K-means聚类

摘要： 考虑到软件定义网络异常流量分类受到网络复杂特性的影响,导致分类效果变差,提出了基于K-means聚类的软件定义网络异常流量分类研究.利用权重属性,划分了软件定义网络异常流量的频度,在网络异常流量的分布形式转化过程基础上,根据软件定义网络异常节点出现的概率,计算了异常流量的特征值,提取出软件定义网络异常流量特征,根据软件定义网络异构值差的度量,初始化软件定义网络的参考向量值,通过更新分类属性的邻域半径,计算网络异常流量的参考向量,选择出软件定义网络异常流量分类属性,利用K-means聚类算法过滤软件定义网络异常流量,对软件定义网络异常流量进行检索,通过定义网络异常流量分类的目标函数,利用K-means聚类算法理论,构建软件定义网络异常流量的加权临界函数,结合对角矩阵的求解,设计了软件定义网络异常流量分类原理,实现了软件定义网络异常流量的分类.实验结果表明,文中分类方法的查全率、差准率较高,适应度以及收敛性能较好.

摘要： 针对传统耐火材料抗热震性检测方法所存在的诸如效率低、安全性差、没有过程记录等问题,本文利用图像识别技术并结合机器学习建立了新的检测系统,提出了设定初始误差系数E计算连通域特征分割阈值T的算法和基于骨架线区间划分的破损率计算方法,并借助新检测系统对多种耐火材料样品进行抗热震性测试.结果表明,新检测系统中图像处理算法的分割误差、假阳性率和假阴性率均值分别为3.73％、4.89％和1.82％,耐火材料破损率计算方法计算速度快且计算精度高.新抗热震性检测系统大幅降低了检测工作量并能自动保存所有检测记录.

摘要： 社区发现算法对分析复杂网络的拓扑和层次结构、预测复杂网络的演化趋势等具有十分重要的意义。传统的社区发现算法划分精度不高,忽略了网络嵌入的重要性。针对这样的问题,提出了基于节点相似性和网络嵌入Node2Vec方法的无参数社区发现算法。首先,使用网络嵌入Node2Vec方法将网络节点映射成欧氏空间中低维向量表示的数据点,计算低维向量表示的数据点之间的余弦相似性,根据相应节点间的最大相似性构建偏好网络,得到初始社区划分,把每个初始社区的最大度节点作为备选节点;然后根据网络平均度和平均最短路径找出备选节点中的中心节点;最后将中心节点对应的数据点及其数量作为初始质心和聚类数,用K-Means算法对低维向量表示的数据点进行聚类,从而对相应的网络节点完成社区划分。该算法为无参数社区划分方法,可以自主地从网络中提取参数,无须根据网络的不同设定不同的超参数,从而可以自动地快速识别复杂网络的社区结构。在8个真实网络和人工网络上,将其与其他5个知名社区发现算法相比较,数值仿真实验表明所提算法具有很好的社区发现效果。

摘要： 为实现低信噪比条件下跳频(Frequency Hopping,FH)信号的快速检测,提出了一种基于K-means聚类的阈值选取方法。通过对时频矩阵中提取到的每一频率分量最大值进行K-means聚类确定阈值以及截断处理,依据跳频信号在驻留时间上的连续性与频域上的跳变性实现对跳频信号的检测。仿真结果表明,与同类方法相比,所提算法在低信噪比环境下依然有较高的检测概率,并且计算复杂度明显降低,实时性好,具有较高的工程实用价值。

摘要： 变压器顶层油温受天气状况、潮流负荷等诸多因素影响,其预测精度难以提高。为解决此问题,文中提出一种基于相似日和相似时刻的变压器顶层油温预测方法,在相似日内进一步选择待预测日各时刻所对应的相似时刻,进而利用相似时刻预测变压器顶层油温。首先采用基于气象因素的K-means聚类和时间“近大远小”原则,从历史样本中选择得到待预测日的相似日。然后在充分研究相似时刻定义描述和判断依据的基础上,基于反向传播(BP)神经网络和线性加权方法给出了顶层油温预测方法的计算步骤,并将其应用到江苏某特高压主变顶层油温的预测工作中。最后,结果表明该方法预测变压器顶层油温的精度较高,从而验证了该方法的有效性与可行性。

