K均值

摘要： 针对目前茶叶色泽质量判断与分级容易受人为主观因素及心理因素影响的现状,提出采用计算机视觉技术图像中的RGB和HSI混合颜色模型,并以绿色分量、色度和饱和度作为颜色特征向量,通过贝叶斯决策去除劣质茶叶,再通过K均质聚类分为第1等级、第2等级.以某干茶为实验对象,针对茶叶的色泽特征,以绿色分量判别色泽优劣等级,再以色度与饱和度相结合进行分析,构建特征向量函数并进行聚类二次分级.实验结果表明,所提出的方法对该类茶叶色泽质量分类识别的准确率达92.5%.

摘要： 针对目前基于正则性辅助的多目标优化算法缺少局部信息以及模型参数设置对多目标优化算法的影响问题,本研究提出一种基于正则性辅助的多目标优化进化算法(Regularity Assisted Multi-objective Optimization Evolutionary Algorithm,RAMEA)。该方法将高斯采样和基于邻域的交配重组结合并用于子代重组,同时使用k-均值聚类方法获取流形结构信息,将种群划分为K个聚类,用K个聚类的均值向量建立高斯概率模型,从中抽取K个后代,然后将取样解作为父代添加到每个集群中去交配生成其他子代解。实验对比结果表明,研究提出的基于正则性辅助的多目标优化进化算法明显优于其他算法,其参数灵敏度和有效性表现更加突出。

摘要： 为了从移动终端位置数据中精准识别居民职住地,提出了一种基于时空约束密度聚类的职住地识别方法。首先,利用基于K-means的DBSCAN(density-based spatial clustering of applications with noise)时空驻点聚类过程将居民多天的原始轨迹点分成不同的时空驻点簇;然后,利用基于速度阈值的停留点簇和移动点簇识别过程将居民的每一个时空驻点簇区分为停留点簇或移动点簇;接着,利用基于K近距离的DBSCAN重要停留点聚类过程将居民的停留点分成不同的重要停留点簇;最后,利用基于KD-tree优化的KNN(K-nearest neighbor)职住地识别过程将居民的每个重要停留点识别为工作地、居住地、职住同一区域或兴趣地点区域。实验结果表明,该方法的每个过程都是合理有效的,并且最终的职住地识别效果要优于时间阈值法、累加时间法和信息熵法。

摘要： 目的 为实现高通量dPCR荧光图像阳性点高精确度分类,提出一种改进的K-means高通量dPCR荧光图像分类算法。方法 首先,将预处理后的荧光图像进行像素灰度值统计,依据图像亮度自适应选择波峰波谷作为聚类中心,通过马氏距离度量确定像素簇类;然后,将粗分类结果进行开、闭运算及删除小面积对象等形态学处理;最后,利用3次连通域统计方法完成细分类、位置标识和计数。结果 选取4种通道825幅荧光图像进行检验,平均精确率达到99.06%,召回率达到98.97%,分类效果良好。结论 文中提出的改进K-means分类算法可以实现对高通量dPCR荧光图像的高精度分类和计数,对其他荧光图像分类识别具有一定借鉴意义。

摘要： 提出了一种恒虚警检测信源数的方法,该方法通过定义一个由观测协方差矩阵相邻特征值之差统计量构成的五维矢量序列,并利用K均值(K-means)聚类算法将所定义的五维矢量序列分成两类,且视为信号和噪声子空间。当将噪声子空间所对应的特征值序列描述成一个统计分布,并通过期望最大(expectation maximization, EM)算法估计出这个统计分布时,奈曼-皮尔逊(Neyman-Pearson, NP)假设检验就可利用这个分布来对信源数进行恒虚警检测。为了降低提出算法的计算复杂度,也给出了一个近似的NP假设检验方法。数值仿真结果在验证提出方法有效性的同时,也表明其优于其他方法。

