检索结果-南通市图书馆

基于Wasserstein距离和改进k-medoids聚类的风电/光伏经典场景集生成算法

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

中国电机工程学报 2015年第11期35卷 2654-2661页

作者：王群董文略杨莉浙江大学电气工程学院浙江省杭州市310027

随着风电、光伏等可再生能源发电渗透率的增加,电力系统运行需要考虑随之而来的不确定性。场景分析法因为可明确体现不确定性因素的概率特征而被广泛采用,但是由于大规模场景会降低随机规划的求解效率,实用性受到限制。针对该问题,提出... 详细信息

随着风电、光伏等可再生能源发电渗透率的增加,电力系统运行需要考虑随之而来的不确定性。场景分析法因为可明确体现不确定性因素的概率特征而被广泛采用,但是由于大规模场景会降低随机规划的求解效率,实用性受到限制。针对该问题,提出一种经典场景集生成算法。该算法首先利用Wasserstein概率距离指标,将单一时刻的风/光出力连续分布概率函数转化为含精确概率信息的最优分位点,随后综合考虑计算规模和概率信息损失,对整个调度区间进行合理划分,段内采用基于改进的k-medoids并行聚类算法进行消减,段间进行场景融合,通过迭代消减、融合运算,形成覆盖整个调度区间的经典场景集。算例中采用国电云南分布式发电示范工程实际数据,结果显示所提出的经典场景集生成算法具有概率信息准确、求解效率高等特点。

关键词：可再生能源不确定性经典场景集场景消减 Wasserstein概率距离指标 k-medoids聚类

基于k-medoids聚类的多传感器航迹关联算法

在线全文

学校读者我要写书评

暂无评论

哈尔滨工业大学学报 2012年第1期44卷 107-110,148页

作者：徐丽马培军苏小红哈尔滨工业大学计算机科学与技术学院哈尔滨150001 哈尔滨工程大学计算机科学与技术学院哈尔滨150001

为有效解决目标密集环境下的航迹关联问题,提出了一种基于k-medoids聚类的航迹关联算法.该算法采用局部航迹与系统航迹进行关联的策略,将系统航迹作为medoids,降低了需要关联的航迹对数量,避免了k-medoids的固有缺陷,很大程度上提高了... 详细信息

为有效解决目标密集环境下的航迹关联问题,提出了一种基于k-medoids聚类的航迹关联算法.该算法采用局部航迹与系统航迹进行关联的策略,将系统航迹作为medoids,降低了需要关联的航迹对数量,避免了k-medoids的固有缺陷,很大程度上提高了关联算法的效率.通过采用无穷范数计算采样点点迹距离求出了两条航迹的近似距离,这使得关联判决能考虑历史和当前航迹,提高了正确关联率.在多传感器多目标环境下讨论了其具体实现过程,仿真实验结果验证了该算法的有效性和优越性.该算法在存在噪音和离群点时,具有很强的健壮性,适合目标密集环境.

关键词：航迹关联 k-medoids聚类无穷范数多传感器多目标

方差优化初始中心的k-medoids聚类算法

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 2015年第8期9卷 973-984页

作者：谢娟英高瑞陕西师范大学计算机科学学院西安710062

针对快速k-medoids聚类算法存在密度计算复杂耗时和初始聚类中心可能位于同一类簇的缺陷,以及基于邻域的k-medoids算法的邻域半径需要人为给定一个调节系数的主观性缺陷,分别以样本间距离均值和相应样本的标准差为邻域半径,以方差作为... 详细信息

针对快速k-medoids聚类算法存在密度计算复杂耗时和初始聚类中心可能位于同一类簇的缺陷,以及基于邻域的k-medoids算法的邻域半径需要人为给定一个调节系数的主观性缺陷,分别以样本间距离均值和相应样本的标准差为邻域半径,以方差作为样本分布密集程度的度量,选取方差值最小且其间距离不低于邻域半径的样本为k-medoids的初始聚类中心,提出了两种方差优化初始中心的k-medoids算法。在UCI数据集和人工模拟数据集上进行了实验测试,并对各种聚类指标进行了比较,结果表明该算法需要的聚类时间短,得到的聚类结果优,适用于较大规模数据集的聚类。