摘要： 参考国内外历史案例和数据,构建战场伤员产生的仿真模型。基于该模型,利用综合评价、资源配置优化算法,研究探讨连抢救组及营救护站的救治、后送运力配置及路径规划策略。利用假设战例验证模型,基于减员预计模型计算减员情况,分析了相应的营、连救治策略。结果验证一线伤员收拢后送运力配置及路径优化模型可靠,可为一线救治信息化、自动化、智能化发展提供技术支撑。本研究为一线伤员救治、收拢、后送力量配置及路径规划提供理论方法。

摘要： 为了提高政府事务管理水平和处理效率,打造“智慧政务”平台,针对政务服务中群众留言的答复内容进行客观评价,提出了一种结合多算法的群众留言回复评价模型.首先,根据答复文本内容定义答复长度、相似性、完整性、可解释性和及时性5个评价特征指标,分别从内容、格式、合理程度和时间4个角度对文本进行评价;其次,采用回归分析方法对答复意见类型进行分析;接着,分别采用K-means聚类、DBSCAN聚类算法、Meanshift聚类算法、HC聚类算法对答复意见等级进行分析,根据4种聚类算法效果对比结果,选用K-means聚类算法,再将聚类算法和回归分析的结果结合,对答复意见进行评价,并将评价等级分为6类.本文模型将机器学习中的数据挖掘和数据分析算法与“智慧政务”相结合,为政府事务管理的研究提供了一个量化分析的工具.

摘要： 风光电站出力具有间歇性和波动性,合理的风光容量配比可以充分实现二者的互补。不准确的电站理论功率计算会影响风光真实特征的提取,导致较大的容量配比误差。文中在新能源电站理论功率计算通常所采用的样板机法的基础上进行改进,首先对异常数据进行识别及重构;然后识别新能源电站中的异常样板机并更新样板机集合,并根据非样板机的实际运行情况选取动态信息窗,利用动态信息窗内样板机和非样板机的实测功率,对非样板机分组并动态识别每组非样板机的比例系数,从而计算新能源电站的理论功率。基于多年历史理论功率的计算对新能源电站进行特征分析,并据此模拟随机出力场景,提出了基于源荷不匹配风险的风光容量配比优化方法。通过算例验证了改进样板机法的准确性,利用该方法得到西北某地区电网风电场、光伏电站多年的改进理论功率数据,并优化得到该地区的风光容量最优配比。文中所提改进样板机法可有效提高新能源电站理论功率的计算精度,基于该方法计算得到的风光容量最优配比可为地区电网风光发电容量提供参照。

摘要： 对传统零售行业客户进行价值分层,进一步对不同价值客户采取相应的营销策略,既能降低营销成本,又能提升营销效果,最终将显著提升企业利润。基于经典RFM模型进行改进,修改了指标F的计算方式,然后对模型指标以熵权法确定其权重,最后进行K-means聚类分析,将客户划分为不同价值层级;以某大型超市相关数据进行实证研究,对超市观察期内的客户进行价值分层后,进一步分析不同类型客户的创利情况,验证了聚类结果的合理性,客户价值层级越高,实际创利情况越佳;最后对不同类型的客户给出相应的营销策略。

摘要： 为了探究建筑因素对环境温度的影响,首先利用K-means聚类法进行聚类分析,以达到控制变量的目的,后对数据进行正态性检验和方差齐性检验,在得出数据不符合单因素方差分析条件下,运用非参数统计方法Kruskal-Wallis检验建筑因素对环境温度的影响,结果显示建筑因素绿化率、高度对环境温度具有显著影响,建筑因素密度对环境温度的影响不显著。

摘要： 国家电网公司为应对2020年新型冠状病毒肺炎疫情的影响,出台了12项全力恢复建设助推企业复工复产的重要举措,通过基于用户当日电量与2019年12月日均电量比值进行复工复产评判,规则简单,见效快,但复工评判阈值难以科学界定,复产基准值缺乏科学依据.针对复工复产评判存在丧失合理性的问题,深入分析目前企业复工电力指数,基于北京市企业用户用电电量及功率数据,借助大数据挖掘技术,提出一种基于K-means聚类的企业复工复产分析方法.通过提取企业用电电量与功率数据,建立停产、复产、峰值的特征指标,应用K-means聚类算法对特征样本进行聚类,精准分析企业复工复产情况,提高了复工复产评判的准确性,实现复工企业智能化评判,取得了显著的管理效益、经济效益和社会效益.