摘要： 功能性连接(Functional connectivity,FC)可以表示脑区的协同工作能力,目前广泛采用动态功能性连接(Dynamic functional connectivity,DFC)和聚类分析相结合的方法研究疾病的显著性差异分析和分类。但现有研究,对于聚类个数的确定和聚类结果选用并没有明确的标准,且传统的DFC无法表示不同频率的FC信息。因此,本文对轻度认知障碍(Mild cognitive impairment,MCI)磁共振信号中固有频率DFC聚类问题进行研究。首先对被试的时间进程(Time course,TC)数据做噪音辅助的多元经验模态分解并计算DFC;然后通过评判辅助的聚类方法做聚类分析,再采用最小二乘对聚类结果做拟合;最后采用分类器做分类。实验采用阿尔茨海默病神经影像学(Alzheimer’s disease nearoimaging,ADNI)数据库的数据对本文算法进行测试。实验结果表明,有监督聚类分类准确率高于无监督聚类;引入固有频率的DFC分类准确率要高于传统的DFC;最小二乘拟合能提升分类准确率。

摘要： 针对信息物理融合系统(Cyber-Physical-System,CPS)网络攻击识别难的问题,首先引入焦点损失函数对Lightgbm集成算法进行改进;然后针对CPS攻击样本的不平衡性,采用K均值算法对数据进行聚类处理,再利用JMIM筛选最优特征集;最后构建Lightgbm集成学习算法的网络攻击识别模型,并通过Python3.7进行试验。结果表明,在大、小样本下,该模型在准确率、F_(1)值、召回率等指标上都表现出很好的优势;与SVM、ANN等机器学习算法相比,在精度、F_(1)值等指标上都高于传统算法;加入噪声后,无论大、小样本,该模型都具有很高的分类精度,表现出很强的抗干扰能力。因此,该模型构建精度高,且适用性强。

摘要： k-均值问题是聚类中的经典问题,亦是NP-难问题。如果允许数据点不聚类,而是支付惩罚费用,则引出带惩罚的k-均值问题。本文将带惩罚的k-均值问题从欧氏距离推广到更一般的μ-相似Bregman散度,研究了带惩罚μ-相似Bregman散度k-均值问题的初始化算法。本文给出的初始化算法,近似比与μ和数据点惩罚最大值与最小值的比例r相关。

摘要： 由于学生群体存在个性化差异,传统教学模式已不能很好地满足学生全面发展的需求。而分层教学关注学生个体差异和学习需求,有针对性地制定教学计划和目标,有利于整体教学效果的提升。文章重点研究分层教学中的分层模型,并以计算机网络课程为例,设计基于K均值算法(K-means)的分层教学模型,实现学生学习情况的分层。通过仿真实验表明,基于K均值算法的分层教学模型相比专家分类算法、学生总成绩排名的分层方法,更具有一定科学性和合理性,可以为其他学科提供借鉴和参考。

摘要： 在癌症研究中,随着高通量测序技术发展已经产生了海量的复杂数据。尽管有了一些利用深度学习和统计学方法进行多组学数据整合的研究,但目前仍缺乏较为有效率的整合方法。因此提出一种基于深度自编码器的多组学数据整合方法(deep autoencoder for multi-omics integration,DAEMI)。它利用自编码器中的瓶颈层,学习多组学数据的特征表示。与先前利用深度学习整合的研究相比,DAEMI可以发现明显生存差异的癌症亚型。同时因为不需要生存数据来选择特征,DAEMI可以使用更多特征进行K均值聚类,进而完成癌症分型任务。将DAEMI应用于模拟数据集与四个癌症数据集实验,通过与高阶路径相似度网络的融合模型(HOPES)、相似性网络融合(SNF)、iClusterPlus和moCluster进行比较,结合模拟数据集测试结果与真实癌症数据集测试结果来看,DAEMI要优于其他方法。相应的生物功能分析揭示,神经退行性疾病与线粒体功能障碍可能与癌症共享某些生物学通路。

摘要： 本文针对传统的粒子滤波算法存在的粒子退化现象和需要大量粒子才能保证状态预估计的精度，导致视频序列目标实时跟踪难以实现的问题进行了研究，提出了一种基于K均值和不变矩的粒子滤波实时目标跟踪算法。首先对最初采样的粒子集采用K均值算法进行聚类，将N个粒子分配到K个聚类中心；然后将不变矩算法引入到粒子的选取中，通过与上一帧目标位置最接近的三类聚类中心进行不变矩匹配，选择其中与目标模块最接近的那一类进行粒子滤波跟踪运算。实验结果表明文中提出的改进算法能够很好的解决粒子退化的问题，只需要采用较少的粒子就能达到很好的跟踪精度，大大的减少了计算量，改善了粒子滤波的实时性的问题，同时在一定程度上解决了目标跟踪中相似背景的干扰和目标遮挡的问题。

