基于改进IGA-FCM的电子产品健康状态聚类模型

针对无监督情况下的电子产品健康聚类问题,提出一种改进的免疫遗传模糊C均值(IGA-FCM)聚类模型。综合利用多参数历史信息,通过引入加权相似度度量,刻画不同参数对健康状态的影响程度;通过将免疫机理引入到遗传框架中,以FCM的目标函数为搜索因子,克服FCM算法对初始中心选择敏感及遗传算法的早熟等问题。实验结果表明,该模型具有较高的收敛精度、收敛速度和对对象的刻画能力。     

变压器健康状态评估的灰色聚类决策方法

电力变压器健康状态的评估是实现变压器状态维修的重要一步,研究变压器的状态评估具有重要的现实意义.电力变压器可以看作是典型的灰色系统,提出了采用灰色聚类决策方法对变压器健康状态进行评估,给出了变压器健康状态的灰色分类,建立了灰类的白化权函数,分析了评估变压器健康状态所涉及的状态信息,给出了变压器健康状态评估的灰色聚类决策步骤.实例分析表明,该方法针对变压器健康状态的评估提供了一种新的途径.     

基于混合聚类方法的电力系统负荷概率模型

针对利用k-均值聚类算法形成发电系统充裕度评估中的聚类负荷模型时存在的聚类中心初始值和聚类数难以确定的问题,提出根据负荷水平对充裕度指标的贡献度,将负荷曲线分成高贡献度、中等贡献度、低贡献度等分区,分别采用层次聚类、均值-标准差、随机法来选择各分区中聚类中心初始值;定义改进效率指标,将改进效率作为收敛条件确定聚类数.利用本文方法所得的聚类负荷模型,采用状态抽样法计算IEEE RTS79电力系统可靠性测试系统的发电系统充裕度指标.算例结果表明,同采用基于传统k-均值聚类方法的负荷模型结果相比,基于混合聚类方法得出的负荷模型的计算结果更精确,收敛速度更快.     

基于稳定阈值的吸引子传播算法

针对传统吸引子传播算法(AP)聚类性能受偏向参数影响较大的问题, 提出一种改进的吸引子传播算法, 即基于稳定阈值的吸引子传播聚类算法（STAP）. 该算法通过稳定阈值, 衡量获得真实类数时的收敛状态, 然后捕捉该状态下的偏向参数; 为加快算法的收敛速度, 采用S型函数作为收敛因子调节阻尼系数. 仿真模拟实验结果表明, 与传统吸引子传播聚类算法相比, 基于稳定阈值的吸引子传播聚类算法聚类精度更高, 收敛速度更快.     

一种高效的阴阳k-Means聚类算法

针对传统阴阳k-means算法未利用数据结构导致计算效率较低的问题, 提出一种高效阴阳k-means聚类算法. 该算法根据数据相似性将原始数据进行逐层分解, 并建立满m叉树结构存储各层数据, 以树结构各叶子节点中存储的数据信息建立加权数据, 运行加权阴阳k-means算法得到收敛中心. 在原始数据中以加权数据收敛中心为初始化条件运行传统阴阳k-means算法进一步优化目标函数值. 在5组UCI数据集上与k-means、传统阴阳k-means及另外两种加速算法进行对比实验, 实验结果表明, 该算法具有较高的加速比, 且求解精度与传统阴阳k-means聚类基本相同.     

基于多尺度数据融合的锂电池健康状态评估

针对锂电池健康状态评估问题,提出一种以人工神经网络为核心多尺度数据融合框架下的锂电池健康状态评估方法.选取内阻、充电电压样本熵和等压降放电时间作为典型特征参数,建立3层分布式人工神经网络对特征参数进行多尺度融合计算,以计算拟合输出结果作为评估健康状态的参考值,并通过美国国家航空航天局(national aeronautics and space administration, NASA)试验数据集进行验证.结果表明：提出的评估方法能够基于锂电池充放电测量数据和解算特征参数,利用多尺度数据融合框架迅速迭代收敛,完成锂电池健康状态评估拟合;该评估方法的计算结果与测试平台实测值相比,平均误差小于3%,评估性能衰退趋势与实际劣化趋势一致.     

