基于全局K-means聚类算法的汽车行驶工况构建

为构建符合郑州市交通特征的乘用车典型行驶工况,选取60辆乘用车进行数据采集,将采集的有效行驶数据划分成120 744条运动学片段,采用主成分分析法对构建的特征参数矩阵进行降维、非线性化处理。选取戴维森-堡丁指数来确定最佳聚类数,并通过全局K-means聚类算法将主成分分析得到的4个主成分聚成3类,然后采用相关系数法从各类片段库中选取具有代表性的运动学片段,从而构建出郑州市乘用车典型循环工况(ZZ_DC)。通过与传统K-means聚类算法构建的工况比较,采用全局K-means聚类构建的工况更加准确地反映了郑州市乘用车在实际道路上的行驶状态。将ZZ_DC工况与国内一直采用的乘用车测试工况(NEDC工况)比较,结果表明,ZZ_DC工况与NEDC工况差异显著,因此,有必要开发出适用于郑州市交通特征的乘用车行驶工况。     

混合动力汽车行驶工况数据库的建立与分析

为快速准确地反映汽车行驶工况以及增强混合动力汽车对不同行驶工况的适应性,基于ADVISOR车辆仿真软件中32种行驶工况,选用最高速度、平均速度、最大加速度、减速段最大加速度、平均加速度、减速段平均加速度和停车怠速比作为特征参数,利用K-Means聚类分析得到4种工况类别的特征参数范围;同时在MY SQL(my structured query language)软件环境下建立行驶工况数据库,利用JAVA编程语言编写查询以及自动判定等程序,并对随机输入的行驶工况数据进行自动判定。模拟验证表明,随机输入的行驶工况数据可准确无误地插入到所属类别,随着工况数据库的不断扩充,对后续输入查询更快捷,可更大程度提高系统的响应速度。     

基于改进K-Means聚类算法的NBA球员价值评估

针对NBA球员价值评估问题,提出了一种改进的K-Means聚类评估方法.综合拐点法和轮廓系数法的优势,对K-Means聚类算法进行改进,建立NBA球员价值评估数据模型,根据模型预测结果,实现NBA球员价值的评估.     

动态聚类法在车辆实际行驶工况开发中的应用

在车辆实际行驶工况的开发过程中,为了得到相应交通特征道路上的实际行驶工况,需要将运动学片断按照道路交通特征分类.针对人工分类的不足,研究了动态聚类法在车辆实际行驶工况开发中的应用.以主成分分析得到的前3个主成分为聚类因子,并对运动学片段总体样本采用动态聚类法分类.研究表明：动态聚类法分类获得的2类运动学片段分类清晰,分别代表了车辆在交通拥挤和交通畅通的道路上的行驶特征.     

基于K均值聚类的天津市环卫车行驶工况研究

为真实反映天津市环卫车行驶状况,以天津市各行政区环卫车实际运行所采集路况数据为样本,提取出3 036个运动片段构建天津市环卫车的典型工况。通过对特征参数矩阵进行标准化处理与主成分分析后,以K-means聚类方法将运动片段划分为3类。使用邻域搜索法合成类内工况,以最小误差原则选取最具代表性的类内工况构成时长1 745 s的天津市环卫车典型工况。将合成工况特征参数与总样本进行对比,平均误差率为4.6%,验证了合成工况的有效性。结果表明,相较于C-WTVC国家标准工况等典型工况,天津市环卫车典型工况更能反映环卫车的实际运行情况。     

基于薛定谔方程的K-Means聚类算法

提出一种基于薛定谔方程的K-Means聚类算法,利用量子力学中薛定谔方程的势能函数来确定初始聚类中心。计算每个数据样本所对应的势能函数值,将势能函数值小的数据样本放入初始聚类中心集合,设置一个距离阈值,数据集合中的数据样本和初始聚类中心集合中的数据样本进行相异度计算,将相异度大于阈值的数据样本放入初始聚类中心集合,重复这一操作,直到初始聚类中心集合中的样本数量等于K为止。试验结果表明,采用该方法能很好地筛选出初始聚类中心,得到更高的聚类结果准确率和较少的迭代次数,与其他几种方法相比,聚类结果准确率平均提高约12%,同时迭代次数减少约3次。     

