模糊C均值聚类算法

摘要： 对模糊C-均值聚类算法改进及在齿轮故障高效、可靠识别中的应用进行研究,提出了一种新的计及模糊聚类和特征选取的在线齿轮故障识别方法—基于混合蜻蜓优化多核模糊聚类和特征子集选取的在线齿轮故障识别算法。设计多核函数和贪婪聚类中心初始化策略,以克服模糊聚类算法对初始值敏感、高维复杂数据聚类鲁棒性差的缺陷;提出特征子集选取机制,更大限度降低数据处理维度;引入混合蜻蜓优化算法,将多核函数确定、最佳特征子集和聚类中心等效为蜻蜓个体编码,通过迭代求解最优聚类效果目标函数,在完成多核函数确定和最佳特征子集选取的同时,有效提高聚类算法求解效率;构建线下训练和线上故障识别模型,利用线下训练模式得到最佳模糊聚类个数等参数,并应用于复杂多样、高维非线性海量齿轮故障监测数据线上识别。仿真结果表明,提出的改进模糊聚类算法具有更好的聚类效果和更好的齿轮故障辨识度,高维复杂数据聚类正确率提高了约(6.5~9.3)%,齿轮故障识别检测成功率提高了约(11.1~31.7)%。

摘要： 为了降低火电厂脱硫系统能耗,确定运行参数基准值,提出一种基于模糊聚类方法的优化运行策略,以较低脱硫成本为目标选取决策样本,采用麻雀搜索算法优化的模糊C均值聚类方法求解脱硫系统可调参数的基准值,将聚类中心作为优化变量,模糊C均值聚类算法的目标函数作为麻雀搜索算法的适应度函数,迭代计算得到全局最优解。分析了某660 MW机组脱硫系统的历史运行数据,以某一典型工况:入口烟气流量为1600~1800 kNm^(3)/h,入口SO_(2)浓度为1500~1700 mg/Nm^(3)为例,得到其最优可调参数:浆液pH值为5.54、浆液密度为1168.22 kg/m^(3)以及循环浆液量为23980.97 m^(3)/h,脱硫综合成本可降低427.97元/h,从而提高系统运行效率。与传统的模糊C均值聚类算法对比,优化后的算法可解决其对初值敏感,易陷入局部的缺点,计算结果具有更高的聚类准确率。结果表明,该运行优化策略可用于搭建脱硫系统工况库,提供优化指导。

摘要： 为矿山供水施救系统实现自适应匹配与完全自动控制,需实时掌握未来短期内矿山井下需水量的变化规律,并进行科学合理的预测。为此,分别应用模糊c均值聚类算法和时间序列法两种算法,构建了未来短时间内供水施救系统水量需求预测模型,并利用Simulink对模型进行仿真。以某金属矿山为实例,分别应用两种模型进行仿真,结果表明,两种预测方法的误差分别为0.700%和1.116%,都能满足矿山精度要求,应用模糊c均值聚类算法构建的仿真模型的误差更小,与该矿山实际情况更加匹配。研究能够为供水施救系统的自动控制提供参考。

摘要： 目前矿用千米定向钻机的行走、钻进等各项操作均由司钻工人手动操作实现,智能化水平低,且缺少对千米定向钻机动作类型与液压泵站振动状态二者关联性的研究,远程识别千米定向钻机动作类型困难。针对上述问题,提出了一种基于经验小波变换(EWT)和模糊C均值(FCM)聚类算法的矿用千米定向钻机动作识别方法。首先利用EWT方法分析千米定向钻机执行5种不同动作(千米定向钻机启动和动力头不带钻杆旋转、带钻杆旋转、带钻杆向前慢速钻进和带钻杆向前快速钻进)时液压泵站3个关键部位(电动机、液压泵和联轴器)的频率特征信息,分别选取每处振动特征最明显方向上的振动信号构成动作识别原信号组。然后结合EWT分解和相关系数选取规则提取动作识别原信号组中包含钻机动作信息的特征量,并确认不同特征量的权重,构建标准识别特征量。最后利用FCM聚类算法得到待识别动作特征量与5种动作识别标准特征量之间的隶属度,实现对千米定向钻机动作类型的智能识别。以ZYL-17000D型矿用千米定向钻机为研究对象,对基于EWT和FCM聚类算法的矿用千米定向钻机动作识别方法的可靠性进行实验验证,实验采集了电动机、液压泵、联轴器的轴向、水平径向、垂直径向等方向在5种动作下的振动数据,结果表明:钻机执行不同动作时,其电动机、液压泵和联轴器振动信号的经验小波函数表现出了不同的特征,其中液压泵轴向振动信号特征量的聚类性能最好,根据提取的特征量在不同动作下的差异性可实现对动作类型的识别。基于测试数据的动作识别结果表明,该方法能够有效识别千米定向钻机的动作类型,且在隶属度大于0.9的条件下,识别准确率达96.8%。