摘要： 国家电网公司为应对2020年新型冠状病毒肺炎疫情的影响,出台了12项全力恢复建设助推企业复工复产的重要举措,通过基于用户当日电量与2019年12月日均电量比值进行复工复产评判,规则简单,见效快,但复工评判阈值难以科学界定,复产基准值缺乏科学依据.针对复工复产评判存在丧失合理性的问题,深入分析目前企业复工电力指数,基于北京市企业用户用电电量及功率数据,借助大数据挖掘技术,提出一种基于K-means聚类的企业复工复产分析方法.通过提取企业用电电量与功率数据,建立停产、复产、峰值的特征指标,应用K-means聚类算法对特征样本进行聚类,精准分析企业复工复产情况,提高了复工复产评判的准确性,实现复工企业智能化评判,取得了显著的管理效益、经济效益和社会效益.

摘要： 国家电网公司为应对2020年新型冠状病毒肺炎疫情的影响,出台了12项全力恢复建设助推企业复工复产的重要举措,通过基于用户当日电量与2019年12月日均电量比值进行复工复产评判,规则简单,见效快,但复工评判阈值难以科学界定,复产基准值缺乏科学依据.针对复工复产评判存在丧失合理性的问题,深入分析目前企业复工电力指数,基于北京市企业用户用电电量及功率数据,借助大数据挖掘技术,提出一种基于K-means聚类的企业复工复产分析方法.通过提取企业用电电量与功率数据,建立停产、复产、峰值的特征指标,应用K-means聚类算法对特征样本进行聚类,精准分析企业复工复产情况,提高了复工复产评判的准确性,实现复工企业智能化评判,取得了显著的管理效益、经济效益和社会效益.

摘要： 国家电网公司为应对2020年新型冠状病毒肺炎疫情的影响,出台了12项全力恢复建设助推企业复工复产的重要举措,通过基于用户当日电量与2019年12月日均电量比值进行复工复产评判,规则简单,见效快,但复工评判阈值难以科学界定,复产基准值缺乏科学依据.针对复工复产评判存在丧失合理性的问题,深入分析目前企业复工电力指数,基于北京市企业用户用电电量及功率数据,借助大数据挖掘技术,提出一种基于K-means聚类的企业复工复产分析方法.通过提取企业用电电量与功率数据,建立停产、复产、峰值的特征指标,应用K-means聚类算法对特征样本进行聚类,精准分析企业复工复产情况,提高了复工复产评判的准确性,实现复工企业智能化评判,取得了显著的管理效益、经济效益和社会效益.

摘要： 聚类分析属于数据挖掘范畴,K-Means聚类分析方法是最具有代表性的划分聚类算法,无监督学习是其重要的属性.由于原理简单、容易实现等优点,对于分散的数据可以根据属性类型进行聚类,在很多领域都有较为广泛的应用.差分进化算法(DE)是一种智能优化算法,可以用来寻找全局的最优解,主要用于求解实数优化问题.本文首先介绍了K-Means聚类算法和差分进化算法的基本原理、基本流程,并且提出了K-Means聚类算法和差分进化算法相结合的方法,详细列出结合步骤.并且通过仿真实验,验证了K-Means聚类算法和差分进化算法相结合比传统的K-Means聚类算法,具有更快的收敛速度和全局寻优等特点,说明该算法的可行性.最后,通过模拟数据对出租车辆聚集等智能交通领域问题进行了简单的实验,使得该算法更具有实际工程意义.

