用人工神经网络方法计算太阳光谱辐照度分布

针对传统太阳光谱辐照度分布计算模型计算速度慢,需要大量气象参数等问题,提出了一种基于人工神经网络(ANN)算法模型计算特定气象参数下的太阳光谱辐照度分布的方法。首先将数据集通过Mini-Batch-Kmeans算法聚类并标签化,利用Python平台搭建ANN算法模型并对数据集进行训练,从而获得该气象条件下的太阳光谱辐照度分布。结果表明,相对于其他机器学习算法模型,提出的ANN算法具有更好的误差评估参数表现以及更稳定的预测性能。此预测模型可运用于光伏器件的输出性能参数的计算,为光伏组件实际应用中预测发电量输出和性能评估提供了便捷工具。     

基于数据挖掘的电力系统网络安全漏洞识别方法

为提高网络安全漏洞识别结果准确率,设计一种基于数据挖掘技术的电力系统网络安全漏洞识别方法。使用数据挖掘技术中的SVM算法,对平面内离散点进行最优分类,以此实现电力系统网络安全数据分类;引进模糊均值FCM算法,对电力系统网络中呈现异常状态的数据进行聚类;选择评估指标,集成所有可以用于评估电力系统网络安全的指标,量化指标,评估网络安全态势,完成对网络安全漏洞的识别。设计对比试验,证明此次设计的基于数据挖掘技术的识别方法可以实现对电力系统网络安全漏洞的准确识别,为电力系统网络的安全运行提供全面的技术保障。     

基于二次聚类的工业用户负荷可调节潜力特征提取与综合评估方法

随着新能源发电占比增加,发电侧的调节能力降低,挖掘负荷侧的可调节潜力是新型电力系统电力供需平衡的必然选择。针对工业用户,提出了一种基于二次聚类的可调节潜力特征提取与综合评估方法。综合考虑工业用户的可中断性、可转移性和生产属性,建立了负荷可调节潜力评估指标体系。首先,采用近邻传播(affinity propagation, AP)聚类-k均值(k-means)聚类的二次聚类方法挖掘用户可调节潜力特征,计算可调节指标。其次,基于相关性定权(criteria importance through intercriteria correlation, CRITIC)法和多准则妥协解排序(vlsekriterijumska optimizacija I kompromisno resenje, VIKOR)法分别评估工业用户可中断潜力、可转移潜力和生产潜力。然后,利用集对分析(set pair analysis, SPA)-可变模糊集(variable fuzzy set, VFS)法评估工业用户负荷综合可调节潜力,并得到优先级排序。最后,根据某地区9户工业用户历史负荷监测数据进行可调节潜力评估,通过对不同聚类方法、不同指标体系以及不同评估算法结果的对比分析,验证了所提方法在特征提取、指标定义以及评估合理性方面的优势。     

基于聚类和联合偏度与峰度指数的高光谱数据波段选择算法

高光谱数据的光谱分辨率高,数据量大,在提供丰富、详细的地物或目标信息的同时,不同光谱波段特别是相邻波段间有较强的相关性,导致光谱波段之间有大量冗余信息。针对这一问题,面向高光谱异常检测,提出了基于聚类和联合偏度与峰度指数的波段选择方法。首先利用虚拟维度进行估计,确定高光谱数据的本征维度,再结合最大-最小距离的思想进行聚类中心的更新,避免了随机选取的初始值可能导致距离太近的问题。然后,考虑到异常目标常常表现为不满足背景高斯分布的特点,使用联合偏度与峰度指数作为准则函数进行波段选择,有效选择出了重要波段。在三组代表性高光谱数据集上进行了实验,结果表明本文所提出的算法有效提升了高光谱异常检测的效果并降低了虚警率。     

基于聚类算法的电力大数据信息分析系统研究

为了提高电力大数据处理与分析能力,通过构建聚类算法模型,将电力大数据信息的宏观数据信息转换为微观数学思维,增强了大数据信息分析能力。采用MapReduce的分布实现电力大数据系统的总体架构规划。采用生成式对抗网络(GAN)技术对电力监控的数据进行合理化分析,对系统安全进行改进,以实现电网数据的漏洞修复,为后续检修提供安全保障。利用聚类算法,实现对电力大数据的异常检测。试验结果表明,该系统的信息安全可靠性达到了97%,系统异常检测准确性达到了96%。所研究系统的准确性更高。     