摘要： 在风力发电系统中,研究风速与功率波动的关联特性能够为风电功率预测提供很好的理论基础,对增强电力系统的安全性与稳定性具有重要的参考价值。针对功率并不随着风速波动而实时线性波动的问题,采用K均值聚类算法和模糊C均值聚类算法分别对风速和功率波动过程进行划分,得到5种不同波动过程,然后采用皮尔逊相关性分析法和灰色关联度分析法分析不同波动过程下风速和功率波动的关联特性。不同波动过程下分析结果显示:K均值聚类时最大相关系数为0.4925,最小相关系数为0.3318;模糊C均值聚类时最大相关系数为0.4868,最小相关系数为0.3293;所有波动过程下,灰色关联度均在0.5附近,表明功率波动与风速波动趋势相似。

摘要： 对当前非侵入式负荷监测(NILM)方法对低功率用电设备的辨识准确率不足的问题,提出了一种改进的方法.该方法以改进FCM初始聚类中心为基础,除了采用有功功率特征外,并选取基波功率因数和电压—电流三次谐波含量差作为新特征,引入灰狼算法(GWO)和单纯形法(SF)对聚类过程进行优化,通过模糊聚类来确定负荷的种类数,实现对负荷的识别.实验结果表明,随着负荷种类的增加,该方法在不同场景下具有良好的鲁棒性和较高的准确率.

摘要： 词义消歧是自然语言处理中的难点问题,为提高消歧效果,提出一种基于多节点组合特征的词义消歧方法.根据依存语法理论,选择歧义词的祖父+父亲+孩子节点组合,并将其作为消歧特征.利用模糊C均值聚类算法,建立消歧模型,最终确定歧义词词义类别.采用哈工大信息检索研究中心语言技术平台的词义语料进行实验.实验结果表明,相比现有的两种方法,该方法不仅使特征维度平均值分别降低了5和25,且F1值分别提高了1.56个百分点和0.84个百分点,在一定程度上提升了词义消歧效果.

摘要： 光伏发电作为一种可再生能源发电技术,使用规模日益扩大,光伏发电的精准预测已成为数据挖掘的重要研究领域,但是光伏发电本身的随机性和不确定性使得现有的预测功率难以达到理想的高度,对电网运行的稳定性造成了不利的影响.为了探索预测日的发电功率、历史日的发电功率以及气象数据等相关因素之间的关系,解决光伏发电难以准确预测的问题,提出了基于初始化非负矩阵分解的光伏发电预测方法,将影响光伏发电的因素建立关联关系,根据模糊C均值聚类算法为预测模型的构建提供较好的初值.将此模型应用到真实数据集上,分别对两种天气情况进行了从早上7点到晚上6点15分,46个采样点的预测.通过与基本的非负矩阵分解等算法进行对比实验,表明该模型能够有效提高光伏发电预测精准度.

