检索结果-内蒙古大学图书馆

通信电源技术 2025年第4期42卷 177-179页

作者：宋敏代倩文商丘工学院信息与电子工程学院河南商丘476000

为有效捕捉异常流量的特征,引进k-均值聚类算法,开展异常流量数据动态检测研究。采用滑动窗口机制处理数据,设定滑动窗口的大小,补偿通信网络流量数据的偏差值,并引进k-均值聚类算法提取关键特征,结合源网际互连协议(Internet Protocol,... 详细信息

为有效捕捉异常流量的特征,引进k-均值聚类算法,开展异常流量数据动态检测研究。采用滑动窗口机制处理数据,设定滑动窗口的大小,补偿通信网络流量数据的偏差值,并引进k-均值聚类算法提取关键特征,结合源网际互连协议(Internet Protocol,IP)随机映射技术,进行异常流量的动态检测。对比实验结果表明,设计的方法可以提取通信网络异常流量数据的特征,精确检测异常流量数据幅值。

关键词： k-均值聚类算法异常数据检测方法动态检测通信网络滑动窗口

来源：评论

学校读者我要写书评

暂无评论

基于k-均值聚类算法的模具型腔曲面分片加工研究

引用

北京工业大学学报 2012年第5期38卷 683-688页

作者：冯志新蔡玉俊黎振潘鑫天津科技大学机械工程学院天津300222 北京电子科技职业学院继续教育学院北京100028 天津市高速切削与精密加工重点实验室天津300222

为了提高复杂曲面的加工效率,解决编程人员凭经验分片导致加工特征遗漏和区域参数不合理的问题,提出了一种基于k-均值聚类的模具型腔曲面分片方法.首先,将型腔曲面根据曲面加工特点进行分类;然后,根据k-均值聚类分析原理,将型腔曲面上... 详细信息

为了提高复杂曲面的加工效率,解决编程人员凭经验分片导致加工特征遗漏和区域参数不合理的问题,提出了一种基于k-均值聚类的模具型腔曲面分片方法.首先,将型腔曲面根据曲面加工特点进行分类;然后,根据k-均值聚类分析原理,将型腔曲面上加工特性相似且相邻的点归集到一个加工区域内;进而,型腔曲面被分割成若干具有不同加工特性的曲面片;最后,针对每个曲面片的特性规划刀具路径实施分片加工,将接刀痕迹控制在曲面片的交接处,以达到提高效率及加工表面质量的目的.结果表明,此方法能明显减少加工轨迹的长度,提高加工的效率及质量.

关键词：模具型腔 k-均值聚类算法曲面分片刀具路径

来源：评论

学校读者我要写书评

暂无评论

基于赤平极射投影和k-均值聚类算法的优势结构面分析

引用

岩土工程学报 2018年第1期40卷 74-81页

作者：王俊杰冯登柴贺军刘云飞重庆交通大学水利水运工程教育部重点实验室重庆400074 招商局重庆交通科研设计院有限公司山区道路工程与防灾减灾技术国家地方联合工程实验室重庆400074 重庆交通大学重庆市高校水工建筑物健康诊断技术与设备工程研究中心重庆400074

对于结构面多而复杂的岩质边坡,其优势结构面的选取与分析是极其重要的工作。传统的结构面组数划分方法比较粗糙,分析结果有很大的主观因素,无法准确地给出结构面的优势产状,使得其结果在实际工程中使用不便。以结构面交线的筛选和分析... 详细信息

对于结构面多而复杂的岩质边坡,其优势结构面的选取与分析是极其重要的工作。传统的结构面组数划分方法比较粗糙,分析结果有很大的主观因素,无法准确地给出结构面的优势产状,使得其结果在实际工程中使用不便。以结构面交线的筛选和分析为突入点,借助于赤平极射投影法,在楔形体滑移分析中首先确定可能的滑移区域,筛选出可能滑移的结构面交线,缩小计算范围,采用k-均值聚类算法和有效性检验,根据赤平极射投影分析得到滑移区域的对称轴中心作为初始凝聚点,通过多次迭代计算得到滑移区域内的优势结构面交线。将该方法用于重庆万盛黑山谷的岩质滑坡中,结果表明,将赤平极射投影与k-均值聚类算法相结合,计算得到的优势结构面交线分类合理,结果可靠,可以准确地确定结构面交线的优势产状。