关键词：方差标准差邻域初始聚类中心 k-medoids聚类

基于k-medoids聚类的改进kNN文本分类算法

在线全文

学校读者我要写书评

暂无评论

计算机工程与设计 2014年第11期35卷 3864-3867,3937页

作者：罗贤锋祝胜林陈泽健袁玉强华南农业大学信息学院广东广州510642

为有效提高传统kNN算法(k最近邻算法)在海量数据的分类效率,分析传统kNN算法的分类过程,提出基于k-medoids聚类的改进kNN算法。利用k-medoids算法对文本训练集进行聚类,把文本训练集分成相似度较高的簇;根据待分类文本与簇的相对位置,... 详细信息

为有效提高传统kNN算法(k最近邻算法)在海量数据的分类效率,分析传统kNN算法的分类过程,提出基于k-medoids聚类的改进kNN算法。利用k-medoids算法对文本训练集进行聚类,把文本训练集分成相似度较高的簇;根据待分类文本与簇的相对位置,对文本训练集进行裁剪,解决传统kNN算法在文本训练集过大时速度慢的问题。分析与实验结果表明,该裁剪方法能够合理有效地裁剪文本训练集,提高了kNN算法的运行效率和分类能力。

关键词：文本分类隶属度 k最近邻样本裁剪 k-medoids聚类

基于k-medoids聚类的层次化教学质量提升评估研究

在线全文

学校读者我要写书评

暂无评论

现代电子技术 2019年第23期42卷 110-114页

作者：付宏鹏东北大学秦皇岛分校

研究基于k-medoids聚类的层次化教学质量提升评估方法。通过k-medoids聚类分析数据样本间的最优路径和聚类中心,获取数据样本集的历史最优位置,将历史最优位置点看成不同评估指标;以教学队伍、教学内容、教学条件等两级教学质量评估指... 详细信息

研究基于k-medoids聚类的层次化教学质量提升评估方法。通过k-medoids聚类分析数据样本间的最优路径和聚类中心,获取数据样本集的历史最优位置,将历史最优位置点看成不同评估指标;以教学队伍、教学内容、教学条件等两级教学质量评估指标体系作为评估指标构建教学质量评估指标体系;采用多层次评价模型对历史最优位置点,即评估指标实行层次分析,通过分层综合评估过程先对评估指标实施一级评估,确定各评估指标权重,依据权重构建教学质量效果判断矩阵;再采用判断矩阵完成二级评估,评估层次化教学质量。实验结果表明,该方法评估计算机学院教师教学质量为较高,且二班教师教学质量优于一班教学质量。

关键词： k-medoids聚类层次化教学质量提升评估最优位置指标权重

改进的k-medoids聚类算法和基于谱聚类的特征选择算法研究

在线全文

学校读者我要写书评

暂无评论

改进的K-medoids聚类算法和基于谱聚类的特征选择算法研究

作者：周颖陕西师范大学

学位级别：硕士

大数据时代的来临使得数据挖掘和机器学习领域面临着重要挑战,而聚类和分类正是这个领域着力研究的问题。聚类分析能够使人们发现数据中隐含的模式与规律。划分式聚类算法在实际应用中非常普遍,但不能识别任意形状和密度的簇且不能确定... 详细信息