摘要： 为系统实现桥梁实时在线模态参数自动识别,从数据分析和系统搭建两方面解决桥梁模态参数自动识别问题.首先,引入改进的模糊C均值聚类(fuzzy C-means,简称FCM)算法,通过设定最大聚类数目,得到不同聚类数目下的累积邻接矩阵,并引入图切分算法,自动确定最佳聚类数目,实现稳定图自动识别;其次,提出集数据采集、传输和分析一体化的模态参数自动识别系统框架,通过建立数据解析过程,保证实时在线模态识别的数据获取,并提出动态可变滑动数据窗,保证在线自动识别的实时性;最后,将提出的算法和系统框架运用于拱桥模型来验证所提方法和系统的可行性.结果表明:改进的模糊C均值聚类算法不需要任何人工干预,在默认参数下就可以自动获得最佳聚类数目,实现稳定图自动识别;提出的自动识别系统框架和动态可变滑动数据窗能够实现模态参数自动识别,并保证识别的实时性;提出的桥梁模态参数自动识别方法和自动识别系统能够用于桥梁结构实时在线模态参数的自动识别.

摘要： 为了实现桥梁结构模态参数的智能化在线跟踪识别,提出了一种基于滑窗技术、模糊C均值聚类算法与确定-随机子空间算法的时域识别(SC-CDSI)算法.对桥梁结构的输入信号和输出信号进行加窗划分处理,分析了窗函数、窗口大小及窗口步长的确定标准;将频率、阻尼比及模态振型作为模糊C均值聚类算法的聚类元素完成对稳定图中有效模态的智能化辨识;以某振动台试验桥为参数识别对象,并将所得结果与MIDAS有限元结果作对比分析.结果表明,所提SC-CDSI识别算法可以精确实现桥梁结构频率的在线跟踪智能化识别,且识别的结果具有可靠性.

摘要： 本研究基于模糊C均值聚类算法(Fuzzy C-means,FCM)以及自适应共振神经网络算法(ART-2a)开发以单颗粒气溶胶质谱谱库为中心的LAMPAS-3在线源解析系统,实现了颗粒污染来源的快速识别和解析.通过模拟单个污染源、双重污染源以及三重污染源,分别对FCM算法以及ART-2a算法进行准确性测试.结果表明,ART-2a算法识别单个污染源颗粒的准确率高于FCM算法,FCM算法识别混合污染源颗粒的准确率高于ART-2a算法.

摘要： 本研究基于模糊C均值聚类算法(Fuzzy C-means,FCM)以及自适应共振神经网络算法(ART-2a)开发以单颗粒气溶胶质谱谱库为中心的LAMPAS-3在线源解析系统,实现了颗粒污染来源的快速识别和解析.通过模拟单个污染源、双重污染源以及三重污染源,分别对FCM算法以及ART-2a算法进行准确性测试.结果表明,ART-2a算法识别单个污染源颗粒的准确率高于FCM算法,FCM算法识别混合污染源颗粒的准确率高于ART-2a算法.

摘要： 本研究基于模糊C均值聚类算法(Fuzzy C-means,FCM)以及自适应共振神经网络算法(ART-2a)开发以单颗粒气溶胶质谱谱库为中心的LAMPAS-3在线源解析系统,实现了颗粒污染来源的快速识别和解析.通过模拟单个污染源、双重污染源以及三重污染源,分别对FCM算法以及ART-2a算法进行准确性测试.结果表明,ART-2a算法识别单个污染源颗粒的准确率高于FCM算法,FCM算法识别混合污染源颗粒的准确率高于ART-2a算法.

摘要： 本研究基于模糊C均值聚类算法(Fuzzy C-means,FCM)以及自适应共振神经网络算法(ART-2a)开发以单颗粒气溶胶质谱谱库为中心的LAMPAS-3在线源解析系统,实现了颗粒污染来源的快速识别和解析.通过模拟单个污染源、双重污染源以及三重污染源,分别对FCM算法以及ART-2a算法进行准确性测试.结果表明,ART-2a算法识别单个污染源颗粒的准确率高于FCM算法,FCM算法识别混合污染源颗粒的准确率高于ART-2a算法.

