检索结果-南通市图书馆

小样本数据下基于k-means聚类和集成学习的混凝投药预测

在线全文

学校读者我要写书评

暂无评论

环境工程学报 2024年第1期18卷 181-188页

作者：王世杰李一鸣植殷武仁超王涛程紫微郑磊肖峰华北电力大学水利与水电工程学院北京102206 北京环球中科水务科技股份有限公司北京100085 宁夏长城水务有限责任公司银川750004

为了解决混凝投药预测过程中的小样本问题,提出基于k-means聚类和集成学习的PAC投加量预测方法。首先,根据原水浊度和水温2个特征采用k-means聚类将水质分为3类,利用分层抽样从3类水质数据中抽取训练集和测试集;其次,基于Bagging集成学... 详细信息

为了解决混凝投药预测过程中的小样本问题,提出基于k-means聚类和集成学习的PAC投加量预测方法。首先,根据原水浊度和水温2个特征采用k-means聚类将水质分为3类,利用分层抽样从3类水质数据中抽取训练集和测试集;其次,基于Bagging集成学习算法,构建由支持向量机、随机森林、Adaboost、GBDT、Catboost、XGBoost和LightGBM共7种学习器组成的PAC投加量集成预测模型(kM-Bagging);最后,以银川市某给水厂2021—2022年的运行数据为例进行验证。结果表明,kM-Bagging模型对小样本的PAC投加量具有较高预测精度,R^(2)超过0.8,MAPE小于5%。采用6个月和9个月的日监测数据预测PAC投加量,适合数据监测时间短、精度要求不高的情况,预测结果可为原水水质发生突变时的PAC投加量调整提供参考。采用1年的日监测数据预测PAC投加量,预测精度能够满足工程应用的要求,可为水厂实际PAC投加提供辅助指导。研究结果对小样本数据下的混凝药剂投加建模与预测具有参考价值。

关键词：混凝投药量预测小样本数据 Bagging集成学习 k-means聚类

结合人工蜂群与k-means聚类的特征选择

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2024年第1期18卷 93-110页

作者：孙林刘梦含薛占熬天津科技大学人工智能学院天津300457 河南师范大学计算机与信息工程学院河南新乡453007

k-means聚类是一种简捷高效、收敛速度快且易于实现的统计分析方法,但是传统的k-means聚类算法对初始聚类中心的选取敏感且易陷入局部最优,同时多数无监督特征选择算法容易忽视特征之间的联系。为此,提出了一种结合人工蜂群与k-means聚... 详细信息

k-means聚类是一种简捷高效、收敛速度快且易于实现的统计分析方法,但是传统的k-means聚类算法对初始聚类中心的选取敏感且易陷入局部最优,同时多数无监督特征选择算法容易忽视特征之间的联系。为此,提出了一种结合人工蜂群与k-means聚类的特征选择方法。首先,为了使同一簇中样本的相似度高而不同簇中样本的相似度低,基于簇内聚集度和簇间离散度构建了新的适应度函数,更好地反映各样本的特性,进而构建了蜜源被选择新的概率表达式;其次,设计了随着迭代次数的增加而数值逐渐减小的权重,提出了使蜂群搜索范围动态缩进的蜜源位置更新表达式;然后,为了弥补传统的欧氏距离在计算距离时仅考虑向量之间的累积差异而表现出的局限性,构造了同时考虑样本影响程度不同以及样本的相似性的加权欧氏距离表达式;最后,引入标准差和距离相关系数,定义了特征区分度与特征代表性,以二者之积度量特征重要性。实验结果表明,所提算法加快了人工蜂群算法的收敛速度并提高了k-means算法的聚类效果,同时也有效地提升了特征选择的分类效果。

关键词：特征选择人工蜂群 k-means聚类特征重要度

基于改进的k-means聚类分区均匀化空间学习索引

在线全文

学校读者我要写书评

暂无评论

浙江大学学报（理学版） 2024年第2期51卷 153-161,195页

作者：傅晨华张丰胡林舒王立君浙江大学地球科学学院浙江杭州310058 浙江大学浙江省资源与环境信息系统重点实验室浙江杭州310058

传统空间索引的体量随数据量的增加而膨胀,查询效率较低。学习索引的体量不随数据量的增加而膨胀,同时避免了层级比较查询,性能优异。将学习索引应用于空间索引存在2个难点:一是选取合适的降维方法实现空间数据的排序;二是对降维后数据... 详细信息

传统空间索引的体量随数据量的增加而膨胀,查询效率较低。学习索引的体量不随数据量的增加而膨胀,同时避免了层级比较查询,性能优异。将学习索引应用于空间索引存在2个难点:一是选取合适的降维方法实现空间数据的排序;二是对降维后数据序列进行有效的简化分布计算,使其易于拟合。基于此,提出了一种网格混合聚类分区学习索引(grid-ml),用z曲线进行降维,用双层网格结构优化查询策略,用改进的k-means聚类算法进行数据分区,实现数据分布均匀化。对比实验发现,grid-ml构建速度快、存储空间小、查询效率高,较传统空间索引优势显著。

