基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解（VMD）搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。本文提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与LSTM的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization,NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明：该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。     

Kmeans与系统聚类法结合在脑电图中的应用

本文引入了系统聚类法和kmeans聚类法相结合对脑电图中某个时间段上的频率进行聚类的方法,由于待聚类的数据集的分布很难确定,因此采用系统聚类法往往效果不够理想,本文先用kmeans法测试聚成几类能得到较好的结果,然后设置系统聚类中类数目,试验表明能取得较好的结果。     

基于改进kmeans聚类方法的RBF神经网络设计

提出了一种利用改进的kmeans聚类算法确定径向基函数的数目、基函数中心及宽度,输出层权值由线性方程组确定的RBF网络设计方法．通过对函数逼近的仿真实验,表明该RBF网络比Kmeans聚类算法设计的RBF网络更加稳定高效．     

基于Seeded-Kmeans和SVM的分类算法

支持向量机（Support vector machines）在人像识别、文本分类等模式识别问题中有广泛的应用,可以有效地解决一些实际生活中的分类问题。针对半监督两分类问题,提出了基于Seeded-Kmeans和SVM的分类算法（SK-SVM）。用Seeded-Kmeans算法对无标签点进行处理,使其获得初始标签,再选取有效的标签点加入已有带标签点中,构成新的带标签训练集,最后结合SVM进行分类。选取UCI中的8个数据集进行数值实验,基于Seeded-Kmeans和SVM的分类算法的有效性得到了验证。     

基于卷积神经网络和Kmeans的中文新闻事件检测与主题提取

中文新闻事件检测的主要任务是从大量新闻中自动检测出潜在的新事件。人工构建事件特征词进行检测费时费力。单纯依靠密度聚类或谱聚类方法进行事件检测,存在不同事件的触发词相关性高时,容易误判为同一事件。为此,提出基于卷积神经网络和K-means结合的中文新闻事件检测与主题提取,将新闻中的文本向量化,通过深度学习抽取文本深层特征。实验结果表明:所提方法构建的模型准确率、召回率优于单一聚类方法,可对中文新闻事件准确识别,快速检测新事件,提取新事件主题。     

一种基于半监督的大规模数据集聚类算法

待挖掘数据集规模的不断增长,以往的聚类算法由于需要多次扫描原始数据集而不再适用,现阶段,一遍扫描原始数据集即完成聚类的算法成为了首要的研究目标.但是,现有针对大规模数据集的算法容易受到初始化参数以及原始数据集分布的影响,聚类结果质量不高,并且也不稳定.对此,吸收半监督聚类的思想,提出了基于标记集的半监督一遍扫描K均值算法,该算法利用驻留主存的标记集指导聚类过程,使得聚类效率以及聚类结果的质量得到了进一步的提高.在人工生成数据集以及1998KDD数据集上验证了该算法的有效性.