摘要： 结合经典算法以及交通工程学者的实际调查结果,将速度、流量和占有率作为判别交通状态的特征指标,并作为状态判别算法的输入数据.通过对传统FCM算法进行深入地研究,考虑其挑选初始聚类中心的随机性以及未充分考虑不同属性数据对象贡献差异的缺点,提出了基于K-means算法和特征权重方法的改进FCM算法,并搭建基于Hadoop集群的实验环境.以广州南沙经济开发区作为实际案例,基于Hadoop平台建立仿真实验,对实验数据进行预处理并利用改进FCM算法对历史交通数据进行聚类,并以误判率为评价指标,对比分析K-means、传统FCM以及改进FCM算法的聚类效果.结果显示,改进FCM算法的误判率最低,仅有11.3％,以此证实改进FCM算法对交通数据进行聚类的有效性.

摘要： 结合经典算法以及交通工程学者的实际调查结果,将速度、流量和占有率作为判别交通状态的特征指标,并作为状态判别算法的输入数据.通过对传统FCM算法进行深入地研究,考虑其挑选初始聚类中心的随机性以及未充分考虑不同属性数据对象贡献差异的缺点,提出了基于K-means算法和特征权重方法的改进FCM算法,并搭建基于Hadoop集群的实验环境.以广州南沙经济开发区作为实际案例,基于Hadoop平台建立仿真实验,对实验数据进行预处理并利用改进FCM算法对历史交通数据进行聚类,并以误判率为评价指标,对比分析K-means、传统FCM以及改进FCM算法的聚类效果.结果显示,改进FCM算法的误判率最低,仅有11.3％,以此证实改进FCM算法对交通数据进行聚类的有效性.

摘要： 结合经典算法以及交通工程学者的实际调查结果,将速度、流量和占有率作为判别交通状态的特征指标,并作为状态判别算法的输入数据.通过对传统FCM算法进行深入地研究,考虑其挑选初始聚类中心的随机性以及未充分考虑不同属性数据对象贡献差异的缺点,提出了基于K-means算法和特征权重方法的改进FCM算法,并搭建基于Hadoop集群的实验环境.以广州南沙经济开发区作为实际案例,基于Hadoop平台建立仿真实验,对实验数据进行预处理并利用改进FCM算法对历史交通数据进行聚类,并以误判率为评价指标,对比分析K-means、传统FCM以及改进FCM算法的聚类效果.结果显示,改进FCM算法的误判率最低,仅有11.3％,以此证实改进FCM算法对交通数据进行聚类的有效性.

摘要： 结合经典算法以及交通工程学者的实际调查结果,将速度、流量和占有率作为判别交通状态的特征指标,并作为状态判别算法的输入数据.通过对传统FCM算法进行深入地研究,考虑其挑选初始聚类中心的随机性以及未充分考虑不同属性数据对象贡献差异的缺点,提出了基于K-means算法和特征权重方法的改进FCM算法,并搭建基于Hadoop集群的实验环境.以广州南沙经济开发区作为实际案例,基于Hadoop平台建立仿真实验,对实验数据进行预处理并利用改进FCM算法对历史交通数据进行聚类,并以误判率为评价指标,对比分析K-means、传统FCM以及改进FCM算法的聚类效果.结果显示,改进FCM算法的误判率最低,仅有11.3％,以此证实改进FCM算法对交通数据进行聚类的有效性.

摘要： 结合经典算法以及交通工程学者的实际调查结果,将速度、流量和占有率作为判别交通状态的特征指标,并作为状态判别算法的输入数据.通过对传统FCM算法进行深入地研究,考虑其挑选初始聚类中心的随机性以及未充分考虑不同属性数据对象贡献差异的缺点,提出了基于K-means算法和特征权重方法的改进FCM算法,并搭建基于Hadoop集群的实验环境.以广州南沙经济开发区作为实际案例,基于Hadoop平台建立仿真实验,对实验数据进行预处理并利用改进FCM算法对历史交通数据进行聚类,并以误判率为评价指标,对比分析K-means、传统FCM以及改进FCM算法的聚类效果.结果显示,改进FCM算法的误判率最低,仅有11.3％,以此证实改进FCM算法对交通数据进行聚类的有效性.