摘要： 聚类分析属于数据挖掘范畴,K-Means聚类分析方法是最具有代表性的划分聚类算法,无监督学习是其重要的属性.由于原理简单、容易实现等优点,对于分散的数据可以根据属性类型进行聚类,在很多领域都有较为广泛的应用.差分进化算法(DE)是一种智能优化算法,可以用来寻找全局的最优解,主要用于求解实数优化问题.本文首先介绍了K-Means聚类算法和差分进化算法的基本原理、基本流程,并且提出了K-Means聚类算法和差分进化算法相结合的方法,详细列出结合步骤.并且通过仿真实验,验证了K-Means聚类算法和差分进化算法相结合比传统的K-Means聚类算法,具有更快的收敛速度和全局寻优等特点,说明该算法的可行性.最后,通过模拟数据对出租车辆聚集等智能交通领域问题进行了简单的实验,使得该算法更具有实际工程意义.

摘要： 聚类分析属于数据挖掘范畴,K-Means聚类分析方法是最具有代表性的划分聚类算法,无监督学习是其重要的属性.由于原理简单、容易实现等优点,对于分散的数据可以根据属性类型进行聚类,在很多领域都有较为广泛的应用.差分进化算法(DE)是一种智能优化算法,可以用来寻找全局的最优解,主要用于求解实数优化问题.本文首先介绍了K-Means聚类算法和差分进化算法的基本原理、基本流程,并且提出了K-Means聚类算法和差分进化算法相结合的方法,详细列出结合步骤.并且通过仿真实验,验证了K-Means聚类算法和差分进化算法相结合比传统的K-Means聚类算法,具有更快的收敛速度和全局寻优等特点,说明该算法的可行性.最后,通过模拟数据对出租车辆聚集等智能交通领域问题进行了简单的实验,使得该算法更具有实际工程意义.

摘要： 聚类分析属于数据挖掘范畴,K-Means聚类分析方法是最具有代表性的划分聚类算法,无监督学习是其重要的属性.由于原理简单、容易实现等优点,对于分散的数据可以根据属性类型进行聚类,在很多领域都有较为广泛的应用.差分进化算法(DE)是一种智能优化算法,可以用来寻找全局的最优解,主要用于求解实数优化问题.本文首先介绍了K-Means聚类算法和差分进化算法的基本原理、基本流程,并且提出了K-Means聚类算法和差分进化算法相结合的方法,详细列出结合步骤.并且通过仿真实验,验证了K-Means聚类算法和差分进化算法相结合比传统的K-Means聚类算法,具有更快的收敛速度和全局寻优等特点,说明该算法的可行性.最后,通过模拟数据对出租车辆聚集等智能交通领域问题进行了简单的实验,使得该算法更具有实际工程意义.

摘要： 城市要素时空特征发掘是完成地块空间规划的基础前提.本研究以芝加哥交通系统为例尝试建立一种时空异质性与同质性特征发掘的方法,实现对地铁、公交、出租车、共享单车四种交通方式的时空特征分析.时间特征上,选择小波分析(Wavelet analysis)以及时间序列可视化观察,完成不同要素的时间变化周期提取,并对其时间特征进行对比分析.空间特征上,通过起止点分析(OD分析)等方式以及网格(500m×500m)精度下交通系统强度的空间分布,绘制以网格地理单元为对象的要素空间分布谱系图与距离谱系图,通过对比揭示各类交通方式的强度分布特征,进而通过K-means聚类完成非监督分类,对区域类各个空间单元的各交通表现特征进行聚类.结果表明:全年尺度下以天为粒度的时间同质性的强度从高到低依次是地铁、公交、出租车、共享单车,四种交通方式中空间覆盖范围由大到小依次是公交、地铁、出租车、共享单车,聚类结果将空间可划分为多种交通方式活动强度均较高的空间单元、多种交通方式均较弱的空间单元、仅公交有一定程度覆盖的空间单元、公交与地铁等时间同质性强的交通方式覆盖的空间单元、公交覆盖强度较强的空间单元、出租车与共享单车等时间异质性强(周期性较弱)的空间单元7个聚类簇.