关键词：岩质边坡优势结构面交线赤平极射投影 k-均值聚类算法

来源：评论

学校读者我要写书评

暂无评论

面向立木识别的有效k-均值聚类算法研究

引用

农业机械学报 2017年第3期48卷 230-237页

作者：王亚雄康峰李文彬文剑郑永军北京林业大学工学院北京100083 中国农业大学工学院北京100083

针对林区自动对靶施药过程中,当立木生长密集时,获取的点云数据聚类准确率低、效率低的问题,提出优化后的k-均值聚类算法,数据获取方式基于2D激光扫描。针对立木点云信息聚类前需对相关数据进行滤波,提出窗口滤波算法,选取产生混合像素... 详细信息

针对林区自动对靶施药过程中,当立木生长密集时,获取的点云数据聚类准确率低、效率低的问题,提出优化后的k-均值聚类算法,数据获取方式基于2D激光扫描。针对立木点云信息聚类前需对相关数据进行滤波,提出窗口滤波算法,选取产生混合像素点的树干边缘,提取3次连续扫描的混合像素及其近邻点组成滤波窗口,进行最大阈值滤波,结果显示50次试验中仅有2个混合像素点未被滤除,混合噪声的滤除率高。在k-均值算法优化方面,针对算法需预先确定聚类数和初始聚类中心的不足,提出利用斜率变化确定聚类数的方法,试验对5个不同距离下5组立木分别进行100次测量,结果显示错误测量次数仅为3次,并可在试验前期通过人工方式去除,算法合理有效;对哈夫曼树法确定立木扫描点聚类中心的性能进行了试验分析,3种不同树干分布类型下分别运用随机抽样法和哈夫曼树法进行k-均值聚类,前者平均正确率仅为76.4%,后者则为95.5%;同时分析了Ⅰ型分布下2种算法聚类的迭代次数和耗时,5个不同距离下,随机抽样法的平均迭代次数明显高于哈夫曼树法,平均运行耗时上,哈夫曼树法则高于随机抽样法,前者变化范围为120~220 ms,后者为50~85 ms,该范围为林区测绘的可接受范围。试验证明,基于斜率变化确定聚类数和基于哈夫曼树法确定聚类中心的k-均值算法是林区立木点云聚类的有效算法,可应用于林区的立木检测。

关键词：立木识别点云数据 k-均值聚类算法窗口滤波算法哈夫曼树法

来源：评论

学校读者我要写书评

暂无评论

k-均值聚类算法初始中心选取相关问题的研究

K-均值聚类算法初始中心选取相关问题的研究

引用

作者：吴晓蓉湖南大学

学位级别：硕士

数据挖掘是指从数据库中发现隐含的、新颖的、对决策有潜在价值的知识和规则的过程,已经在许多领域得到了广泛的应用。聚类分析是数据挖掘领域最为重要的技术之一,至今已在理论和方法上取得了丰硕的研究成果。聚类已经被广泛的研究了许... 详细信息

数据挖掘是指从数据库中发现隐含的、新颖的、对决策有潜在价值的知识和规则的过程,已经在许多领域得到了广泛的应用。聚类分析是数据挖掘领域最为重要的技术之一,至今已在理论和方法上取得了丰硕的研究成果。聚类已经被广泛的研究了许多年,主要集中在基于距离的聚类算法上,其中以k-均值聚类算法最为经典。 k-均值算法是一种典型的基于划分的方法,该算法的优点是思想简单易行,时间复杂性接近线性,对大规模数据的挖掘具有高效性和可伸缩性。但是该算法存在如下缺点:聚类个数k需要预先给定;算法对初值敏感;算法易陷入局部极小,并且一般只能发现球状簇。本文主要深入研究和分析了聚类算法中的经典k-均值聚类算法,总结出其优点和不足。重点分析了k-均值聚类算法对初始值的依赖性,并用大量的实验验证了随机选取初始值对聚类结果的影响性。针对k-均值算法对初始中心值选取的依赖性,提出了两种新的初始中心值选取方法。主要研究内容和工作成果如下: 1.基于Huffman树构造的思想,提出了一种新的选取k-均值聚类算法初始中心点方法,改善k-均值聚类算法随机选取初始中心点而导致的聚类结果不稳定,容易陷入局部最优而非全局最优的不良结果。 2.采用最大距离法来选取k-均值聚类算法初始中心点,使得选出的中心点能在一定程度上代表不同的簇,提高了划分初始数据集的效率,克服了k-均值聚类算法中随机选取的初始中心点很大可能过于邻近,多个初始中心被选择在同一簇中,而小簇中没有聚类种子的不好情况。另外引入特征加权的方法,区别不同特征对聚类的贡献不同,来提高聚类的有效性。