基于Hadoop云平台的并行谱聚类算法的设计与实现

谱聚类(Spectral Clustering)是建立在谱图理论基础上的一种聚类算法.与传统的聚类算法相比,谱聚类能够在任意形状的样本空间上进行聚类且收敛于全局最优解.然而,实际问题中大规模数据集普遍存在,在使用谱聚类对大规模数据集进行聚类时,收敛速度变得十分缓慢,甚至无法在有效的时间内得到聚类结果.并行算法是针对大规模数据集进行处理的一种有效方法.基于Hadoop云计算平台实现大规模数据集的存储和处理是目前实现并行计算的一种高效解决方案.     

改进的基于层次聚类的模糊聚类算法

针对FCM算法的缺陷,文章提出了一种基于层次聚类的模糊聚类算法(HFCM)。该算法采用凝聚的层次聚类方法,可快速地发现高度聚集的数据区域,并对这些高密度区域进一步进行分析与合并,通过评估函数的评估,找到最优的聚类方案。试验结果表明,该算法具有较高的分类精确度和较高的排除噪声的能力。     

基于知识粒度的高属性维稀疏聚类算法

目前的高属性维稀疏数据算法大多面向二态数据,而且没有聚类结果的评价方法,给应用带来很大局限.针对这些问题,文中提出了一种基于知识粒度的高属性维聚类算法.首先通过设计面向数据稀疏特征的半模糊聚类算法对数据进行离散化,并基于此给出稀疏相似度和初始等价关系的定义;然后设计可变精度的二次聚类模型对初始聚类结果进行修正,使算法具有较强的抗噪声能力;最后结合应用领域定义一种新的聚类质量评价模型.实验证明,该算法可提供多粒度分析结果,准确度更高,得到的聚类结果能真实反映数据的特征.     

一种改进森林优化的K-means聚类算法

针对K-means算法易受聚类中心影响而陷入局部最优的问题,提出一种基于改进森林优化算法的K-means聚类算法。首先,将衰减因子引入传统算法中提出一种自适应微量步长方法,以加快算法收敛速度,并改善算法的全局搜索与局部开发能力;然后,结合遗传算法中的算术交叉操作思想,改进传统算法全球播种阶段的选择策略,使得算法能够跳出局部最优,提高算法优化精度。通过基准测试函数实验,验证了改进算法的有效性和优越性。最后,结合改进算法和K-means算法,提出一种新的聚类算法,并通过在UCI数据集上的实验结果表明,提出的聚类算法具有较高的聚类准确率。     

河流健康复杂系统评价的IFMMAAM

在模糊物元分析原理的基础上,对隶属度函数进行分析,建立了基于改进隶属度函数的模糊物元多属性评价模型(IFMMAAM).给出了不同标准评价等级的改进隶属度函数的构造方法,把河流健康复杂系统评价的等级作为物元的事物,以各项评价指标及其相应的模糊量值构造复合模糊物元,通过计算与理想模糊物元之间的加权海明贴近度构造综合评价等级.澜沧江应用结果表明,运用IFMMAAM评价河流复杂系统健康是可行的,结论是合理的,IFMMAAM不仅能较好地处理多等级评价各等级之间的过渡问题,而且对于各种极端值问题也适用.     

一种基于聚类算法的网络入侵检测应用

针对网络入侵检测与聚类等问题,提出了一种综合模糊聚类与改进的SOM神经网络方法.通过对网络入侵数据提取、分析和处理,建立了网络入侵检测聚类模型,并对传统SOM网络层次进行改进,结合易发的网络入侵类型有针对性地对网络入侵数据进行聚类.网络入侵检测聚类与其他方法比较的结果表明,该模型在网络入侵检测聚类中具有更高的准确性和均衡性,该方法能有效提高网络入侵分类精度,减少聚类误差.     