聚类分析法在城市公交行驶工况开发中的应用

摘要：针对昆明市161路混合动力公交客车实际行车数据,使用K—Means聚类分析法对运动学片段进行了分类,并构建了161路的行驶工况．研究表明：K—Means聚类分析法获得的两类运动学片段特征明显,分别反映了较为通畅和十分拥堵的交通状况;构建的行驶工况可以代表161路的实际行驶工况,具有怠速时间长、平均车速低、加减速所占比例高和车辆启停频繁的特点．     

基于主成分分析的密度聚类算法

密度聚类算法可以描述任意形状的聚类,可以有效地处理异常数据,适合处理大数据集,但不适用于高维数据集的聚类,因此提出了基于主成分分析的密度聚类算法,将DBSCAN算法应用于PCA的k个主成分张成的子空间,解决了DBSCAN算法用于高维数据集的问题.运用气象数据进行实验,结果表明：主成分个数k值的选择严重影响聚类效果,故提出k的基本选择方法,正确选择k值情况下,该算法具有较好的聚类效果.     

约束聚类算法研究

约束聚类是聚类研究中的热点之一.文章就此探讨了在聚类过程中引入领域知识进行“约束”的方法.介绍了约束聚类的定义,并按约束的应用将约束条件归并为全局约束、实例约束、其它约束等,然后概括了相应约束条件下的算法,最后介绍了约束对于聚类带来的益处和问题.     

K-Means算法最优聚类数量的确定

K-均值(K-means)聚类算法是学术与工业领域的经典算法。然而,它却具有两个明显缺陷:1) 需要预先知道聚类的数量;2) 对算法的随机初始化非常敏感。为了解决这两个问题,首先归纳了K-均值算法的基本步骤,并对聚类有效性进行了分析;然后以数据样本点的欧几里德距离为基础,定义了以聚类数量k为自变量的类间质心距离之和以及类内距离之和,由此构造了聚类有效性评价函数;最后根据经验规则,在聚类数量的可能范围内通过求解聚类有效性评价函数的最小值以确定数据集的最优聚类数量。对UCI的3个数据集Iris、Seeds和Wine的仿真结果说明,提出的聚类有效性评价函数不仅能够准确地反映数据的真实聚类结构,还能有效地抑制算法对随机初始化的敏感性,通过对K-均值算法的多次运行,其结果也验证了聚类有效性评价函数的鲁棒性。     

乘用车实际行驶工况开发方法的研究

乘用车实际行驶工况通常可表示为基于时间的一段时间．速度曲线。通过对国内外乘用车实际行驶工况，特别是欧美日等国家开发的研究表明，对乘用车实际行驶工况的开发从前期准备工作到工况的验证可分为5个基本过程。对每一过程所使用的方法进行了比较深入的论述。     

改进的K-Means聚类算法在保险客户信用分析中的算法实现

针对保险业对客户信息的分析中缺乏考虑客户信用分析的问题,根据聚类分析算法理论和保险公司客户数据库特点,进一步对K-means聚类算法在大样本环境下初始聚类中心的选取提出有效改进,同时选取一家财产保险公司的客户信用数据,来探讨聚类算法在保险客户信用分析中的应用．     

改进型K-Means算法在肠癌病理图像分割中的应用

针对正常与癌变大肠病理切片图像的特征,结合主成分分析(PCA)和K-Means算法提出了一种分割大肠病理切片图像中腺腔和上皮细胞、细胞核、间质的算法,解决了传统K-Means算法确定初始中心的难点,提高了识别分类时的收敛速度.使用基于相关系数矩阵的主成分分析方法确定具有代表性的聚类初始中心,结合K-Means算法将大肠病理切片图像数据分成三类.相关实验证明:提出的改进型K-Means大肠病理切片图像分割算法能够准确地将大肠病理切片图像中的腺腔和上皮细胞、细胞核、间质分类,且使用PCA方法的算法收敛速度比传统使用RANDOM方法的算法更快,取得了良好效果.     

