学习特征权值对K-均值聚类算法的优化

K-均值(K—means)算法聚类的结果依赖于距离度量的选取．传统的K-均值算法选择的相似性度量通常是欧几里德距离的倒数，这种距离通常涉及所有的特征．在距离公式中引入一些特征权参数后，其聚类结果将依赖于这些权值，从而可以通过调整这些权值优化聚类效果．由于K-均值算法是迭代算法，很难直接确定其权值以优化聚类结果，因此提出了一种间接的学习权值算法以改进聚类结果．从数学意义上讲，这种权值学习相当于欧氏空间中对一组点进行了一个线性变换．数值实验证实了算法的有效性．     

双角激光立木胸径测量仪的研制

胸径是立木生长量测量的主要指标。运用角度传感器、激光测距传感器、超声波测距传感器研制了一款双角激光立木胸径测量仪，并结合电脑端上位机实现了数据上传、存储等功能。实测表明：与围尺相比，总体偏差为-0.82%、测量精度为98.23%;与卡尺相比，总体偏差为0.35%、测量精度为98.02%。与相关电子测量仪相比，测量范围扩大，功能更为丰富，效率更高，适用性更广。     

基于多源特征信息融合的油浸式变压器故障智能诊断模型

变压器是电力系统关键设备之一，目前在运行的变压器大多属于油浸式变压器，其发生故障会严重影响系统的安全稳定运行，还可能造成巨大的经济损失，故变压器故障诊断是目前国内外亟待解决的问题。然而，现有研究普遍存在信息来源单一、诊断预测精度不高等问题，为此，本文提出一种基于多源信息融合技术和卷积神经网络的油浸式变压器故障智能诊断模型。首先选择其油色谱分析数据、高压套管的红外图像、放电超声波检测图谱以及特高频局放检测图谱共同作为变压器故障诊断的原始输入信息；其次，针对上述不同类型的原始输入数据，分别采用深度神经网络和卷积神经网络进行特征提取，将提取后的结果进行特征融合；最后综合融合后的特征分析结果进行故障诊断的分类。为避免不均衡样本集造成模型诊断的“倾向性”,本文还提出改进的交叉熵代替传统的损失函数，同时采用kappa系数作为预测结果的评价指标，有效提高了智能诊断模型的预测效果。并通过某电网检修公司提供的实际数据算例进行测试分析，结果验证了本文所提出方法的精准性和有效性。