大数据时代的来临使得数据挖掘和机器学习领域面临着重要挑战,而聚类和分类正是这个领域着力研究的问题。聚类分析能够使人们发现数据中隐含的模式与规律。划分式聚类算法在实际应用中非常普遍,但不能识别任意形状和密度的簇且不能确定合适的类簇数,k-medoids聚类方法正是典型的划分式聚类算法之一。图聚类算法也是一种传统的聚类方法,不仅能够收敛到全局最优,还可以在不同形状的样本空间上聚类。特征选择是分类任务广泛应用于医疗、图像和文本等领域的重要方法。然而此类数据都具有高维度的特征并且特征中多含有冗余的或者与类标无关的特征。尤其对于高维度、高冗余、高噪声的基因表达数据,如何剔除冗余特征,降低特征维度,从而提高分类质量,获取有效特征子集十分重要。本文就快速k-medoids算法需要提前给定类簇个数、不能识别任意形状类簇的问题,谱聚类算法中核函数参数选择的问题,以及谱特征选择算法特征重要性度量的三方面问题展开研究,主要工作及创新点分别如下:1.本文提出了一种基于测地距离和新指标Fr 的快速k-medoids聚类算法:一,本文通过改进F统计量定义一个新的统计量Fr,作为聚类内部评价指标和迭代停止准则,自动确定数据集的类簇数;二,本文采用样本间测地距离MSTath而非欧氏距离,实现任意分布形状数据上的聚类。常用UCI数据集和人工数据集的实验显示,本文采用相似性度量方法MSTath和新聚类指标Fr,不但能够自动发现数据集的类簇数,还可以发现任意形状的簇,且对噪音数据具有良好鲁棒性。***-Tuning谱聚类算法发现NJW算法中参数是全局的,聚类结果对参数很敏感,进而提出一种局部尺度参数,定义为样本与其第p个近邻的距离。然而,这一定程度上会受到离群点的影响,因此本文定义样本局部标准差σstai,表示为样本与前p个近邻的距离的标准差,有效避免离群点的影响。算法在几个常用UCI数据集、人工数据集和模拟噪声数据集上,使用ACC、AMI和ARI三个指标进行测试,Self-Tuning算法和SCSD算法整体聚类性能优于NJW算法;在近邻个数参数一致的情况下,大部分实验中本文算法的聚类性能优于Self-Tuning算法;SCSD算法在几个噪声数据集上的性能均高于其他两个算法。3.将SCSD谱聚类方法应用到特征选择方法中,提出了新的谱特征选择算法FSSC。将数据矩阵转置,计算特征局部标准差,记作σfs;并分别采用熵排序和余弦相似性排序作为度量特征重要性的方法,从而选择出一个最合理的特征子集。实验通过支持向量机分类正确率等方法评价特征子集实现特征选择的分类性能,并使用7个基因数据集进行实验分析,与多类簇特征选择方法MCFS和拉普拉斯分值特征选择方法Laplacian进行比较,表明新提出的谱特征选择算法性能良好。

关键词： k-medoids聚类聚类评价指标谱聚类谱特征选择

基于k-medoids聚类的人脑DTI图像分割算法及其纤维追踪的研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于k-medoids聚类的人脑DTI图像分割算法及其纤维追踪的研究

作者：林涛上海师范大学

学位级别：硕士

扩散张量成像(Diffusion Tensor Imaging,DTI)是唯一能够非侵入地对生物组织中水分子的各向异性扩散特征进行成像的成像模态,它能够提供更多组织微细结构信息。在DTI图像中,属于同一组织的体素,由于扩散特性相似,其张量值中包含有相似... 详细信息

扩散张量成像(Diffusion Tensor Imaging,DTI)是唯一能够非侵入地对生物组织中水分子的各向异性扩散特征进行成像的成像模态,它能够提供更多组织微细结构信息。在DTI图像中,属于同一组织的体素,由于扩散特性相似,其张量值中包含有相似的特征信息,不同组织体素的张量值中则包含了不同的特征信息。DTI图像的分割就是基于此差异特性,采用某种方法将生物组织中的病变部位分割出来,以辅助临床原发性老年痴呆症、脑缺血、中风和精神分裂等脑部疾病的提前诊断和后期治疗。针对传统DTI图像分割算法中存在算法复杂度高、效率低和精度不高,不能有效地将组织微细结构信息提取出来以及DTI图像纤维追踪可视化等问题,本文做了以下研究:1)为了解决传统DTI图像分割中更细致边缘信息丢失问题,提出了新的张量形态学梯度参数。首先基于8邻域新定义了张量相似性形态学梯度以及提出了新的张量各向异性形态学梯度;然后采用基于标记的分水岭算法对DTI图像进行分割,即用形态学技术对梯度图像进行开、闭操作,以完成图像分割,取得较为满意的分割效果。2)针对传统分水岭分割算法存在过分割、分割精度不高等问题,本文提出了一种新的基于k-medoids聚类的人脑DTI图像改进分割算法。首先,通过计算人脑DTI图像的扩散各向异性参数形态学梯度,将张量图像转化为形态学梯度图像;然后采用最大最小距离算法选择初始聚类中心,运用k-medoids聚类算法对形态学梯度图像进行预处理,减少分割对象;最后运用分水岭分割算法完成目标对象更细致、更准确的分割。3)DTI主要根据大脑组织中水分子扩散运动的各向异性特征对大脑的组织结构进行成像,基本能够反映大脑内部神经纤维的结构和走向。为了更加清晰地研究和分析目标分割区域,本文采用Diffusion Toolkit和TrackVis软件对采用的实验数据进行纤维追踪和结果可视化,为医生诊断病情确定治疗方案提供更多更准确的纤维结构信息。DTI是在磁共振成像(Magnetic Resonance Imaging,MRI)基础上发展起来的一种较新的成像技术,在医学临床上得到了广泛的应用。因此,DTI图像分割、分析及其纤维追踪可视化的深入研究将有助于人类进一步的了解人类大脑的内部结构和工作方式,解开人类的智慧之谜,从临床角度来讲,研究大脑神经纤维结构对于诊断和治疗一直困扰人类健康的神经疾病也是有着非常重要的现实意义。