基于改进RFM模型的百度外卖客户价值分析

为了核算百度外卖客户给企业带来的价值,对百度外卖客户进行价值分析,提出一种改进的最近消费时间、消费频率、消费金额(recency frequency monetary,RFM)模型。该模型由平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额、客户贡献时间4个指标构成,运用离差标准化方法对4个指标进行规范化处理,采用主成分分析法计算4个指标的权重,4个指标与指标对应权重的乘积之和为客户的价值,采用K-Means聚类算法将客户分为价值由高到低的客户群。对2017年百度外卖企业某商家为期3个月的4 815名客户的订单交易数据进行聚类,结果表明,4 815名客户可以分为重要保持型客户、忠诚型客户、发展型客户、一般客户、低价值客户5类客户群体。改进后RFM模型可用于百度外卖客户价值分析。     

基于主成份分析的模糊聚类虫害预测模型研究

针对虫害预测的模糊性、相关性、多变量等特点,采用数据挖掘技术建立了基于主成分分析的模糊聚类虫害预测模型,并以玉米螟为例,对虫害进行了合理分类及预测.结果表明,在虫害预测指标多、数据间存在一定相关性的情况下,使用该模型对虫害进行预测能取得比较好的效果.     

面向化工灰箱建模的快速全局优化模糊聚类算法研究

针对化工过程灰箱建模存在的精确度差、速度慢、计算复杂度高等问题,对现行模糊C-均值聚类算法进行了改进,提出了一种快速全局优化的(用于建模的数据训练集)模糊聚类算法.该算法具有不依赖初始条件、收敛速度快等特点.实验结果表明,利用快速全局优化模糊聚类算法得到的数据,在灰色预测的时间和数据准确性方面都有了显著提高,计算机仿真实验表明了该算法的有效性.     

一种处理混合型属性的聚类算法在计算机取证中的应用

针对目前基于K-Means算法的计算机取证技术存在对符号类型数据处理能力欠缺、误报率较高的问题,提出了一种处理混合型属性的聚类算法的计算机取证技术.该方法将对符号类型特征进行编码映射,并使用主成分分析对编码后增加的维数进行降维,从而解决了在计算机取证中使用聚类分析无法对符号型数据进行处理的问题.文中详细的阐述了改进的具体实现方案,并通过实验验证了该方法的可行性.     

改进的AP聚类算法研究

AP聚类算法是Frey和Dueck在2007年提出的一个先进的聚类方法.该算法具有较传统聚类算法更好的聚类性能,已被成功地应用于计算机科学的研究领域.为了获得高质量的聚类集,原始AP算法的迭代是在全部数据点之间交流信息,直到收敛.由于这种算法在计算数据时需要占用二次CPU时间,不适用于大规模的数据集,因此,本文在AP算法的基础上提出了一种有效的聚类算法.该算法在迭代时可修剪不必要的信息,且在计算消息收敛的同时确定迭代集群,并对算法进行了实验,证明算法是有效的.     

一种改进的层次聚类算法

针对凝聚式的层次聚类算法在聚类过程中层次化的迭代运算使误差不断累积,导致聚类结果较差的问题,在GN快速算法基础上提出了一种改进的凝聚式层次聚类算法,即网状聚类算法。实验结果表明,该改进算法避免了误差的积累,可以获得更高质量的聚类结果。     

一种改进的文本聚类算法

提出并设计了一种用于高维稀疏相似矩阵的文本聚类算法.该算法结合了层次聚类和划分聚类的思想,通过一个阈值来控制聚类算法的选取和新簇的建立.从一个小样本的实验结果来看,该算法的召回率和正确率比各种经典的方法更高.