基于黎曼流形的多视角谱聚类算法

现有的多视角谱聚类算法大多只线性结合了各视角的基拉普拉斯矩阵,未考虑不同视角数据的差异性对最优拉普拉斯矩阵的影响,存在聚类性能受限的问题。提出一种基于黎曼几何均值与高阶拉普拉斯矩阵的谱聚类算法(RMMSC),挖掘多视角数据中的高阶连接信息与流形信息,提高最优拉普拉斯矩阵对各视角的信息利用率。按一定的权重线性结合数据单一视角的各阶拉普拉斯矩阵,得到每个视角的基拉普拉斯矩阵,通过低阶与高阶连接信息的结合使用,充分体现多视角数据集的全局结构。在此基础上,计算各视角基拉普拉斯矩阵的黎曼几何均值,将其作为最优拉普拉斯矩阵输入谱聚类算法,得到聚类结果。相比于传统矩阵算数均值的计算,基于黎曼流形的黎曼几何均值能够更好地恢复互补层数据的流形信息。实验结果表明,RMMSC在多组标准数据集上聚类效果优于ONMSC、MLAN、AMGL等算法。其中,在Flower17数据集上,精确度较基准算法ONMSC提高了2.14%,纯度提高了1.7%,且收敛性较好。     

融入无监督度量学习的稀疏子空间聚类模型

子空间聚类任务中的无标记数据具有维度高、数据分布分散等特点,传统方法对数据预处理未进行详细地针对化设计且大多使用欧氏距离度量数据间的相似性,使聚类性能提升受限.因此,本文提出融入无监督度量学习的稀疏子空间聚类模型,该算法将距离度量与子空间聚类联合到同一框架,设计由两步组成的聚类过程.该方法对原始数据进行度量学习并重构了稀疏子空间聚类模型,使数据预处理不再是一个单独的步骤,最大限度地将输入的无标记数据之间相似度提高,有效提升了子空间聚类性能、加强了模型泛化能力.我们在真实公开数据集上进行实验测试,实验结果表明该方法优于现有的子空间聚类算法,具有良好的聚类性能.     

基于中间图特征提取的卷积网络双标准剪枝

卷积神经网络（CNN）在计算和存储上存在大量开销,为了使CNN能够在算力和存储能力较弱的嵌入式等端设备上进行部署和运行,提出一种基于中间图特征提取的卷积核双标准剪枝方法。在卷积层后插入中间图互信息特征提取框架,分析卷积核的特征提取能力,结合批量归一化层的缩放因子对卷积核的综合重要性进行评估,获取更为稀疏的CNN模型。针对全连接层存在大量冗余节点的问题,提出一种基于节点相似度与K-means++聚类的全连接层剪枝方法,聚类相似度较高的节点,并对剪枝后的连接层权重进行融合,在一定程度上弥补因剪枝所造成的精度损失。在CIFAR10和CIFAR100数据集上的实验结果表明,使用该剪枝方法对ResNet56网络进行剪枝,在损失0.19%分类精度的情况下能够剪掉48.2%的参数量以及46.7%的浮点运算量,对于VGG16网络,能够剪掉94.5%的参数量以及64.4%的浮点运算量,分类精度仅下降0.01%。与VCNNP、PF等剪枝方法相比,所提剪枝方法能够在保持模型准确率几乎不变的情况下,对CNN的参数量和计算量进行更大比例的裁剪。     

基于加权投票的主动密度峰值数据聚类算法

针对传统方法缺乏对查询标准的全面考虑,并且反复运行半监督聚类来更新标签等问题,提出一种基于加权投票一致性的主动密度峰值数据聚类算法。提出一个同时考虑代表性和信息性的主动密度峰聚类算法,选取有代表性的实例捕捉数据模式,查询信息实例以减少聚类结果的不确定性。设计快速更新策略,有效地更新了标签。提出一个结合局部和全局不确定性的主动聚类集成框架,并引入加权投票一致性方法对聚类结果进行优化整合。在数据集上的实验结果证明了该方法能有效解决传统方法问题,并具有良好的聚类性能。     

基于历史数据和多目标优化的测试用例排序方法

针对如何提高测试用例序列的揭错效率和回归测试效益问题,提出一种基于历史数据和多目标优化的测试用例排序方法。首先,根据测试用例的文本主题相似性和代码覆盖相似性对测试用例集进行聚类,并根据历史执行信息对测试用例间的执行失败关系进行关联规则挖掘,从而为后续过程做准备;然后,利用多目标优化算法对每个类簇内的测试用例进行排序,在此之后生成最终排序序列,使相似的测试用例分隔开;最后,利用测试用例间的关联规则,动态调整测试用例执行次序,从而使可能失败的测试用例优先执行,以进一步提高缺陷检测效率。与随机排序方法、基于聚类的排序方法、基于主题模型的排序方法、基于关联规则和多目标优化的排序方法相比,所提方法的平均故障检测率（APFD）平均值分别提高了12.59%、5.98%、3.01%和2.95%,基于成本的平均故障检测率（APFDc）平均值分别提高了17.17%、5.04%、5.08%和8.21%。实验结果表明,所提方法能有效提高回归测试效益。