人工免疫C-均值聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制，提出了一种人工免疫C-均值混合聚类算法．该算法采用了新的克隆选择方法，通过亲和度排序和个体浓度定义了个体的选择概率，从而可确定个体的适应值评价函数，以评价和选择个体．算法还集成了一种C-均值搜索算子，用于加快收敛速度．在聚类数目已知的情况下，所提算法能够得到给定数据集下的全局最优划分，与基于遗传算法的聚类方法比较，它具有更快的收敛速度和更高的收敛精度，并可扩展到性能指标能够表示为优化聚类中心函数的聚类模型之中．仿真结果表明，所提算法是有效性的．     

基于佳点集遗传算法的模糊聚类技术

文章提出了2种基于佳点集遗传算法的模糊聚类新方法GgaFca和HGgaFca。GgaFca可用于发现指定簇数(c)的聚类中心,具有对初始输入不敏感、收敛快、精度高并可避免早熟的特点;而混合方法HGgaFcm是利用传统模糊c-均值(Fcm)聚类算法对GgaFca聚类结果的进一步提炼,实验结果表明它具有更好的聚类效果和综合性能,可适用于不同数据库下的模糊聚类挖掘研究。     

一种高效鲁棒的无监督模糊c均值聚类算法

先通过数据约简技术在不损失数据聚类结构的前提下对数据进行精简, 利用提出的近似模糊c均值聚类算法对精简后数据进行划分得到初始化中心, 再在该中心基础上通过模糊c均值聚类算法结合聚类有效性指标, 实现对数据的无监督聚类, 改进了无监督模糊c均值聚类算法聚类性能过分依赖初始化中心及大数据集下计算效率不理想的问题. 与已有算法的对比实验表明, 所提出的算法具有更高的求解精度与计算效率, 得到的聚类个数更合理.     

基于智能手机传感器和SC\|HMM算法的行为识别

在获取智能手机传感器信号的基础上, 提出一种基于谱聚类和隐Markov模型的日常行为识别算法. 该方法利用智能手机获取的加速度、 地理位置和接受信号强度等数据, 结合谱聚类分析和隐Markov模型学习, 能有效地对用户日常行为进行自动识别. 实验结果表明, 在真实的手机数据集中, 该方法具有较高的准确度.     

基于聚类划分子种群的多种群遗传算法

标准遗传算法存在易于早熟,容易陷入局部最优的缺点,同时标准多种群遗传算法存在进化后期种群同质化严重的缺陷。针对这一问题,将聚类思想引入到多种群遗传算法的子种群划分中,提出了一种使用聚类方式划分子种群的多种群遗传算法,使得种群划分不再只是单纯的随机行为,而是将满足约束条件的个体根据其特征划分到不同子种群中,从而解决种群同质化问题,避免所有子种群陷入局部最优。最后,通过测试两个典型函数,验证了该算法的有效性,为多种群遗传算法提供了一种新的研究方向。     

语义驱动的作战资源服务聚类方法

针对SOA架构下指挥信息系统中作战资源服务池规模大、服务组织效率不高的特点,进行了服务组织聚类的研究。首先对作战资源进行属性分析,基于OWL-S描述规范对其进行服务化建模,形成作战资源原子级服务本体模型,实现云服务化;然后构建了作战资源服务聚类模型,并在遗传算法中将模拟退火方法和K-means方法相结合,提出了一种作战资源服务聚类方法;最后通过仿真与GS和GK算法进行了对比。实验结果表明,所提算法能够在可接受的时间内找到适应度值更高的聚类方案,且方案结果适应度值的标准差较低。该方法相比于GS与GK算法具有更好的寻优性与稳定性。