您现在的位置: 首页> 研究主题> K-means聚类算法

K-means聚类算法

K-means聚类算法的相关文献在2003年到2022年内共计462篇,主要集中在自动化技术、计算机技术、电工技术、经济计划与管理 等领域,其中期刊论文435篇、会议论文22篇、专利文献60603篇;相关期刊312种,包括哈尔滨理工大学学报、科学技术与工程、电子设计工程等; 相关会议20种,包括信息系统协会中国分会第六届学术年会、2014中国制导、导航与控制学术会议、中国电机工程学会第13届青年学术会议等;K-means聚类算法的相关文献由1369位作者贡献,包括刘昌华、宋怀波、张伟等。

K-means聚类算法—发文量

期刊论文>

论文:435 占比:0.71%

会议论文>

论文:22 占比:0.04%

专利文献>

论文:60603 占比:99.25%

总计:61060篇

K-means聚类算法—发文趋势图

K-means聚类算法

-研究学者

  • 刘昌华
  • 宋怀波
  • 张伟
  • 李莉
  • 杨萍
  • 林龙成
  • 王小宁
  • 王霄
  • 马超
  • 严德菊
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

    • 陆玲玲; 胡志华
    • 摘要: 为突破海岛应急物流轮渡运输的靠岸点限制,同时降低海岛应急配送总成本,考虑使用无人机将应急物资从码头运往海岛上的无人机配送中继站,再由中继站派出的卡车对需求点进行终端配送服务.建立了海岛无人机配送中继站的选址-路径优化的双层规划模型,并设计K-means聚类算法与改进的模拟退火算法相结合的两阶段算法用以求解该模型.将浙江省舟山市普陀山海岛作为典型场景,研究从朱家尖客运中心将一批物资运往普陀山海岛304个需求点的两级配送路径.算例分析结果表明,38个中继站所派出的配送卡车在完成所有任务后的最低系统总成本为1013.1元,所设计选址与路径一体优化方法与先选址后路径优化的两段优化方法相比,总成本降低10.3%.
    • 廉小亲; 杨凯; 程智博; 王万齐; 吴艳华
    • 摘要: 我国铁路网包含众多建设期和运营期路段,均会产生大量业务数据,然而传统的单节点大数据存储方式存在访问速度慢和时效性低等局限性,无法有效缓解数据存储压力。文章基于数据分级存储的思想,设计一种分布式大数据分级存储架构;综合考虑建设期铁路大数据的业务属性和存储数据库的固有属性,建立一套数据价值评价体系;基于专家评价法计算各数据表在不同评价维度下的价值,并通过K-means聚类算法判定各数据表相应的存储级别;以某建设期铁路大数据为实验样本进行验证,实验结果表明,文章提出的价值评价体系能够有效地对铁路建设期大数据进行存储级别判定,实现了面向建设期铁路大数据的分级存储。
    • 尹寿芳; 张善智
    • 摘要: 为了提升旅游电商服务水平,基于K-means聚类算法构建旅游电子商务平台,并采用随机梯度下降算法、自适应梯度优化算法和密度法对K-means聚类算法进行优化改进。结果表明:改进K-means聚类算法的系统响应速度相较于传统K-means聚类算法提升了31.2%,电商平台推荐流量转化率为2.93%,浏览行为中的推荐浏览率为28.21%,购买行为中的推荐购买率为15.37%,优于Apriori算法和User-based CF算法。利用改进K-means聚类算法构建旅游电子商务平台,能为平台用户提供个性化的旅游产品推荐,有效提升旅游产品的购买成交量,对旅游电商平台竞争力提升具有一定的实用价值。
    • 胡漫; 曹继华; 李士心; 彭芙蓉
    • 摘要: 针对多目标跟踪在遮挡时漏检或ID切换问题,提出了一种基于改进YOLOv3和DeepSort的算法。该算法对YOLOv3用CIOU损失代替原算法中的边界框损失函数,同时用K-means++算法重新聚类选取适合的先验框。采用改进的YOLOv3对目标进行检测,利用卡尔曼滤波进行预测和更新,在级联匹配中用匈牙利算法进行匹配,二次匹配时对未成功匹配及未匹配的检测结果用GIOU匹配。改进后的YOLOv3比原YOLOv3在KITTI数据集上的均值平均精度提高了2.19%,F1-score提高了1.23%,该算法能够在部分遮挡时跟踪目标并保持ID不变。
    • 王莹; 项雯; 张群; 高秀云
    • 摘要: 在泛在电力物联网的建设中,电力企业针对客户的用电行为进行分析是必不可少的。在以往的研究中,k均值聚类算法是常用的客户用电行为分析方法之一,然而由于初始质心采用随机选择的方式,使得其容易陷入局部最优且难以收敛到全局最小值。针对该问题,提出了基于改进的动态粒子群算法优化的K-means算法(DPSO-Kmeans),并将其用于客户用电行为的分析中。在实验中,通过对312个家庭用户的用电消费行为记录进行聚类分析,结果证明DPSO-Kmeans相对于传统的K-means算法具有更好的聚类效果,能够提取更为典型的客户用电行为模式。