摘要： 城市要素时空特征发掘是完成地块空间规划的基础前提.本研究以芝加哥交通系统为例尝试建立一种时空异质性与同质性特征发掘的方法,实现对地铁、公交、出租车、共享单车四种交通方式的时空特征分析.时间特征上,选择小波分析(Wavelet analysis)以及时间序列可视化观察,完成不同要素的时间变化周期提取,并对其时间特征进行对比分析.空间特征上,通过起止点分析(OD分析)等方式以及网格(500m×500m)精度下交通系统强度的空间分布,绘制以网格地理单元为对象的要素空间分布谱系图与距离谱系图,通过对比揭示各类交通方式的强度分布特征,进而通过K-means聚类完成非监督分类,对区域类各个空间单元的各交通表现特征进行聚类.结果表明:全年尺度下以天为粒度的时间同质性的强度从高到低依次是地铁、公交、出租车、共享单车,四种交通方式中空间覆盖范围由大到小依次是公交、地铁、出租车、共享单车,聚类结果将空间可划分为多种交通方式活动强度均较高的空间单元、多种交通方式均较弱的空间单元、仅公交有一定程度覆盖的空间单元、公交与地铁等时间同质性强的交通方式覆盖的空间单元、公交覆盖强度较强的空间单元、出租车与共享单车等时间异质性强(周期性较弱)的空间单元7个聚类簇.

摘要： 本发明属于光伏发电技术领域，尤其涉及一种基于KMeans聚类的光伏发电预测方法。其使用核密度函数拟合出每类数据的概率密度函数估计，以给出发电数据统计意义上的分布规律。包括以下步骤：步骤1、从光伏电厂获取发电数据，对数据进行清洗；步骤2、对样本数据进行假设检验，通过假设检验得到发电数据分布规律，将数据初步分为Beta分布和Weibull分布两类；步骤3、使用核密度函数拟合Beta分布，求出Beta分布的形状参数a、b；步骤4、对形状参数a进行KMeans聚类分析，得到聚类结果；步骤5、根据步骤5的聚类结果对每类的Beta分布进行核密度函数拟合，求出每类Beta分布的置信区间；步骤6、进行发电出力预测。

摘要： 本发明公开了一种基于Kmeans聚类的降水粒子识别方法及装置，该方法包括：获取雷达观测数据的极化变量，极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移；根据水平反射率因子和差分反射率因子的物理约束关系重构比差分传播相移，根据水平反射率因子、差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据；采用模糊分类算法对重构后的观测数据进行降水粒子识别，获取第一识别结果；采用Kmeans聚类方法对第一识别结果进行二次分类，获取第二识别结果。本发明通过重构比差分传播相移，并采用Kmeans聚类方法进行二次分类，提高了降水粒子识别的准确度。

摘要： 本发明涉及一种基于Kmeans聚类算法的气象雷达信标检测方法，所述气象雷达信标检测方法包括：S1：通过气象雷达天线扫描获得多个原始信标的信标参数信息；S2：根据原始信标的第一信标参数信息，对同一信标编码的多个原始信标进行聚类获得聚类信标；S3：根据原始信标的第二信标参数信息，对聚类信标中的原始信标的第一信标参数信息进行加权平均，获得聚类信标的质心。本发明的基于Kmeans聚类算法的雷达信标检测方法通过采集雷达一个扇面内所有的信标信号，对采集的所有信号在一定方位及距离范围内，根据信号功率对信标目标进行聚类，使检测出的信标结果更加准确，在不改变硬件结构、不新增经费的基础上有效的解决了该问题。

摘要： 本发明公开了一种MB‑kmeans++聚类方法及基于其的用户会话聚类方法，属于数据挖掘技术领域。本发明的聚类方法，首先采用平均距离最远原则选取k个初始聚类中心，然后基于当前随机选择的子集合对k个聚类中心进行位置的迭代更新处理，直到质心稳定或者达到最大迭代次数，最后再基于最终的聚类中心对待聚类数据进行k聚类处理，得到聚类结果。本发明的聚类处理方法能适应高维度稀疏矩阵的处理，在较大数据量的情况下能显著缩短处理时间。本发明的用户会话聚类方法为：在基于原始日志数据获取到各用户会话之后，对其进行优化处理：对庞大的页面维度进行缩减，对用户会话特征进行降维，再采用本发明的聚类方法进行聚类处理，得到具有相似访问行为用户。

