Web数据挖掘在电子商务中的应用

Web数据挖掘已经成为数据挖掘研究领域的热点,尤其是在电子商务网站的设计和使用中。文章阐述了在电子商务中如何运用Web数据挖掘技术,为企业更有效地确认目标市场、改进决策、获得更大的竞争优势提供帮助,并提出了一种Web数据挖掘系统的设计方案和实现方式。同时,对k-means聚类算法进行了优劣分析,并提出通过改变初始聚类中心的选取规则来提高算法的运行效率以及计算结果的准确度。     

超空泡图像的自适应多尺度小波边缘检测

针对水下高速射弹试验获取的超空泡图像中夹杂较多噪声,而传统边缘检测算法在自动边缘检测中抑制噪声效果差的问题。文中采用自适应多尺度小波边缘检测,对超空泡图像进行边缘检测。算法中首先对图像进行多尺度下的小波变换和相邻尺度间的梯度增强,再采用K均值聚类进行边缘的自动检测,得到不同尺度下的边缘,根据小波基的不同选择对应的多尺度融合方法进行多尺度融合,得到最终的边缘图像。实验表明,文中算法相比传统边缘检测算法,有效地抑制了图像中噪声,得到了更完整的边缘信息。     

基于最小聚类单元的聚类算法研究及其在CRM中的应用

将聚类分析技术应用于客户关系管理可以改善客户关系，对将来的趋势和行为进行预测，优化营销策略。在综合分析网格聚类算法和K-均值聚类算法的基础上，提出了基于最小聚类单元（Minimum Clustering Cell，简称MCC）的聚类算法，介绍了该算法在CRM中的应用。经证明该算法是一种实用的、速度更快、效率更高的改进聚类算法，它克服了K-均值聚类需要事先给定K值、网格聚类要求数据密集的缺点。     

基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中,特征提取在金字塔结构小波变换的基础上进行;特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持;纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比,该方法在运行时间上得到了明显的提高。     

考虑多风电场相关性的场景概率潮流计算及无功优化

针对结合K-means聚类和Copula函数建立场景概率模型时,K-means聚类不能根据风电出力数据分布特点自发确定最佳聚类数这一不足,提出通过基于密度的聚类有效性指标确定最佳聚类数。并以此建立最优场景概率模型,采用改进型回溯搜索算法(BSA)进行无功优化。以澳大利亚的两个相邻风电场实测出力为例,在含多风电场的IEEE30节点系统中对所提方法进行验证,算例结果表明采用所提方法确定的最优场景概率模型能准确描述多风电场输出功率之间的相关性。     

一种基于时间序列数据挖掘的用户负荷曲线分析方法

针对目前用户负荷曲线分析方法研究中传统方法在单一用户典型负荷曲线提取以及负荷曲线特征提取的不足,提出了一种基于时间序列数据挖掘的用户负荷曲线分析方法。该方法首先基于分段聚合近似方法对单一用户的负荷曲线降维,并基于符号聚合近似方法对该用户一段时期内的负荷曲线重表达,用符号化序列表示该用户的负荷曲线,提取该用户的典型负荷曲线。然后结合不同用户典型负荷曲线的负荷特性、指标特征和时间序列特征,基于k-means算法对不同用户的典型负荷曲线聚类分析,分析不同类型用户的用电特征。以UCI一个测试数据集进行算例分析,结果表明所提方法能够挖掘出用户的典型用电行为特征,并提升用户负荷曲线分析效率与聚类质量。     

基于动态贝叶斯网络的电价区间预测

在高比例可再生能源参与市场竞争的背景下,电价波动更为剧烈。为了对电价区间进行预测,提出了动态贝叶斯网络(Dynamic Bayesian Network, DBN)的电价区间预测方法。该方法以风电发电量、总发电量和总用电量的预测值以及历史电价真实值为输入数据,以贪婪搜索算法确定DBN的网络结构,以最大似然估计法(Maximum Likelihood Estimate, MLE)估计DBN网络参数,建立DBN模型。然后以风电发电量、总发电量和总用电量的预测值为推理证据,采用联合树推理得到电价预测的离散值和后验概率,实现电价的区间预测。最后将所提方法与电价真实值、对比方法进行比较,验证了所提方法的有效性。所提方法不仅能得到电价的预测区间,而且能给出对应的概率,对提高市场成员的收益、规避价格风险具有指导意义。     

基于DTW距离的探地雷达数据可视化

提出一种基于动态时间弯曲算法距离度量的探地雷达数据可视化方法,利用动态时间弯曲算法在时间轴方向上伸缩的优越性,结合可指定类数的聚类算法对探地雷达数据进行聚类和可视化分析。可用于实测的探地雷达数据集,实验结果表明,相对于传统的聚类算法,本文算法能得到更好的聚类结果。     

一种基于划分的动态聚类算法

聚类分析是数据挖掘的一个重要研究分支,已经提出了许多聚类算法,划分方法是其中之一。划分方法的缺点是要求事先给定聚类结果数,对初始划分和输入顺序敏感等。为克服这些缺陷,以划分方法为基础,提出了一种基于划分的动态聚类算法。该算法按密度从大到小,依距离选择较为分散的初始值,同时可以过滤噪声数据,并在聚类的过程中动态地改变聚类结果数,改善了聚类质量,获得了更自然的结果。