关键词：数据挖掘聚类 k-均值聚类算法初始中心特征加权

来源：评论

学校读者我要写书评

暂无评论

k-均值聚类算法研究

K-均值聚类算法研究

引用

作者：蒋帅陕西师范大学

学位级别：硕士

目前,对于聚类问题的研究普遍存在于社会生活中的各个领域,如模式识别、图像处理、机器学习和统计学等。关于对生活中各种各样的数据的聚类分类问题已经成为众多学者的研究热题之一。聚类和分类的区别在于,聚类没有任何先验知识可循,要... 详细信息

目前,对于聚类问题的研究普遍存在于社会生活中的各个领域,如模式识别、图像处理、机器学习和统计学等。关于对生活中各种各样的数据的聚类分类问题已经成为众多学者的研究热题之一。聚类和分类的区别在于,聚类没有任何先验知识可循,要通过数据自身的特点,将数据自动的划分到不同的类别中。聚类的基本形式定义为“在已给的数据集合中寻找数据点集的同类集合。每一个集合叫做一个类,并确定了一个区域,在区域中对象的密度高于其他区域中的密度。” 聚类方法有很多种,其中最简单的形式便是划分式聚类,划分式聚类试图将给定的数据集合分割成不相交的子集,使具体的聚类准则是最优的。实际中应用最广泛的准则是聚类误差平方和准则,即对于每一个点都计算它到相应的聚类中心点的平方距离,并对数据集合上的所有点的距离进行求和。一种最流行的基于最小聚类误差平法和的聚类方法是k-均值算法。然而,k-均值算法是一个局部搜索的算法,它存在一些严重的不足,比如k值需要预先确定、聚类结果的好坏依赖于初始点的选取。为了解决这些问题,这个领域的研究者开发了很多其他的一些技术,试图基于全局最优化的方法来解决聚类问题(比如模拟退火算法、遗传算法等)。然而这些技术并没有得到广泛的认可,在许多实际应用中应用最多的还是反复利用k-均值算法。 k-均值算法是一种基于划分的聚类算法,它通过不断的迭代来进行聚类,当算法收敛到一个结束条件时就终止迭代过程,输出聚类结果。由于其算法思想简便,又容易实现对大规模数据的聚类,因此k-均值算法已成为一种最常用的聚类算法之一 k-均值算法能找到关于聚类误差的局部的最优解,是一个能应用在许多聚类问题上的快速迭代算法。它是一种以点为基础的聚类算法,以随机选取的初始点为聚类中心,迭代地改变聚类中心来使聚类误差最小化。这种方法最主要的不足就是对于初始聚类中心点位置的选取敏感。因此,为了得到近似最优解,初始聚类中心的位置必须安排的有差异。本文就k-均值聚类算法的聚类结果依赖于初始中心,而且经常收敛于局部最优解,而非全局最优解,以及聚类类别数k需要事先给定这两大缺憾展开研究。提出了分别解决这两个问题的算法各一个首先,本文将Hae-Sang等人的快速k-中心点算法确定初始中心点的思想应用于Aristidis Likas的全局k-均值聚类算法中下一个簇的初始中心选择上,提出一种改进的全局k-均值聚类算法,试图寻找一个周围样本点分布比较密集,且距离现有簇的中心都较远的样本点,将其作为下一个簇的最佳初始中心。通过对UCI机器学习数据库数据及人工随机模拟数据的测试,证明本文算法与Aristidis Likas的全局k-均值聚类算法和快速全局k-均值聚类算法比,在不影响聚类误差平方和的前提下,聚类时间更短,具有更好的性能。同时,本文介绍了自组织特征映射网络(Self-Organizing Feature Map, SOFM)的相关内容,SOFM网络是将多维数据映射到低维规则网格中,可以有效的进行大规模的数据挖掘,其特点是速度快,但是分类的精度不高。而k-均值聚类算法,是一种通过不断迭代调整聚类质心的算法,其特点是精度高,主要用于中小数据集的分类,但是聚类速度比较慢。因此,本文在分析了基于自组织特征映射网络聚类的学习过程,权系数自组织过程中邻域函数,以及学习步长的一般取值问题后,给出了基于自组织特征映射网络聚类实现的具体算法,将自组织特征网络与k-均值聚类算法相结合,提出了一种基于自组织映射网络的聚类方法,来实现对输入模式进行聚类,实现k-均值聚类算法的聚类类别数的自动确定。同时通过实验进行仿真实现,证明该算法的有效性。

