基于高斯混合聚类的电力工控系统异常检测研究

电力工控系统数据在时间维度上具有周期性,但其时间序列呈现多元高斯分布特性且周期长度不固定,这导致通过相似性度量来发现异常难以进行.针对上述问题,文章提出一种基于多元高斯聚类的电力工控系统异常时序检测方法.该方法首先获取电力工控系统流量数据,对其采用多元高斯分布混合算法实现时间序列的符号化,然后利用马尔可夫链从长度不固定...     

多维灰聚类分析在熟肉制品安全风险评估中的应用

以某省2011年餐饮服务食品安全抽检数据为基础,采用灰理论对当年餐饮服务环节熟肉制品的食品安全风险程度做出多维灰聚类评估。评估结果显示抽检中不合格样品大多属于低风险类,可以得出当年熟肉制品的食品安全状况属于安全可控状态。该法更加明确了食品安全风险的等级,加强了监管餐饮环节食品安全的有效性,也为今后评估食品安全风险等级提供了一种新的研究方法。     

退役动力电池梯级利用分选技术研究

首先利用熵权法对退役电池各特征参数进行权重计算,依据计算结果选取电池剩余容量、开路电压和放电直流等效内阻作为电池聚类的分选因子。其次利用支持向量机算法预测退役电池剩余容量,最后利用K-均值聚类算法将电池分成4种等级,并通过实验证明了该方法的准确性。     

大学评价的Fuzzy聚类方法

在对教学、科研两方面分别进行综合评价的基础上，按教育部对学科门的划分及大学各学科门的比例对高校进行分类，再利用模糊聚类方法计算出模糊关系矩阵和传递闭包，逐步降低阈值从而得到分型的截矩阵，然后根据每个学校的类和教学、科研两方面的型给出其类型结果.     

Trip Purposes of Automobile Users Inference Using Multi-day Traffic Monitoring Data

题目：基于多日交通监测数据推断汽车用户的出行目的

作者姓名：郑文,李文权,陈茜,郑炎,张晨皓

单位：东南大学交通学院,211189,中国南京

摘要：确定出行目的是探索出行规律的一个重要环节。本文以城市中的汽车用户为研究对象,结合无监督学习和有监督学习方法分析其出行特征,重点研究汽车用户出行目的的分类和预测。然而,以往关于出行目的的研究主要集中在问卷调查和GPS数据上,不能很好地反映汽车出行的特点。为了避免传统交通问卷调查中忽略的多日行为变异性和个体特征的不可观察异质性,我们采用了青岛市北区的道路卡口监测数据,并运用K-均值聚类方法来估计汽车用户的出行目的。然后,采用自适应提升（AdaBoost）和随机森林（RF）方法对出行目的进行分类和预测。最后,本研究的结果显示: (1）汽车用户的出行目的主要可以分为四类,分别是通勤出行、出租车出行、白天的弹性生活需求出行和晚间的娱乐休闲购物;（2）随机森林方法在出行目的预测中的表现明显优于AdaBoost,准确率更高;（3）超参数优化下随机森林的平均预测精度达到96.25%,证明了上述聚类结果的可行性和合理性。

关键词：出行目的;汽车用户;交通监控数据;K-means聚类; AdaBoost;随机森林

主要研究内容：

由于汽车出行结构的复杂性,使用GPS数据或问卷调查数据无法完全分析出其出行特征。本文选择覆盖面更广的道路卡口监测数据来分析汽车出行的空间和时间特征。本文以K-means聚类和机器学习为重点,旨在对汽车用户的出行目的进行分类和预测。我们的工作可以为探索城市汽车出行的特征提供依据,也可以为不同的出行目的提供合适的公共交通方式（如需求响应式公交、快速公交和公交快线）来替代汽车出行,这有助于优化城市道路交通结构,保证城市交通系统的可持续发展。其核心思想和重要研究内容主要包括以下三个部分。

1）在我们的研究中,应用了以往关于出行目的研究中没有使用过的道路卡口监测数据,并验证了监督和非监督学习方法的结合在分析具体出行问题上的有效性。这不仅可以从一个新的角度来分析出行目的,也为今后的出行行为研究提供了很好的参考。

2）基于青岛市的道路监测数据集,建立了六个指标来分析汽车用户出行的时空特征。然后,采用K-means聚类方法对数据集进行分析,根据SSE和CH_Score的收敛值,可以将研究区域内的汽车用户出行目的主要分为四类,分别为通勤出行、出租车出行、白天的弹性生活需求出行和晚间的娱乐休闲购物。这使得我们可以间接了解汽车用户的出行结构,从而帮助交通管理者针对不同目的实施不同的交通管理措施。

