舶故障诊断中的应用

众多船舶设备构成一个复杂设备系统,对其使用传统的故障诊断方法,不能及时检测出相应故障,进而对船舶的安全运行产生重大影响。因此,本文将WRTCM聚类算法结合模糊故障诊断方法应用到船舶设备的故障诊断中。?WRTCM算法是建立在概率典型性和聚类排斥基础上的一个的新型无噪声模糊聚类方法,它是对RTCM算法的有效改进,该算法解决噪声环境下有可能产生一致聚类中心,从而提高了聚类精度。通过船舶主机轴系的故障数据试验,证明了该算法的有效性。     

风机振动监测系统的故障诊断与处理

对原风机振动监测系统的故障进行了分析，阐述了采用3500系统进行改进的方案．运行实践表明，这些改进的措施是成功有效的．     

模拟电路故障诊断的约束聚类集成BP网络算法

针对通用BP网络对于高纬度、大数据量训练收敛困难的问题,在使用动量因子、自适应调整学习速率等方法的基础,引入约束聚类,构造集成神经网络,以提高网络的训练速度及诊断效果;首先,采用约束聚类算法将训练样本集划分为若干个规模相当的子样本集,分别训练生成相应子网络;此外,在诊断过程中除各子网络的输出变量外,还加入了诊断数据相对各子训练样本集的隶属度因子;最后通过一个实际电路板25维采样数据、38类故障的BP网络诊断实例验证了算法的可行性。     

基于聚类特性的大规模文本聚类算法研究

一、引言随着Internet的飞速发展,人们能从网上得到更多的信息,但过多的信息常常会导致信息迷失。将信息进行分类是帮助信息利用的有效方法,聚类则是文本类别划分时常用的技术,其特点是不需训练集即可从给定的文本集合中找到聚类划分。已有的聚类方法大多是针对小规模数据的,当计算资源和时间受到限制时,原有的大部分方法已不能满足要求,需要能够处理大规模数据的算法。标准k均值方法是比较基本也是很常用的一种聚类方法,其计算复杂度与模式数量成线性关系,这使其具有处理大规模数据的可能。k均值方法本质上是一种选代的方法,当数据不能一次全部读入内存时,则需和磁盘进行多次数据交换,并且这种交换相应于迭代次数要反复多次,这无疑需要花费大量的I/O时间。     

倾斜因子K均值优化数据聚类及故障诊断研究

为提高海量数据挖掘和聚类的效率和精度,以应用于压缩机机械故障智能诊断中.将遗传算法与K均值聚类算法进行互补,提出基于倾斜分类K均值优化数据聚类算法.算法引入倾斜因子,避免较小类数据产生次优解的现象发生.在传统的K均值数据聚类算法基础上,通过倾斜因子排除了少数类局部最优解的干扰,提高遗传算法的收敛速度,也可以避免过早收敛到局部最优解中.仿真实验中以某天然气压气站采集的故障状态下的压缩机振动信号提取的特征量数据作为研究对象,进行数据聚类分析.仿真实验表明,通过改进的数据聚类算法对故障信号关联维特征量进行分类识别,能有效对四类天然气压缩机故障进行诊断分类,准确率能提高18.7％,研究结果在数据优化聚类及在机械故障诊断中的应用中具有良好的指导意义和实践价值.     

基于模糊粒子群算法的变压器故障自动识别①

提出了一种新的基于模糊粒子群算法的电力变压器故障自动识别方法。首先对基于油中溶解气体分析得到五种关键气体含量数据进行特殊预处理,得到识别四种故障需要的六个关键特征。然后给出了一个新的模糊聚类目标函数,在此基础上,根据已有的故障样本利用粒子群算法得到各类故障的最优聚类中心;并由此计算出各测试样本到各个聚类中心之间的距离以及相应的隶属度,最后识别出样本的变压器故障类型。测试结果显示,该方法能有效诊断识别出变压器高能放电、过热、低能放电和正常状态,精度可达92%。     

基于自适应增强SVM集成算法的风机故障诊断

提出了自适应增强支持向量机集成算法,并结合风机噪声信号的人耳听觉谱特征,对风机故障进行分类识别.现场实测数据的识别实验证明,该算法可正确识别99%的正常机器,并且对故障类型诊断的正确识别率比单个支持向量机分类器高1.88%～2.50%.     

基于GMM聚类和PNN的道岔故障诊断研究

当前道岔故障诊断系统大多采用BP神经网络,但由于BP神经网络结构特点,在训练样本大且诊断系统精度要求比较高时,网络常常会呈现出以下不足:不收敛且容易陷入局部最优、常用的数据挖掘方法如小波分析等对数据的利用度不高、从时域或频域角度分析时不够全面和采用数据降维使用的LLE方法会丢失部分有用数据等.采用GMM聚类方法对兰州车...     

基于模糊聚类的并行测试系统故障诊断方法研究

在分析并行测试系统开放式体系结构的基础上,给出了系统并行故障诊断的概念和定义,并将模糊c均值聚类算法引入到并行故障诊断领域;探讨了利用该算法对多个UUT同时进行故障诊断的实现问题,设计了算法步骤,并以对某型导弹发射装置电子部件的几类典型故障的诊断为例对算法有效性和可行性进行了验证;结果表明,运用模糊聚类算法能够有效提高测试系统的故障诊断效率,增强测试系统的故障识别和定位能力,解决系统对多个同类型UUT并行故障诊断的问题。     

AGA和NN在汽轮发电机组故障诊断的应用

遗传算法是一种能够借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法;为解决传统遗传算法早熟及收敛速度慢的问题,提出了一种改进的自适应遗传算法,改进后的遗传算法在全局优化和快速收敛能力上有较大的提高;文章针对多征兆、多故障的汽轮发电机组的故障诊断系统,对采用改进后的自适应遗传算法(AGA)和RBF径向基函数神经网络相结合进行故障模式识别的方法进行研究;仿真结果表明,该方法对于汽轮发电机组的故障诊断具有较高的实用价值。     

基于广播的分布式系统级故障诊断算法

系统级故障诊断是保证计算机系统和网络安全与稳定的重要手段。文章提出一个实际的基于广播的分布式诊断算法,并在局域网中予以实现。实验结果表明,该算法可以有效地用于局域网中故障的分布式诊断。     

基于遗传算法的故障诊断的研究

介绍了遗传算法在故障诊断中的种种应用，指出将遗传算法应用于故障诊断可减少运算量、缩短平均诊断时间、提高诊断效率和故障识别精度。     

基于虚拟网络的故障探测及诊断算法的研究

随着网络技术的不断进步,使用网络的人数日益增加,通过网络的虚拟化来解决现实中存在的一些问题,已经成为当今IT界研究的重点,受到越来越多的关注。通过虚拟网络进行网络的故障探测,获得实时网络性能参数,从而第一时间确定网络故障的位置。但是现有的故障管理技术并不能完全支持虚拟网络的应用,在此基础上,针对网络的动态不确定性设计出探针站部署算法和基于协作的端到端故障诊断算法来确定网络出现故障的方位,从而解决其实际的网络故障问题。