关键词：学习索引 k-means聚类空间填充曲线空间索引

基于k-means聚类和特征空间增强的噪声标签深度学习算法

在线全文

学校读者我要写书评

暂无评论

智能系统学报 2024年第2期19卷 267-277页

作者：吕佳邱小龙重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样... 详细信息

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于k-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用k-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

关键词：噪声标签学习深度学习半监督学习机器学习神经网络 k-means聚类特征空间增强 mixup算法

基于自适应布谷鸟优化特征选择的k-means聚类

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

计算机应用 2024年第3期44卷 831-841页

作者：孙林刘梦含天津科技大学人工智能学院天津300457 河南师范大学计算机与信息工程学院河南新乡453007

k-means聚类算法随机确定初始聚类数目,而且原始数据集中含有大量的冗余特征会导致聚类时精度降低,而布谷鸟搜索(CS)算法存在收敛速度慢和局部搜索能力弱等问题,为此提出一种基于自适应布谷鸟优化特征选择的k-means聚类算法(DCFSk)。首... 详细信息

k-means聚类算法随机确定初始聚类数目,而且原始数据集中含有大量的冗余特征会导致聚类时精度降低,而布谷鸟搜索(CS)算法存在收敛速度慢和局部搜索能力弱等问题,为此提出一种基于自适应布谷鸟优化特征选择的k-means聚类算法(DCFSk)。首先,为提升CS算法的搜索速度和精度,在莱维飞行阶段,设计了自适应步长因子;为调节CS算法全局搜索和局部搜索之间的平衡、加快CS算法的收敛,动态调整发现概率,进而提出改进的动态CS算法(IDCS),在IDCS的基础上构建了结合动态CS的特征选择算法(DCFS)。其次,为提升传统欧氏距离的计算精确度,设计同时考虑样本和特征对距离计算贡献程度的加权欧氏距离;为了确定最佳聚类数目的选取方法,依据改进的加权欧氏距离构造了加权簇内距离和簇间距离。最后,为克服传统k-means聚类目标函数仅考虑簇内的距离而未考虑簇间距离的缺陷,提出基于中位数的轮廓系数的目标函数,进而设计了DCFSk。实验结果表明,在10个基准测试函数上,IDCS的各项指标取得了较优的结果;相较于k-means、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等算法,在6个合成数据集与6个UCI数据集上,DCFSk的聚类效果最佳。

关键词：布谷鸟搜索算法 k-means聚类欧氏距离特征选择轮廓系数

基于k-means聚类和图像分割的紫色土发生层边界识别

在线全文

学校读者我要写书评

暂无评论

土壤学报 2024年第4期61卷 939-951页

作者：杨凯慈恩刘彬陈洋洋谢宇西南大学资源环境学院重庆400715 三峡库区农业面源污染控制工程技术研究中心重庆400715

土壤学始于对土壤剖面及其形态特征的观察,剖面发生层的划分与发生层边界特征的描述是土壤调查的基础。实地划分发生层需要丰富的土壤学实践经验,存在主观和缺乏统一划分标准的问题。以紫色土剖面图像为研究对象,采用k-means聚类和图像... 详细信息

土壤学始于对土壤剖面及其形态特征的观察,剖面发生层的划分与发生层边界特征的描述是土壤调查的基础。实地划分发生层需要丰富的土壤学实践经验,存在主观和缺乏统一划分标准的问题。以紫色土剖面图像为研究对象,采用k-means聚类和图像分割技术,结合图像的颜色特征(CIELab色彩空间)和纹理特征(Entropy)识别紫色土剖面发生层边界,并与实地划分的结果进行比较。结果表明:(1)CIELab色彩空间的a、b通道和Entropy纹理特征,可以划分出供试剖面的主要发生层(A、B、C)和基岩(R);(2)聚类识别的发生层数量和发生层深度与实地识别的结果基本一致;除Z2剖面的C层和Z6剖面的Ap层聚类识别与实地识别的发生层下边界深度相差较大(分别为13cm和8cm)外,其余发生层下边界深度相差均在3 cm以内;(3)聚类识别的发生层边界形状更为不规则,明显度更为模糊。k-means聚类和图像分割技术实现了紫色土剖面发生层边界的客观识别,可为土壤剖面智能辨识系统的开发提供科学参考。

关键词：剖面图像发生层 k-means聚类图像分割颜色纹理

基于k-means聚类与集成学习算法的小流域山洪灾害易发性评估

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

应用科学学报 2024年第3期42卷 388-404页

作者：管筝印涌强张晓祥陈跃红河海大学水文水资源学院江苏南京210098 河海大学地理空间智能与流域科学研究中心江苏南京210098

为了更好地分析空间异质性对山洪灾害易发性评估的影响,建立了基于k-means聚类与集成学习算法的小流域山洪灾害易发性评估模型。首先,选取中国江西省12338个小流域为研究区,对各时段不同频率降雨量指标进行k-means聚类。其次,以误差平... 详细信息