3）根据K-means聚类的结果,从多个方面分析了两种基于树的集合学习方法的预测精度。结果发现,在超参数优化条件下,随机森林更适合于处理该类出行目的预测问题。MAE、RMSE和R²的值都优于AdaBoost。此外,RF的平均预测精度可以达到96.25%,也高于AdaBoost。它为处理出行行为问题提供了参考。

     

基于红外图像的零值绝缘子自动检测算法

在电力系统中,利用计算机视觉和图像处理技术对零值绝缘子进行检测,对保障电力系统的安全运行具有非常重要的作用。提出了一种基于红外图像的零值绝缘子自动检测算法。该算法首先对输入图像进行预处理,利用GLOH描述子结合机器学习精确定位绝缘子,然后利用图谱方法提取图像的边界点,并搜索初始轮廓线作为初始值,利用GVF Snake模型检测绝缘子串的精确轮廓线,以分割绝缘子,最后通过分析统计直方图,实现零值绝缘子的自动检测。实验结果表明,所提出的算法可以有效地检测零值绝缘子。     

跨域联合学习与共享子空间度量的车辆重识别

目的 现有的跨域重识别任务普遍存在源域与目标域之间的域偏差大和聚类质量差的问题,同时跨域模型过度关注在目标域上的泛化能力将导致对源域知识的永久性遗忘。为了克服以上挑战,提出了一个基于跨域联合学习与共享子空间度量的车辆重识别方法。方法 在跨域联合学习中设计了一种交叉置信软聚类来建立源域与目标域之间的域间相关性,并利用软聚类结果产生的监督信息来保留旧知识与泛化新知识。提出了一种显著性感知注意力机制来获取车辆的显著性特征,将原始特征与显著性特征映射到一个共享子空间中并通过它们各自全局与局部之间的杰卡德距离来获取共享度量因子,根据共享度量因子来平滑全局与局部的伪标签,进而促使模型能够学习到更具鉴别力的特征。结果 在3个公共车辆重识别数据集VeRi-776（vehicle re-identification-776 dataset）、VehicleID（largescale vehicle re-identification dataset）和VeRi-Wild（vehicle re-identification dataset in the wild）上与较新方法进行实验对比,以首位命中率（rank-1 accuracy,Rank-1）和平均精度均值（mean average precision,mAP）作为性能评价指标,本文方法在VeRi-776→VeRi-Wild,VeRi-Wild→VeRi-776,VeRi-776→VehicleID,VehicleID→VeRi-776的跨域任务中,分别在目标域中取得了42.40%,41.70%,56.40%,61.90%的Rank-1准确率以及22.50%,23.10%,41.50%,49.10%的mAP准确率。在积累源域的旧知识表现中分别取得了84.60%,84.00%,77.10%,67.00%的Rank-1准确率以及55.80%,44.80%,46.50%,30.70%的mAP准确率。结论 相较于无监督域自适应和无监督混合域方法,本文方法能够在积累跨域知识的同时有效缓解域偏差大的问题,进而提升车辆重识别的性能。     

基于在线聚类的模糊建模方法及其应用

针对复杂非线性动态系统的模糊建模问题,提出了一种基于在线聚类的模糊建模方法。该方法首先采用在线聚类算法辨识T-S模型的前提参数,然后采用递推最小二乘算法辨识结论参数。根据系统过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新。最后将提出的方法应用于Box-Jenkin煤气炉建模和二自由度机器人建模两个例子。仿真结果表明,基于该方法辨识的T-S模糊模型具有很高的精度,而且模型结构简单、建模速度快,便于工程应用。     

一种改进模糊C均值聚类的电离层杂波分类方法

在高频地波超视距雷达系统中,电离层杂波作为一种时变、非均匀、非高斯的复杂杂波,其复杂性导致了单一杂波抑制算法无法有效地抑制电离层杂波.针对不同特性,将复杂的电离层杂波进行分类,可以有效地提升电离层杂波抑制性能.常规的杂波聚类方法由于仅在特征空间进行聚类,分类结果存在空间分布离散化的问题.针对该问题,结合电离层杂波特性与...     

基于组合优化方法的K-means聚类算法实现

针对标准遗传算法用于K-means优化聚类存在的问题,提出了一种基于组合优化方法的K-means聚类算法.实验结果表明:基于组合优化方法的K-means优化聚类算法效率较高,结果较好.