摘要： 为实时检测纱线条干的均匀度,提出了一种新的实时分割纱线图像的方法.纱线图像由开发的实时图像采集装置获取得到,当第一帧图像被获取后,以纱线图像灰度值的局部平均值和熵值为特征向量对其进行FCM聚类得到一个全局阈值;纱线图像中每行像素点的灰度值低于该全局阈值的值与一个模板进行卷积以获得灰度梯度曲线;取曲线中的最大值和最小值点作为是纱线条干的上边缘点和下边缘点,从而获得纱线条干图像.该方法能够实时分割纱线图像,并且在评价纱线条干均匀性时具有一定的鲁棒性和准确性.最后,提出了SE(％)和ADE(％)两个指标来评价提出分割方法的准确性和对比人工分割方法.

摘要： 本发明公开一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法。包括：步骤1)建立历史PMU数据随机矩阵模型，通过建立线性特征值统计量进行特征提取，得到特征数据集；步骤2)用模糊C均值聚类算法对特征数据集进行聚类，得到各类的聚类中心和隶属度矩阵；步骤3)将实时电网运行数据结合历史数据建立随机矩阵模型，通过建立线性特征值统计量进行特征提取，生成特征数据；步骤4)使用步骤2的结果进行初始化，对步骤3生成的特征数据进行模糊C均值聚类，判断实时数据的类别。本发明可实现数据驱动下的PMU数据实时分类。

摘要： 本发明提出一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类，并利用分类的结果判断故障的类型。当变压器中出现声纹异常时，利用模糊C均值对声纹数据进行处理，可以确定各个声纹数据样本的聚类中心，通过隶属度矩阵的行对应着所属类别，列对应着数据样本的顺序编号，隶属度矩阵每一列最大数据所在的行即为数据样本所对应的故障类别，这样就可以有效检测出声纹故障的类型。从而实现了由变压器由异常声纹引发的故障的诊断。

摘要： 本发明涉及人工蜂群算法技术领域，具体涉及基于模糊C‑均值算法和人工蜂群聚类算法的混合聚类算法，该算法包括初始化阶段、引领蜂阶段、跟随蜂阶段和侦查蜂阶段，还包括如下步骤：步骤一：跟随蜂阶段结束后，判断当前算法是否是第一次循环；若是，则执行步骤二；若不是，则执行步骤三；步骤二：将当前的最优解作为模糊C‑均值聚类算法的初始聚类中心进行优化，若优化后的解的质量高于当前最优解，则用优化后的解代替当前最优解，否则放弃，同时相应蜜源的迭代次数加1，然后进入侦查蜂阶段；步骤三：判断最优解在跟随蜂阶段后是否发生改变；若是，则执行步骤二；若否，则进入侦查蜂阶段。本发明所提供的算法聚类准确率高、收敛速度快、寻优精度高。

摘要： 本发明公开了一种基于模糊C均值聚类算法的无线传感器网络数据聚类方法，其首次提出了相对位置相异度公式即公式(2)至(4)，克服了现有区间数距离公式存在区间数距离值与其相对位置不一致的问题，可以定量描述区间数间相对位置，能更准确描述区间数之间相对位置，并通过模糊C均值聚类算法将该相对位置相异度公式应用到无线传感器网络节点的聚类划分上，从而在不影响聚敛速度的前提下，将无线传感器网络的节点更准确的划分成多个聚类，使得每一个聚类内的节点相互之间的感知数据区间数序列

摘要： 本发明涉及一种基于粗糙集和粒子群算法的改进模糊C‑均值算法。本发明引入了粒子群优化算法的全局搜索性能来克服传统模糊聚类的过早收敛问题，利用粗糙集的模糊平衡属性来处理类簇间的重叠以及类簇边界的模型不确定性。本发明方法利用Davies‑Bouldin(DB)指数评价聚类有效性，在给定的类簇个数范围内自动寻找最优聚类数目，以提供紧凑且良好分隔的类簇。实验结果表明，所提出的方法显著提高了聚类效果。

