基于自适应模糊C均值聚类算法的电力负荷特性分类

针对传统模糊C均值聚类算法(FCM)存在的缺点,提出了一种自适应FCM算法,该算法以类内距离MIA和类间距离MDC两个聚类结果评价指标为基础,把MDC和MIA的比值I作为自适应函数来确定FCM算法的聚类数目c;同时,根据模糊决策的方法,利用FCM算法的目标函数和划分熵来共同确定最优的模糊加权指数m的取值.结果表明:该算法不仅能够克服FCM算法无法自动确定聚类数目和模糊加权指数需要凭经验给出的缺点,而且得到的聚类结果是最优的,通过算例分析也证明了该算法的正确性和有效性.     

基于K均值聚类的定位算法分析

在描述了聚类算法的基本思想和概念的基础上,介绍了一种常见的聚类算法—K均值和K中心点聚类算法,通过处理认知无线电网络中主用户定位在海量数据中应用K均值聚类算法,对该算法进行分析,仿真结果表明:与传统的主用户定位算法相比,使用K均值聚类算法能够有效地提高定位精度和降低定位算法的复杂度.     

基于MACD指标与聚类算法的电力用户用电行为分析

深入挖掘用户用电行为是电力大数据背景下电力市场精细化发展的迫切需求。为满足该需求,提出了一种基于平滑异同移动平均线（MACD）指标提取特征的聚类分析方法。该方法首先计算用户用电量的MACD指标;然后以MACD指标为特征,采用K-means聚类算法对用户进行分类;最后利用分析股票的思想分析每一类用户的用电行为。对美国某一地区的实测居民用电量数据进行了算例分析,结果表明所提方法与传统方法相比具有更好的聚类效果,并且拓展了用户用电行为分析方式。     

基于减法聚类和K均值聚类的彩色图像分割算法

传统图像分割方法大都存在分割速度低下、过度分割等缺点.针对上述问题,提出一种新的彩色图像区域分割算法.这种方法首先将图像转化至L＊a＊b＊空间,并划分为子块,抽取图像子块的颜色、纹理和位置特征组成子块的特征向量,然后运用减法聚类,获得聚类簇数和初始蔟中心,最后利用改进的K均值算法在像素点特征空间进行聚类,进而分割图像成区域.实验结果表明这种新方法具有分割效率高、分割效果理想等优点.     

基于AHLO与K均值聚类的图像分割算法

针对图像分割中K均值算法全局搜索能力差、初始聚类中心选择敏感的问题,提出了一种将自适应人类优化算法与K均值算法相结合的聚类算法.该算法利用自适应人类学习优化算法初始化聚类中心,提高K均值算法的稳健性.结果表明,该算法聚类得到的标准差相比传统K均值算法和基于粒子群K均值(PSO-Kmeans)算法分别小两个数量级和一个数量级,同时图像分割得到的PSNR值均较高,具有算法收敛速度更快,聚类质量更好,图像分割效果更好,适应性更强的优点.     

基于快速K均值聚类的经济水平与货运量模型

应用快速K均值聚类方法对我国各地区工业生产水平、单位生产的货运量进行聚类分析。根据各省市在分类成员表中的类别归属,对横截面分类数据作了进一步的回归分析。选取工业生产水平和货运量的对数为2个聚类因子,得出了5个聚类。通过定性和定量相结合的方法得出我国各地区的经济水平与货运量增长速度之间的定量关系模型,模型的相关系数介于0.901~0.982,置信度较高。     

基于改进的模糊C均值聚类的负荷预处理

SCADA系统采集的电力负荷数据由于各种原因,会存在一些坏数据。在负荷预测中,必须仔细而合理地对历史负荷数据进行处理。电力负荷预处理应该充分考虑负荷曲线本身的特征,即平滑性和相似性。模糊C均值算法可以较好地进行聚类,但是其由于存在聚类数和初始聚类中心未知的问题,因此提出改进的模糊C均值算法——IFCM,即使用改进K均值算法确定初始聚类中心,引入粒度原理确定最佳聚类数。首先采用IFCM对日负荷曲线进行聚类,产生各类特征曲线;然后计算每个时刻点的方差,根据3σ法则进行坏数据的辨识;最后利用特征曲线对坏数据进行修正。针对四川某电网的实际电力负荷进行分析,表明了模型的实用性。     

基于多维行为分析的用户聚类方法研究

聚类分析是数据挖掘中一项重要的技术,通过对多维用户行为的聚类分析,可以从用户层面来帮助管理人员得到更为精确和有效的用户评价信息。该文首先从用户行为数据中提取多维用户行为特征,之后采用基于互信息的无监督特征选择(UFS-MI)模型对提取的特征进行排序、筛选并确定权重,得到每个用户行为的加权特征向量。根据用户行为之间的相似性构造网络,然后通过Blondel社团划分算法对用户行为网络进行聚类分析。在某公交线路的实证数据集上的实验结果表明,该方法的准确率为92%,比传统聚类算法K-means的准确率有明显提升,研究结果可以为公交公司的管理层在进行统一管理和培训时提供参考。本文的工作拓展了网络科学在多维用户行为数据聚类分析的应用范围,丰富了多维驾驶行为数据聚类分析的思路,为决策者提供参考依据。     

自适应的模糊C均值聚类算法

针对模糊C均值聚类算法对聚类数预先不可知的缺陷,提出了自适应的模糊C均值聚类算法,该算法利用已有的有效性函数自动确定聚类数目,继而进行模糊聚类,实验表明,该方法无须人工的干预,并且具有良好的有效性和可行性．     

基于密度加权的K均值聚类密钥量化方案

在物理层密钥生成过程中,现有传统的量化方案基于规则量化边界设计,无法根据实际采样测量值自适应动态调整量化边界,当量化边界不规则时边界附近量化产生的密钥不一致率较高.针对上述问题,提出一种基于密度加权的K均值聚类密钥量化方案,通过统计测量值在复平面的分布疏密情况,使量化分界远离测量值密集区域,降低噪声对量化判决的影响.仿...     