为了更好地分析空间异质性对山洪灾害易发性评估的影响,建立了基于k-means聚类与集成学习算法的小流域山洪灾害易发性评估模型。首先,选取中国江西省12338个小流域为研究区,对各时段不同频率降雨量指标进行k-means聚类。其次,以误差平方和与平均轮廓系数为聚类效果评价指标,将小流域分为2个类内聚集、类外分散的子集。最后,针对不同子集,从几何特征、环境特征以及降水特征3个方面选取平均坡度、形心高程、形状系数、最长汇流路径比降、地形湿度指数、归一化植被指数、距离河流最近距离、降雨量、洪峰模数以及汇流时间10个山洪影响因素,应用自适应增强算法与极致梯度提升算法进行山洪灾害易发性评估。研究发现,降水是导致山洪灾害的重要因素,江西省高降水区域山洪灾害易发程度普遍高于低降水区,同时省内高风险区分布较为分散,主要分布在东北区域与西北边缘区域。对聚类后两类相似小流域分别进行山洪易发性评估,接受者操作特征曲线下面积值均在0.90以上,精度较聚类前有所提高。聚类策略作为易发性评估模型的前驱过程,可以有效解决小流域异质性问题。

关键词：空间异质性 k-means聚类集成学习自适应增强极致梯度提升山洪灾害

基于k-means聚类+灰色理论+BP神经网络的区域天然气长期需求预测

在线全文

学校读者我要写书评

暂无评论

油气储运 2024年第1期43卷 103-110页

作者：刘真潘文菊刘佳温凯宫敬昆仑数智科技有限责任公司中国石油大学(北京)机械与储运工程学院

【目的】不同区域影响天然气需求量的因素存在差异,数据集包含的数据特征也不尽相同,同时天然气长期需求预测存在样本数据少的问题,因此较难构建各区域通用的需求预测模型。【方法】选取山东省11个地级市为研究对象,根据天然气年度消费... 详细信息

【目的】不同区域影响天然气需求量的因素存在差异,数据集包含的数据特征也不尽相同,同时天然气长期需求预测存在样本数据少的问题,因此较难构建各区域通用的需求预测模型。【方法】选取山东省11个地级市为研究对象,根据天然气年度消费量、GDP、人口等影响天然气需求量的主要因素,将多个地区、多时间跨度的数据作为总样本库,使用皮尔逊相关系数对样本特征进行初筛,利用k-means聚类算法对各样本数据进行聚类,选取能源消费结构相似的3个样本点,并将样本点对应的下一时间点的天然气需求量作为数据样本的新特征;同时,将灰色理论预测输出结果作为BP神经网络的输入样本,基于新的样本数据特征与BP神经网络构建组合预测模型。【结果】基于k-means聚类+灰色理论+BP神经网络的预测方法有效利用了相似能源结构的城市天然气历史需求量,并结合灰色理论预测模型在小样本数据上鲁棒性高的优点,预测得到山东省11个地级市天然气长期需求预测的平均绝对百分比误差为0.57%~6.41%。与传统的灰色理论预测模型、BP神经网络模型、k-means聚类+BP神经网络相比,新预测方法在模型误差、预测结果的稳定性方面均有明显改进。【结论】新预测方法的使用不局限于某一地区,不仅可以为中国各城市未来的天然气需求量预测提供技术支撑,还可以为各级政府及企业开展天然气资源配置计划决策提供参考。(图5,表3,参22)

关键词：天然气 k-means聚类 BP神经网络灰色理论区域需求预测

CDkM：基于k-means聚类的因果分解

在线全文

学校读者我要写书评

暂无评论

广西科学 2024年

作者：韦慧娴韦程东陈少凡何国源李冶通南宁师范大学数学与统计学院广西科学院《广西科学》编辑部贺州学院经济与管理学院

冗余的条件独立性测试严重影响了因果发现中基于约束方法的效率和准确性。针对这一问题，提出了一种基于k-means聚类的因果分解方法（Causal Decomposition Method Based on k-means Clustering，CDkM）。CDkM利用k-means聚类将原始因... 详细信息

冗余的条件独立性测试严重影响了因果发现中基于约束方法的效率和准确性。针对这一问题，提出了一种基于k-means聚类的因果分解方法（Causal Decomposition Method Based on k-means Clustering，CDkM）。CDkM利用k-means聚类将原始因果发现问题划分为多个子因果发现问题，然后再将子因果网络合并得到完整的因果网络。CDkM首先利用k-means聚类将原始变量集分割成■个簇；其次在每个簇中加入其他簇中相关距离最小的两个节点，得到更新后的■个簇；然后在每个簇上进行因果发现，得到各个子因果网络；最后将每一个子因果网络合并得到一个完整的因果网络。CDkM既避免了使用高阶条件独立性测试进行分解，又减少了冗余的条件独立性测试，相比递归型基于约束的方法，CDkM可以将原始变量集任意分割。在8个数据集上的实验结果表明，CDkM可以极大地加速因果发现，降低了时间复杂度，且精准度优于基线模型。

关键词：因果发现因果分解 k-means聚类因果网络条件独立性测试