关键词：数据挖掘聚类分析 k-均值聚类算法自组织特征映射网络

来源：评论

学校读者我要写书评

暂无评论

k-均值聚类算法的研究与改进

K-均值聚类算法的研究与改进

引用

作者：刘莉莉曲阜师范大学

学位级别：硕士

伴随着信息技术的飞速发展,当今的生活、生产以及科研的各个领域都正在实现信息的数字化处理,由此产生了数量极其庞大的文本、图像、音频、视频等各种形式的数据。怎样从海量数据中准确高效的提取出隐含未知且有潜在价值的信息,是人们... 详细信息

伴随着信息技术的飞速发展,当今的生活、生产以及科研的各个领域都正在实现信息的数字化处理,由此产生了数量极其庞大的文本、图像、音频、视频等各种形式的数据。怎样从海量数据中准确高效的提取出隐含未知且有潜在价值的信息,是人们面临解决的重要课题。数据挖掘技术的诞生为这一问题的解决带来了许多行之有效的方法和工具,作为一种新兴的交叉科学的技术,数据挖掘包含多个热门的研究方向,其中聚类分析(简称为“聚类”)是应用最广泛最成熟的数据挖掘技术之一,它的主要功能是根据一定的规则把数据集划分成若干个不同的组,使得同一个组中的数据对象尽可能相似,不同组中的数据对象尽可能相异,数据对象间的相似度的计算是通过描述对象的属性来实现的。目前聚类已经被广泛的应用于数据的预处理过程,在机器学习、空间数据分析、模式识别、商业决策、图像处理、web文档分类和数据压缩等方面也有重要应用。根据构造思想和研究现状的不同,聚类算法大致可以分为以下几类:基于划分的算法、基于层次的算法、基于网格的算法、基于密度的算法、基于模型的算法。k-均值聚类算法是一种基于划分的算法中的经典算法,本文深入研究和分析了k-均值聚类算法的优缺点,同时还针对算法的聚类数目k值依赖用户指定、算法的聚类结果容易受初始中心值的选取影响的缺陷,对k-均值聚类算法进行了研究和改进。本文所做的主要工作包括:(1)介绍了数据挖掘的研究现状和聚类分析的研究背景和相关概念。(2)研究了k-均值聚类算法的基本思想和原理,并分析了k-均值聚类算法的优缺点,对现有的改进k-均值聚类算法的措施进行了分析比较,为得到最佳聚类数目而提出了一种k值的优化算法,实验结果表明算法成功改善了k-均值聚类算法对用户输入k值的依赖性问题。(3)针对k-均值聚类算法对初始聚类中心值的选取敏感并且容易陷入局部最优解的缺点,提出了将全局寻优能力较强的差分进化算法引入算法的思想,用交叉、变异、选择操作来取代聚类中心不断更新的过程。同时对标准差分进化算法进行改进,提出了基于改进的差分进化算法的k-均值聚类算法。最后通过实验验证了改进方案的有效性和可行性。

