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。     

岩体随机不连续面产状数据划分方法研究

动态聚类算法从本质上讲是单目标组合优化算法,一般需要事先给定目标分类数和初始聚类中心,且初始聚类中心的选择对数据划分结果影响较大。为了解决该问题,提出将产状数据的划分问题转化为多目标优化问题,并采用小生境Pareto遗传算法进行求解。针对聚类问题的特殊性,采用基于链表的编码方案,并建议相应的遗传操作算子;通过引入小生境技术和Pareto支配集理论,仅通过一次求解可由Pareto支配集给出对应于不同目标组数的最优分组结果,而且不用事先给定目标组数以及初始聚类中心。最后,将算法应用于三峡船闸高边坡岩体实测不连续面产状数据的划分,得到较为符合实际的优势结构面分组。     

大数据聚类算法研究

随着大数据时代的来临,数据量不断地增加,对大数据环境下的数据进行有效的聚类已经成为现阶段的一个研究热点。文章围绕这一课题,从介绍大数据环境下的特点以及对算法的处理要求开始,对面向大数据的聚类算法的划分进行简单的介绍,指出其中的问题,并对大数据下的有效聚类算法的划分进行展望,希望能够借此加深对于聚类算法的理解。     

基于Hadoop MapReduce和粗粒度并行遗传算法的大数据聚类方法改进

为了提高并行遗传算法在大数据聚类问题中的时间效率,通过利用粗粒度遗传算法的并行化思想,提出了Hadoop平台上基于MapReduce计算框架的粗粒度遗传算法的并行化设计。该思想主要来源于大数据体量庞大的特点,聚类算法时间消耗巨大。并行是解决算力不足的一个较为有效的方法,实验结果表明,并行化的遗传算法在处理大数据聚类时相比传统的串行化处理在时间消耗方面有明显的降低。     

灰狼优化的k均值聚类算法

针对k均值聚类算法对初始聚类中心位置敏感的问题,提出了一种基于灰狼优化的k均值聚类算法,通过灰狼优化算法对解空间的全局寻优能力得到α狼,实现对k均值聚类中心的初始化操作,并通过迭代更新α狼优化k均值聚类中心,直到达到最大迭代次数,以此改进k均值聚类算法。实验结果表明,在UCI(University of California Irvine)的4类数据集上,所提算法相比于传统的k均值聚类算法,获得了更好的聚类效果,其分类准确度平均提高10%左右,且算法较为稳定。     

基于一种有效性函数的k-means算法

传统的K-means算法要求事先给出聚类数k值,从而导致聚类质量的下降。本文提出一种基于聚类有效性函数IG的K-means算法,该函数定义为数据特征轴总长度的平方与最小类间距的比值,当比值达到最小时对应的值为最佳聚类数k。而且,与其它有效性函数比较,IG能高效处理簇密度不同的数据集。实验证明,改进算法提高了聚类质量。     

K-Means优化算法的R语言实现

随着数据量级的不断增大,大数据挖掘算法提出了新的需求与挑战。针对数据聚类的K-Means算法做了一些研究,阐述了K-Means在大数据分析中的经典算法与R语言的实现,分析其存在的弊端引入基于Map-Reduce函数的K-means算法;进一步地,通过迭代方法实现了基于Map-Reduce函数的K-means优化算法,并用R程序得以实现;最后给出了程序的测试与应用,验证算法的可行性。     

基于云计算的多媒体机房虚拟桌面优化设计

为提高多媒体机房的人机交互性能,提出基于云计算的多媒体机房虚拟桌面优化设计方案,构建多媒体机房虚拟桌面人机交互的大数据信息统计分析模型,建立多媒体机房虚拟桌面输出的信道均衡模型,采用云计算方法进行多媒体机房虚拟信息的大数据信息融合处理,提取多媒体机房虚拟桌面人机交互信息的相似度特征量,采用模糊聚类方法进行多媒体机房虚拟桌面人机交互信息的属性分类处理和自适应调度,采用云计算实现多媒体机房虚拟桌面的优化设计。仿真结果表明,采用该方法进行多媒体机房虚拟桌面优化设计的自适应性能较佳,虚拟桌面人机交互的稳性较好,响应时间较短。     

基于蚁群算法的一卡通数据精准挖掘方法

为了提高一卡通数据精准挖掘能力,提出基于蚁群算法的一卡通数据精准挖掘方法。构建一卡通数据的模糊信息检测模型,采用关联特征提取方法进行一卡通数据的模糊相关性分析,构建一卡通数据的输出自相关特征匹配模型,结合模糊特征聚类分析方法进行一卡通数据的统计分析,建立一卡通数据的回归分析模型,提取一卡通数据的统计特征量,根据一卡通数据的特征提取结果采用模糊C均值聚类方法进行信息处理,采用蚁群算法进行一卡通数据挖掘过程中的自适应寻优,实现一卡通数据的优化挖掘。仿真结果表明,采用该方法进行一卡通数据挖掘的精度较高,特征分辨能力较好,提高了一卡通数据的挖掘和检测能力。     

基于直方图峰值优化的阶梯k-means聚类算法

本文提出了一种基于直方图峰值优化的阶梯k-means聚类算法,本算法能够根据给定的K值,较快的得到初始聚类中心,能够很有效的减少迭代次数,得到的聚类结果很接近真实数据。