摘要： 本发明公开了一种牵引供电系统电能质量分类管理的PCA‑Kmeans聚类方法，通过利用PCA主成分分析法将电能质量评估指标降维成两个特征，再通过Kmeans聚类算法对各个电力片段的电能质量进行了成功的划分评估，最后经过与其他电能质量划分方式的对比，验证本发明具有更好的实践性。首先将轨道交通变电所输出的三相电压、电流数据预处理，然后分别进行对称分解和傅里叶变换，然后提取出来计算评估电能质量的6个特征值，最后通过这6个特征值利用PCA‑Kmeans聚类算法进行降维仿真，来对牵引供电系统的可靠性进行等级划分、评估验证，综合以上提高牵引供电系统的可靠性进行电能质量的评估和确定。

摘要： 本发明属于电力系统规划领域，具体涉及一种基于E‑C‑Kmeans聚类和SOP优化的DG双层优化配置方法。在含智能软开关(Soft Open Point，SOP)的柔性配电网中提出了一种分布式电源DG的双层优化配置模型。上层规划以运营商年收益最大为目标求解DG安装的位置和容量，下层通过对SOP进行约束使网络运行性能最优，考虑到负荷和分布式电源输出的时间序列特征，设计了一种新的聚类方法E‑C‑Kmeans对四季场景下的风速和辐照度进行聚类，得到典型场景日曲线。本发明考虑到规划问题属于大规模混合整数非线性的问题，需要将离散变量与连续变量进行解耦，采用遗传算法和原对偶内点法混合算法进行求解，最后基于改进的IEEE33节点配电网系统，对优化模型和求解方法的有效性进行验证分析。

摘要： 本发明公开了一种基于Kmeans聚类的降水粒子识别方法及装置，该方法包括：获取雷达观测数据的极化变量，极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移；根据水平反射率因子和差分反射率因子的物理约束关系重构比差分传播相移，根据水平反射率因子、差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据；采用模糊分类算法对重构后的观测数据进行降水粒子识别，获取第一识别结果；采用Kmeans聚类方法对第一识别结果进行二次分类，获取第二识别结果。本发明通过重构比差分传播相移，并采用Kmeans聚类方法进行二次分类，提高了降水粒子识别的准确度。

摘要： 本发明涉及一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法，包括：1、采用激光散斑测量方法，获取N个苹果的散斑位移，计算N个苹果的共振频率；2、采用标准的Kmeans聚类算法，对N个苹果的共振频率进行中心聚类计算；3、获取待检测苹果的共振频率，根据步骤2的中心聚类结果判断待检测苹果的缺陷类别。本发明具有较强的泛化能力，基于计算机视觉的方法只能对预先标注的缺陷类型进行检测，而本发明对任何能引起苹果共振频率变化的缺陷类型都适用。通过选择高阶共振频率并结合降噪技术，使得本发明提出的新方法具有很强的抵抗噪声能力，适用于环境不可控的各种实际工况，这是有别于传统计算机视觉方法的突出优点。

摘要： 本发明公开一种基于日相似聚类与Kmeans‑GRA‑LSTM的光伏电站短期功率预测方法，首先获取某光伏电站的功率数据和所在地的多元气象因子数据并对数据进行预处理。后提取功率特征值并使用K‑means聚类算法进行聚类。根据功率特征值聚类结果对应多元气象因子，将数据归一化处理并提取多元气象因子特征向量。选取预测日的多元气象因子特征向量，选取与预测日关联度较高的功率和多元气象因子数据作为相似日样本，选用算术优化算法对LSTM的参数进行优化，构建LSTM网络拓扑结构。根据构建完成的LSTM，预测某光伏电站的并网点功率。本发明为解决短期光伏功率预测提供了一种方案和思路。

摘要： 本发明涉及一种基于kmeans聚类的半监督学习方法及其应用，属于计算机领域。该方法包括以下步骤：多次随机按比例选取不同类别样本、特征进行kmeans聚类，由子簇中不同类别占比判定该簇样本类别；每一次迭代中，由本轮所有聚类结果，根据投票法决定待确定样本的所属类别；对于每一次kmeans聚类，由该聚类轮廓系数转换后的最大值点直接确定聚类的中心点个数。能够解决样本不平衡问题，集成学习的方式能够有效解决样本不平衡问题，通过集成学习的迭代，能够进一步保证不平衡数据分析效果的稳定性。