关键词：数据挖掘聚类分析 k-均值聚类算法最佳聚类数目差分进化算法

来源：评论

学校读者我要写书评

暂无评论

基于节点生长k-均值聚类算法的强化学习方法

引用

计算机研究与发展 2006年第4期43卷 661-666页

作者：陈宗海文锋聂建斌吴晓曙中国科学技术大学自动化系合肥230027

处理连续状态强化学习问题,主要方法有两类:参数化的函数逼近和自适应离散划分.在分析了现有对连续状态空间进行自适应划分方法的优缺点的基础上,提出了一种基于节点生长k均值聚类算法的划分方法,分别给出了在离散动作和连续动作两种情... 详细信息

处理连续状态强化学习问题,主要方法有两类:参数化的函数逼近和自适应离散划分.在分析了现有对连续状态空间进行自适应划分方法的优缺点的基础上,提出了一种基于节点生长k均值聚类算法的划分方法,分别给出了在离散动作和连续动作两种情况下该强化学习方法的算法步骤.在离散动作的MountainCar问题和连续动作的双积分问题上进行仿真实验.实验结果表明,该方法能够根据状态在连续空间的分布,自动调整划分的精度,实现对于连续状态空间的自适应划分,并学习到最佳策略.

关键词：强化学习 k-均值聚类算法 Sarsa学习连续状态表示

来源：评论

学校读者我要写书评

暂无评论

基于差分演化的k-均值聚类算法

引用

武汉理工大学学报 2010年第1期32卷 187-191页

作者：苏清华胡中波孝感学院数学系孝感432000 华中科技大学数学系武汉430074

针对k-均值聚类算法对初始值敏感和易陷入局部最优的缺点,提出了一类新的聚类算法——基于差分演化的k-均值聚类算法,进而提出了基于自适应差分演化的k-均值聚类算法,并将新算法与传统的k-均值聚类算法和最近提出的几个同类聚类算法进... 详细信息

针对k-均值聚类算法对初始值敏感和易陷入局部最优的缺点,提出了一类新的聚类算法——基于差分演化的k-均值聚类算法,进而提出了基于自适应差分演化的k-均值聚类算法,并将新算法与传统的k-均值聚类算法和最近提出的几个同类聚类算法进行比较。实验结果表明,该类算法能比较有效地克服传统的k-均值聚类算法的缺点,算法具有较好的全局收敛能力,稳定性强、收敛速度快,且比较研究表明该类算法具有一定的竞争力。

关键词：聚类分析差分演化算法 k-均值聚类算法

来源：评论

学校读者我要写书评

暂无评论

基于改进k-均值聚类算法的汽车用户行为分析方法研究

引用

燕山大学学报 2023年第3期47卷 229-235,245页

作者：王健毋丽丽裴春琴郝耀军刘文远忻州师范学院计算机系山西忻州034000 燕山大学信息科学与工程学院河北秦皇岛066004

汽车用户的驾驶行为和操作习惯等决定着驾驶是否存在风险,对于道路交通安全具有重要的意义,针对这种情况,提出一种用于预测汽车用户驾驶行为风险等级的模型。该模型为了提高模型的分类效率,在自组织映射神经网络算法中采用遗忘第二名的... 详细信息

汽车用户的驾驶行为和操作习惯等决定着驾驶是否存在风险,对于道路交通安全具有重要的意义,针对这种情况,提出一种用于预测汽车用户驾驶行为风险等级的模型。该模型为了提高模型的分类效率,在自组织映射神经网络算法中采用遗忘第二名的策略,然后结合自组织映射神经网络改进k-均值聚类分析方法,实现对于车辆驾驶人员的风险行为等级进行划分,通过聚类分析得到风险标签后,利用XGBoost算法实现对于用户风险行为的辨识。实验结果表明,改进算法的聚类精确度和运行效率都得到了提高,预测准确率为98%,召回率为98%,F1值98%,kappa系数高达0.97,远远超过其他集成辨识模型,表明本文模型在汽车用户行为的分辨准确率上得到有效提高。

关键词：汽车用户驾驶行为 k-均值聚类算法行为分析

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：