摘要： 基于改进模糊C均值聚类算法的配电网动态重构方法，通过EEMD‑SVR组合预测模型和历史功率数据，对DG输出功率和负荷功率进行日前功率预测；输入配电网初始参数、负荷功率预测量、DG预测出力值等相关初始参数；依据功率预测数据构建分段‑损失函数，以确定最优分段数；并通过改进模糊C最优聚类分析算法，实现日内动态重构时段划分；依据聚类算法，确定时段划分方案和各时段等效负荷中心；通过改进细菌觅食算法，分别对配电网各时段进行静态重构优化；根据日内重构各时段的优化调节方案，计算确定配电网日内运行网络损耗和电压波动情况，输出求解后的相关参数。该方法简单、高效，能够应用在含新能源接入的中低压配网，具有一定的推广和实际价值。

摘要： 本发明提出了一种基于模糊C均值聚类算法的多源异构数据融合方法及系统，其方法包括：获取特定环境下的多源异构数据以及对应的任务信息；将获取到的多源异构数据均转化为可描述的文本数据，并从中提取特征分词，对特征分词进行归一化得到标准特征信息；根据获取到的多源异构数据以及对应的任务信息建立事件树，基于复相关系数算法计算标准特征信息与事件树的相关概率；基于相关概率采用模糊C均值聚类算法对标准特征信息进行特征融合，得到满足条件的融合结果。本发明先提取标准特征信息再采用模糊C均值聚类算法进行融合，实现了数据类型复杂且数据维数大情况下的多源异构数据的有效融合，提高了多源异构数据融合方法在实际应用中的利用率。

摘要： 本发明公开一种基于GPU端模糊C均值聚类的雷达信号分选方法，其实现步骤是：1、对每部雷达接收的回波信号进行脉冲检测，得到该部雷达发射的脉冲描述字PDW；2、在CPU端初始化聚类划分；3、在GPU端并行化更新当前每个分类聚类中心的PDW值；4、在GPU端并行化更新当前每个PDW的隶属度；5、迭代更新所有聚类中心PDW值、隶属度矩阵U；6、在CPU端对更新后的雷达脉冲数据集D进行聚类划分。本发明相比传统的串行聚类算法更加高效，更好地满足了雷达信号分选的实时性需求，而且雷达信号分选的准确率更高。

摘要： 大量改进的模糊C均值聚类算法已广泛用于灰度和彩色图像分割。然而，大多数分割是耗时的，且无法为彩色图像提供所需的分割结果。一个是由于群集中心与本地相邻窗口内的像素之间的重复距离计算，局部空间信息的结合常常导致高计算复杂性。另一个是常规邻近窗口通常会破坏图像的真实局部空间结构，从而导致分割不良。我们定义多尺度形态梯度重建操作以获得具有精确轮廓的超像素图像。与传统的固定尺寸和形状相比，超像素图像提供更好的自适应和不规则的局部空间邻域，该邻域有助于改善彩色图像分割。其次，基于所获得的超像素图像，原始彩色图像是简化的，该算法提供了更好的分割结果，并且比彩色图像分割的最先进的聚类算法需要更少的时间。

摘要： 本发明公开了一种基于模糊c均值聚类算法的风场等值建模及优化控制方法，包括：确定聚类算法中类的个数c；选取风电机组的输出功率平均值、输出功率标准差、惯性时间常数、经度、纬度和高度作为聚类算法中的聚类要素进行分析；对上述参数进行预处理，得到风电机组的特征矩阵；确定聚类距离和目标函数；对风场进行模糊c均值聚类算法，得到风场等值模型；对风场等值模型中的虚拟风机进行参数聚合；对虚拟风机的输出功率进行优化；每隔预设时间，重复上述步骤，更新参数，并根据更新的参数对虚拟风机的输出功率进行优化。本发明在简化风场模型的同时能够准确反映风场的实际运行状态，且计算过程相对简单易于实现。