摘要： 解决复杂多峰优化问题时,传统的“教”与“学”优化算法易于陷入局部搜索且优化效率较低.针对此问题,提出了一种基于K-均值的“教”与“学”优化改进算法,算法采用B均值来降低种群规模,又针对“教”和“学”两个阶段进行相应改进,提高全局收敛速度;还加入了“变异”操作来避免算法陷入局部最优.实验对7个单峰值优化问题和2个有代表性的多峰值优化问题进行优化,并与手榴弹爆破算法和传统“教”与“学”优化算法进行比较,实验结果表明,该改进算法在单峰和多峰测试函数中,均能快速高效地寻得全局最优解,优于原始“教”与“学”优化算法.

摘要： 解决复杂多峰优化问题时,传统的“教”与“学”优化算法易于陷入局部搜索且优化效率较低.针对此问题,提出了一种基于K-均值的“教”与“学”优化改进算法,算法采用B均值来降低种群规模,又针对“教”和“学”两个阶段进行相应改进,提高全局收敛速度;还加入了“变异”操作来避免算法陷入局部最优.实验对7个单峰值优化问题和2个有代表性的多峰值优化问题进行优化,并与手榴弹爆破算法和传统“教”与“学”优化算法进行比较,实验结果表明,该改进算法在单峰和多峰测试函数中,均能快速高效地寻得全局最优解,优于原始“教”与“学”优化算法.

摘要： 解决复杂多峰优化问题时,传统的“教”与“学”优化算法易于陷入局部搜索且优化效率较低.针对此问题,提出了一种基于K-均值的“教”与“学”优化改进算法,算法采用B均值来降低种群规模,又针对“教”和“学”两个阶段进行相应改进,提高全局收敛速度;还加入了“变异”操作来避免算法陷入局部最优.实验对7个单峰值优化问题和2个有代表性的多峰值优化问题进行优化,并与手榴弹爆破算法和传统“教”与“学”优化算法进行比较,实验结果表明,该改进算法在单峰和多峰测试函数中,均能快速高效地寻得全局最优解,优于原始“教”与“学”优化算法.

摘要： 解决复杂多峰优化问题时,传统的“教”与“学”优化算法易于陷入局部搜索且优化效率较低.针对此问题,提出了一种基于K-均值的“教”与“学”优化改进算法,算法采用B均值来降低种群规模,又针对“教”和“学”两个阶段进行相应改进,提高全局收敛速度;还加入了“变异”操作来避免算法陷入局部最优.实验对7个单峰值优化问题和2个有代表性的多峰值优化问题进行优化,并与手榴弹爆破算法和传统“教”与“学”优化算法进行比较,实验结果表明,该改进算法在单峰和多峰测试函数中,均能快速高效地寻得全局最优解,优于原始“教”与“学”优化算法.

摘要： 聚类集成可以有效提高传统聚类算法的精度,其关键问题在于如何根据聚类成员提供的信息获得更加优越的聚类结果.设计了一种聚类集成算法,它结合了K均值算法与基于拉普拉斯矩阵的谱聚类算法,充分利用了聚类成员提供的属性信息与关系信息.为了降低算法计算复杂度,通过代数变换方法有效避免了大规模矩阵的特征值分解问题.在多组真实数据集上的实验结果表明,提出的算法优于其他聚类集成算法.

摘要： 聚类集成可以有效提高传统聚类算法的精度,其关键问题在于如何根据聚类成员提供的信息获得更加优越的聚类结果.设计了一种聚类集成算法,它结合了K均值算法与基于拉普拉斯矩阵的谱聚类算法,充分利用了聚类成员提供的属性信息与关系信息.为了降低算法计算复杂度,通过代数变换方法有效避免了大规模矩阵的特征值分解问题.在多组真实数据集上的实验结果表明,提出的算法优于其他聚类集成算法.

摘要： 聚类集成可以有效提高传统聚类算法的精度,其关键问题在于如何根据聚类成员提供的信息获得更加优越的聚类结果.设计了一种聚类集成算法,它结合了K均值算法与基于拉普拉斯矩阵的谱聚类算法,充分利用了聚类成员提供的属性信息与关系信息.为了降低算法计算复杂度,通过代数变换方法有效避免了大规模矩阵的特征值分解问题.在多组真实数据集上的实验结果表明,提出的算法优于其他聚类集成算法.