关键词：扩散张量成像形态学梯度分水岭分割算法 k-medoids聚类图像分割纤维追踪

基于k-medoids聚类的分布式光伏台区线损异常感知算法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电机与控制应用 2022年第12期49卷 47-52,80页

作者：梁嘉文严贝峰景楷楠李婷婷屈志原王伟宁国网甘肃省电力公司甘南供电公司甘肃甘南747000

为保证分布式光伏台区稳定运行,精准有效地划分台区线损数据,提出基于k-medoids聚类的分布式光伏线损异常感知算法,精准判断分布式台区线损异常程度。采用局部异常因子(LOF)算法判断分布式光伏台区数据局部异常程度,并筛选和去除受孤立... 详细信息

为保证分布式光伏台区稳定运行,精准有效地划分台区线损数据,提出基于k-medoids聚类的分布式光伏线损异常感知算法,精准判断分布式台区线损异常程度。采用局部异常因子(LOF)算法判断分布式光伏台区数据局部异常程度,并筛选和去除受孤立点影响产生的异常线损数据。采取k-medoids聚类方法聚类分析筛选后的分布式光伏台区数据,将异常线损率区间结合异常线损数据的聚类中心和欧式距离,完成台区线损异常感知。并创新性地引入粒度计算优化k-medoids聚类算法聚类中心,提升异常数据感知效果。试验结果表明,所提算法可有效避免孤立点对异常感知效果的影响,精准有效地感知分布式光伏台区线损异常,并清晰划分台区线损数据类别。

关键词： k-medoids聚类局部异常因子粒度计算分布式光伏台区线损数据异常感知

基于kS抽样的k-medoids聚类初始中心选取法

在线全文

学校读者我要写书评

暂无评论

内蒙古工业大学学报（自然科学版） 2016年第4期35卷 297-302页

作者：张晓东包头师范学院网络信息中心包头014030

经典的k-medoids聚类方法的聚类效果依赖于初始类中心的选择,而已有类中心选择方法不能确保类中心属于不同的类。针对此问题提出了密度峰值kennard-Stone(Density peak kennard-Stone,DPkS)类中心初始化方法,即先从原始数据集中选择一... 详细信息

经典的k-medoids聚类方法的聚类效果依赖于初始类中心的选择,而已有类中心选择方法不能确保类中心属于不同的类。针对此问题提出了密度峰值kennard-Stone(Density peak kennard-Stone,DPkS)类中心初始化方法,即先从原始数据集中选择一些高密度样本,再借助kennard-Stone(kS)抽样从这些样本中选择距离较远的样本,这样确定的初始类中心不可能是离群点,而且更有可能属于不同的类。实验结果表明,DPkS比已有类中心选取法更容易获得不同类别的初始类中心。虽然DPC(Density peak clustering)和DPNM(Density peak optimized with new measure)与DPkS方法的聚类精度相差不大,但本文方法的聚类时间小于前两种方法,是一种快速有效的聚类方法。

关键词： k-medoids聚类初始聚类中心密度峰值 kS抽样