基于模糊c均值聚类的计算机键盘用户身份认证

针对传统的口令认证方式在防止密码共享以及密码被盗方面的脆弱性，提出将用户名——口令认证与击键特性认证相结合的认证方式，并给出一种基于模糊c均值聚类进行击键特性认证的新方法．通过利用模糊c均值对用户的击键特性进行训练，生成用户击键特性样本；识别时将当前要求认证用户的击键特性与之进行匹配，并根据系统设定的阈值a来确定当前用户是否为合法用户．实验结果表明，此种击键特性认证方法具有较高的用户识别性能。     

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。     

基于改进K -均值聚类的汉语语块识别

为了既避免数据稀疏又充分考虑相邻词性的关系和每种短语的内部组成规律,提出了改进K-均值聚类方法.此方法把每个短语看成是以中心词为核心的聚簇,充分考虑每种短语的内部组成规律;依据语料库中的数据来确定每个类的初始中心,使有指导的统计方法和无指导的聚类方法有机结合,既提高了聚类的准确率,又避免了因汉语语块库规模较小而导致的数据稀疏现象.应用改进K-均值聚类方法对7种汉语语块进行识别,F值达到了92.94%,因此,该方法对汉语语块识别是有效的.     

基于主成分分析的K均值聚类法在洪水预报中的应用

洪水预报中影响因素很多,蕴含的信息也很复杂,如何从这些信息中获取有效信息是提高洪水预报精度的关键.考虑到洪水聚类时,指标间的相关性和信息冗余会严重影响分类效果,从而造成分类洪水预报精度不佳,应用主成分分析方法,力求提取历史洪水的有效信息,并以这些信息为基础,运用K均值聚类方法将历史洪水分类,对各类型洪水分别率定参数,通过计算洪水指标到各聚类中心的距离来判别即将发生洪水的归属类别,采用对应的模型参数进行预报.应用于实际流域,结果表明,基于主成分分析的分类洪水预报能够有效减小运算量,提高洪水预报精度.     

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络（ANFIS：adaptive neuro—fuzzy inference system）的短期负荷预测方法．利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练．向训练好的自适应模糊神经网络输人相关的影响因素数据进行预测．预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值．     

基于投影统计特征与K均值聚类的十字光斑中心定位算法

以光斑中心准确定位为核心问题的激光三角法广泛应用于轧钢平直度检测系统中。针对湿平整后钢板形貌检测中面临的液滴干扰,为保持光斑中心提取的准确性和鲁棒性,提出了一种十字激光光斑中心定位算法。该算法首先采集所有十字光斑像素在多个方向的投影值,投影方向自图像坐标系X轴正方向开始0到π之间均匀分布;然后通过构建频数直方图,利用K均值聚类算法确定光条投影值边界;最后通过坐标变换求得十字光斑中心坐标。通过计算机仿真与实验,比较了该算法与直线拟合法在施加液滴干扰前后,对十字光斑进行中心定位的精度与鲁棒性。结果表明:该算法在液滴干扰下的重复定位结果可靠,置信度为99%的置信椭圆面积大约相当于三种点激光中心定位算法的2%。因此,该算法不仅能够在液滴干扰下准确定位十字光斑中心,而且使十字激光较点激光体现出更好的重复定位精度。     

基于模糊聚类的Web用户聚类方法与实现

提出了一种基于传递闭包的模糊聚类方法,并应用于Web日志聚类中,实验结果表明,该算法能够有效实现Web用户聚类,并且能够避免陷入局部最优解。最后与模糊C均值算法进行比较,并讨论了算法的运行时间和错分率。     

基于改进模糊均值聚类算法的遥感图像聚类

由于传统模糊C均值聚类算法存在缺陷,该文给出了一种结合加权模糊C均值聚类与聚类有效性指数的算法.利用数据点的密度大小作为权值,借助数据本身的分布特性,该方法不仅在一定程度上克服了模糊均值算法的缺陷——有对数据集进行等划分的趋势,而且具有良好的收敛性.     

基于模糊聚类的电力系统负荷特性分析

以变电站负荷构成比例作为基本特征向量,提出采用自适应矢量量化(AVQ)神经网络模糊聚类方法对电力负荷特性进行分类与综合.将AVQ神经网络模糊聚类方法和模糊C均值(FCM)聚妾方法进行了对比研究.通过对福建电网44个变电站进行聚类分析,得出两种聚类方法不仅具有良好的聚类综合能力,同时能够通过优化理论获得聚类中心矩阵,与其他聚类方法相比有明显优势;两者相比,AVQ神经网络模糊聚类算法本身机时小,处理速度更快,而且结果更为合理.