摘要： 聚类集成可以有效提高传统聚类算法的精度,其关键问题在于如何根据聚类成员提供的信息获得更加优越的聚类结果.设计了一种聚类集成算法,它结合了K均值算法与基于拉普拉斯矩阵的谱聚类算法,充分利用了聚类成员提供的属性信息与关系信息.为了降低算法计算复杂度,通过代数变换方法有效避免了大规模矩阵的特征值分解问题.在多组真实数据集上的实验结果表明,提出的算法优于其他聚类集成算法.

摘要： 随着医学图像的迅速增加，医学图像的自动分类成为目前研究的热点，如何提高分类 正确率和效率成为研究者关心的主要问题。本文提出采用基于图像子块的局部特征并利用空间 金字塔结合特征的空间信息，用于医学图像的自动分类。我们的方法与其他几种目前优秀的方 法通过实验进行了比较，取得了最高的分类精度。

摘要： 本发明公开了一种基于改进K均值聚类CCA‑BiLSTM多维度短期电力负荷预测方法，属于电力负荷预测技术领域。该方法首先对历史负荷与多维度数据进行预处理，按月去除异常值、补充缺失值；之后初定k个日负荷特征标签，采用PCCs改进的K均值算法对历史负荷数据聚类并采用DBi指数分析，结合分析结果与工程经验，明确日负荷标签k值与其对应负荷标签w的特征；构建预处理后的历史多维度数据向量集，将其与历史负荷数据进行CCA贡献度分析，并筛分出10个特征变量重构特征数据集；利用历史负荷数据、负荷标签与重构数据集完成BiLSTM网络进行训练，最终实现对未来短期电力负荷数据的预测。利用本发明所提出的短期电力负荷预测方法，可降低预测过程的时间冗余度，减少所需外部变量的维度，有效增强负荷预测结果的准确性与通用性。

摘要： 本发明涉及一种基于决策树和二分K均值聚类的客户分群方法及系统，包括客户特征处理及分群算法实施，通过客户的特征对客户进行分群，每个客群可以输出特征规则用以刻画，特征规则具有良好的解释性，可结合业务经验进行调整，形成一个高精度且兼备解释性的客户分群规则，同时还保留了机器学习类方法的精准性并可支持无监督学习与有监督学习两类训练方式。基于本发明方法输出的客户分群，可用于对客户的精准营销、产品设计、风险管理等方面，提升企业精细化经营水平，同时也可为产品设计提供依据。

摘要： 本发明公开了一种基于K均值聚类的时间感知自适应兴趣点推荐方法，该方法包括：第一步、将签到数据集转换成三维评分矩阵；第二步、统计每个时间槽内的签到用户数量、被访问兴趣点数量和签到次数，构建各时间槽的三维签到特征向量；第三步、对时间槽进行K均值聚类，计算同一聚类内各时间槽之间的时间相似度；第四步、利用同一时间聚类内其他时间槽中的评分信息计算当前时间下的用户相似度；第五步、利用时间聚类结果和聚类内部的时间相似度对传统的基于用户的协同过滤方法进行改进，使其能根据当前推荐时间自适应生成兴趣点预测评分；第六步、对比本发明提出的推荐系统和其他经典推荐系统的推荐精度，评价所提出技术的准确性和有效性。

摘要： 本发明公开了一种基于K均值聚类的时间感知自适应兴趣点推荐方法，该方法包括：第一步、将签到数据集转换成三维评分矩阵；第二步、统计每个时间槽内的签到用户数量、被访问兴趣点数量和签到次数，构建各时间槽的三维签到特征向量；第三步、对时间槽进行K均值聚类，计算同一聚类内各时间槽之间的时间相似度；第四步、利用同一时间聚类内其他时间槽中的评分信息计算当前时间下的用户相似度；第五步、利用时间聚类结果和聚类内部的时间相似度对传统的基于用户的协同过滤方法进行改进，使其能根据当前推荐时间自适应生成兴趣点预测评分；第六步、对比本发明提出的推荐系统和其他经典推荐系统的推荐精度，评价所提出技术的准确性和有效性。