    • 聂湘宁; 刘天湖; 李桂棋; 王红军; 曾文
    • 摘要: 针对我国竹垫人工组装劳动强度大、效率低的问题,提出一种基于改进YOLOv3深度卷积网络的竹垫智能装配方法,通过智能识别、定位、摆放和组装实现卡扣式竹垫的装配生产模式。YOLOv3深度卷积网络的改进包括:首先通过在原YOLOv3的特征提取网络Darknet-53中加入DenseNet密集型连接网络结构,提高特征提取能力;再根据实际检测需求减少网络预测尺度,提升检测精度;最后采用K-means聚类算法对YOLOv3中的初始锚点框参数进行优化,以加快识别速度。笔者还设计了试验机进行装配生产试验。该试验机使用CCD相机采集不同图案的竹垫样品图像,对竹垫样品图像进行识别定位处理,获得目标竹垫零件的位置和颜色信息,然后控制摆放系统对目标竹垫零件进行吸取摆放,再启动传送机构输送竹垫零件,最后通过组装系统实现对目标竹垫零件的组装,实现了竹垫检测、摆放、传送、组装自动化。试验结果表明,视觉系统在GPU和CPU下识别定位竹垫零件的平均时间为16.7和105.3 ms,识别均值平均精度M_(AP)为99.86%,平均组装一行竹垫零件的时间为24.63 s,验证了本方法的可行性。
    • 杨晓波; 刘岩; 魏子睿; 李恩
    • 摘要: 移动作业系统因运行数据不易收集、元件和节点数过多等原因,易出现供电失误情况。为此,提出营销服务移动作业中台区线损信息监测方法。根据样本电气特征参数建立BP神经网络模型,然后采用回归参数最小二乘估计算法优化标准神经网络,得到最优分类数据的训练结果。然后构建改进K型聚类算法,以欧式距离作为指标获得分类集合的相似性,再对台区线损率作归一化处理,拟合样本线损率与电气特征参数间的关系,根据其变化规律实现台区线损信息监测。实验结果表明:该方法具有较高的监测精准度和时效性。
    • 许竞翔; 欧阳建; 邱懿; 邢博闻
    • 摘要: 在水产养殖中,鱼病病原细菌的增长会暴发细菌性鱼病,引发大量养殖鱼类的死亡。因此对细菌性鱼病病原细菌质量浓度的监测极其重要。为了能够快速准确地统计出鱼病病原细菌这类小目标的数量和质量浓度,将深度学习引入水产养殖中,提出一种基于YOLOv5的鱼病病原细菌检测改进算法。首先在路径聚合网络结构中增加一层自下而上的路径增强结构,并且和主干特征提取网络中的第一层CSP模块输出的特征图进行特征融合,提高鱼病病原细菌的检测精度。然后在主干特征提取网络中的每一个卷积模块后添加注意力机制,对卷积模块提取到的特征进一步细化。最后,针对鱼病病原细菌数据集利用K-means++聚类算法获得和特征图更加匹配的先验框。结果显示,相比于原始YOLOv5算法,改进后的算法在测试集上的平均准确率均值为69.19%,提高了2.34%,验证了增加上采样层和注意力机制对鱼病病原细菌这类小目标的检测具有很好的效果。该方法可扩展应用于鱼虾卵的检测和识别上,根据鱼虾卵的数量供应匹配的饲料和氧气等,具有广泛应用前景。
    • 李宝玉; 张峰; 彭侠; 刘叶楠
    • 摘要: 由于室内环境复杂,基于Elman神经网络的可见光位置感知存在收敛速度慢、定位精度低等缺点。论文提出基于麻雀搜索算法(sparrow search algorithm,SSA)优化Elman神经网络,同时融合K-means聚类的一种可见光室内位置感知算法。对采集到的数据建立数据库,利用SSA对Elman的拓扑结构和连接权阈值进行优化,建立训练模型,解决基于Elman神经网络室内位置感知算法易陷入局部最优的问题,提高收敛速度和稳健性;利用K-means对数据库优化分类,将处理好的数据代入模型训练得初步预测结果;将初步预测结果代入子类二次训练得预测点的最终坐标,进一步提高定位精度。基于0.8 m×0.8 m×0.8 m的立体空间进行实验,结果表明:论文算法平均定位误差3.22 cm,定位误差小于6 cm,概率达到90%,相较SSA-Elman算法定位精度提高7.5%;相较Elman网络算法定位精度提高16%。
    • 赵鉴; 袁渤巽; 刘又榕; 王维; 林顺富
    • 摘要: 典型负荷场景对多能互补微网系统规划有着十分重要的意义。针对传统的历史典型日负荷曲线数据过于保守的问题,提出一种利用DeST软件结合k-means聚类算法得到典型日负荷曲线的方法。首先对区域内各建筑体进行建模;其次通过DeST中的DeST-h求得该模型的全年负荷需求数据;最后使用k-means聚类算法对场景进行提取,得到典型的日负荷曲线。基于某规划区实际场景数据,利用所提出方法提取典型的负荷场景曲线,验证了该方法的可行性。
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号