改进的基于模糊C-均值聚类的图像分割算法

目前的FCM类型的算法聚类数目的确定需要聚类原形参数的先验知识,否则算法就会产生误导.为了提高图像分割算法的抗噪性能,用K均值聚类算法简单、快速的优点对模糊C均值聚类算法进行改进.结合图像的邻域信息,对图像的直方图作均衡化处理,改善图像质量,通过自适应滤波,降低噪声对分割效果的影响.先用K均值聚类算法对图像进行分割,快速的获得较为准确的聚类中心和初次分割图像,避免了FCM算法中初始聚类中心选择不当造成的死点问题.用邻域灰度均值信息代替传统模糊C均值聚类算法中的灰度信息,对K均值聚类得到的图像作二次分割.该方法能更好的抑制噪声的干扰,提高了聚类算法的分割精确度.     

基于车联网数据的运输车辆安全评价模型

为了提高运输安全管理水平和运输效率,对运输车辆安全性进行客观评价,提出了一种结合多算法的行车安全评价模型。首先,根据交通运输部公路科学研究院所给车联网数据,设计并定义了驾驶人行为的特征指标和评价指标;其次,采用回归分析方法对驾驶人的驾驶风格进行分析;接着,分别采用K-means聚类和DBSCAN聚类算法对驾驶人的不良行为进行分析;经过对比,最终选用K-means聚类算法和因子分析的结果对驾驶行为进行评价,共分为6类。该模型将机器学习中的数据挖掘和数据分析算法与道路运输行业相结合,为道路运输安全管理的研究提供了一个量化分析的工具。     

多油层复杂断块油藏开发层系细分研究

滨南油田毕家断块沙三下亚段属于多层砂岩、强非均质性油藏,其纵向上含油小层多达58个,开发过程中暴露出层间矛盾日益突出。基于油藏地质及开发特征分析,提出利用K-均值算法对小层进行分层聚类,建立定量化的开发层系划分标准,指导开发层系的划分。通过K-均值算法将滨南油田毕家断块沙三下亚段细分为三套开发层系,数值模拟分析表明,利用K-均值算法对开发层系进行定量划分是可行的,细分开发层系后渗透率极差变小、层间矛盾减缓,预测15年后采收率提高13.4%。     

基于Leader的K均值改进算法

研究了K均值算法中初始聚类中心的选择对算法本身聚类精度及效率的影响,并提出了改进的算法(LK算法,Leader+K-means).LK算法中的初始聚类中心选择不是随机的,而是利用Leader算法得到若干个初始类中心,然后选择包含数据项最多的k个类中心,作为K均值算法的初始类中心.实验结果表明,LK算法在聚类结果的稳定性和正确率方面都是有效可行的.     

K—means聚类算法在客户细分中的应用

以某超市会员为研究对象,以其会员卡的消费记录为数据源,运用K-means聚类算法对该超市VIP客户进行细分,得到一个细分模型,该模型对企业营销策略的制定具有一定的辅助作用．     

基于K-平均值方法的入侵检测系统

介绍了入侵检测系统,将数据挖掘中的K-平均值聚类方法应用于入侵检测系统,对仿真实验的结果进行了分析,证明了将K-平均值方法用于网络入侵检测的可行性。     

基于改进K-means 算法的多场景分布式电源规划

针对恒定调度模型分布式电源选址定容的配置方案实用性差的缺陷,考虑分布式电源( DG: Distributed Generation) 出力和负荷需求的时序性与不确定性,建立以配电网系统总投资成本、总电压偏差和系统网损最小化的多目标调度模型。首先,通过蒙特卡洛算法随机模拟全年风-负荷场景,并采用K-means 聚类法对全年场景进行缩减。其次,引入轮廓系数对其改进以获取最优的聚类数。最后,通过快速非支配排序遗传算法( NSGA-Ⅱ) 与无偏折中策略进行优化处理。以IEEE33 节点配电系统为例与标准遗传算法做对比仿真实验,验证了所提算法的有效性和优越性。     

无粗定位亚像素边缘检测算法研究

针对传统的亚像素边缘检测技术需要先进行粗定位,然后再进行精确定位的问题,提出无粗定位亚像素边缘检测算法.针对彩色图像降低维度边缘信息损失的问题,提出主轴分析法来保存图像的边缘信息.针对滤波后图像边缘特征模糊的问题,提出基于二分K均值的中值滤波算法,在滤除噪声的同时,增强图像的边缘.最后从检测精度、检测效率和可靠性3个方面验证算法的有效性.     

粗糙K-means和AdaBoost结合的雷达辐射源快速识别算法

针对数据集识别难度分布不均匀,提出了基于粗糙K-means和AdaBoost的雷达辐射源快速识别算法。该算法由2个阶段构成:初级识别阶段提出一种改进粗糙K-means算法,将数据特征空间分割为确定区域、粗糙区域和不确定区域,构建雷达辐射源快速识别算法模型,对数据集进行筛选和识别,同时提出了一种确定粗糙K-means算法初始聚类中心和聚类数量以解决其固有缺陷的思路;在高级识别阶段,基于粗糙区域已知数据训练的多类AdaBoost分类器识别不确定区域未知数据,提升识别精度。仿真结果表明:该算法与RBF-SVM和AdaBoost相比,精度浮动在-0.1%到+1.4%之间,训练时间和测试时间分别最大缩短0.857s和0.005s,在保持了较高识别精度和泛化能力的同时,明显降低了计算复杂度,缩短了耗时,提供了设计雷达辐射源快速识别算法的新思路。     

基于K均值聚类分析的车辆横向稳定性判定方法

针对既有车辆失稳判定方法存在的不足,开展了车辆横向稳定性关于模式识别的研究,提出了一种基于K均值聚类分析的车辆横向稳定性判别方法.利用CarSim建立整车动力学模型,采用K均值聚类算法对车辆行驶状态数据进行离线聚类分析,得到离线聚类质心及其危险等级.搭建CarSim与Simulink联合仿真平台,计算车辆实时行驶数据点与离线聚类质心之间的欧氏距离,设计了车辆横向稳定性判定指标,对车辆行驶稳定性进行了在线识别.该判定方法充分利用车辆离线数据和实时数据,对车辆行驶状态数据进行数据挖掘.仿真结果表明,该判定方法能够准确实时量化车辆的行驶稳定性,为控制系统的介入时机与程度提供判据.