摘要： 本发明用于人工智能领域，涉及区块链领域，公开了基于K均值聚类算法的问答匹配方法、装置、设备及介质，其中，方法包括：获取用户输入的用户问题，并对用户问题进行向量转换，以获得用户问题的问题向量；根据预设匹配方法确定用户问题的多个候选答案，并确定每一候选答案的K个答案语义向量，K个答案语义向量为基于K均值聚类算法，对候选答案进行聚类后获得的语义向量；根据问题向量对K个答案语义向量进行基于注意力机制的向量计算，以获得候选答案的候选答案向量；根据候选答案向量与问题向量的匹配值，在多个候选答案中确定用户问题的正确答案；本发明编码速度较快且减少了信息丢失的可能，提高了候选答案向量以及匹配结果的准确性。

摘要： 本发明提供DHSSA优化的K均值互补迭代车型信息数据聚类方法，输入标准数据集，根据其类别的个数确定标准数据集中类的个数；对获得的数据集利用SMMP初始化中心点；计算获得的每个数据样本对获得的初始化中心点的欧式距离，将样本点所属类别归于最小欧式距离的聚类中心；对获得的每个类别采用DHSSA进行寻优操作，得到新聚类中心，通过适应度函数公式计算每个类别的适应度值；对获得的新聚类中心使用KMC重新确定每个样本的新类别；对获得的新类别进行适应度值计算；判断得到的适应度值是否小于前述得到的适应度值，若小于，则更新聚类中心并继续下一步；否则，继续下一步；判断是否达到最大迭代次数，若是，则输出数据聚类结果；若否，则回转计算欧式距离。

摘要： 本发明涉及基于稀疏判别K均值的快速图像像素筛选方法，属于图像识别与分类和模式识别领域。通过二值化标签与低维投影矩阵的相互迭代获取最优低维投影矩阵，并依据低维投影矩阵行和降序排序从而筛选出包含关键分类信息的重要像素；根据筛选的像素能够获得压缩规模后的低维新数据。该图像数据预处理方法能够快速压缩图像数据规模并保留关键分类信息，不仅提高了后续图像数据处理效率，还提升了数据整体的信息表征能力，其通常需要分类和聚类等方法进行验证。

摘要： 基于均值偏移和K均值聚类技术的图像对象提取方法，先使用均值偏移进行图像平滑，先应用meanshift算法进行图像平滑消除细节信息，在进行过meanshift平滑操作后，图像的细节部分将被忽略，从而将均值偏移的结果按照其颜色信息进行进一步聚类;在这一步骤中，要求聚类过程具有较高的效率并且能够满足一定的精度要求;运用k均值聚类算法对图像进行分割;K均值聚类的算法如下：应用K-means算法进行颜色聚类以提取图像中的对象信息，均值偏移和K均值聚类算法相结合，结合二者的优点，并规避了二者的缺点。算法的时间短且效率高。从而得到拥有较好结果的图像对象提取结果。

摘要： 本发明提出一种基于自适应k均值聚类的多目标定位方法，密度峰值聚类算法(DPC)和k‑means聚类算法相结合，提出自适应k‑means聚类算法，基于提取的特征点，自适应确定待定位目标数量，对不同目标的特征点集聚类；通过最近邻比值算法进行粗匹配，利用特征点投票构建最优几何约束进行精匹配，实现多目标精确定位。本方法对于不同类型、数量的待定位目标，在旋转、尺度变换、部分遮挡和光照变换下等复杂环境下均可精确定位目标，具有较好的鲁棒性。

摘要： 本发明公开了一种基于k均值算法的异步机风电场暂态稳定预测方法，包括以下步骤：根据改进后的全功率型笼型异步机风机的组成结构及原理，得出风电场并网对系统稳定性、暂态稳定性的影响因素，建立笼型异步风电场的数学模型及多台风机等值简化模型；用PSASP设置不同风速、负荷、出力等工况，计算得到系统的潮流，并设置不同故障条件，进行时域仿真法暂态电压稳定计算，获得预测所需的原始数据集；构建一个M×2n原始特征矩阵，做归一化变换，按在状态改变时变量值波动的剧烈程度排序，提取前12组变量作为输入特征量；采用k均值算法，无需进行训练，可直接用数据进行聚类得到结果并提供发电机有功调整稳定的预防控制措施，提高计算速度、聚类精度。