核函数参数优化的聚类算法

研究了具有参数优化的核函数法及其在聚类问题中的应用.针对聚类问题,在以到各聚类中心欧氏距离为依据的样本聚类过程中,不存在类似于分类问题中最优超平面这一概念.但可以利用核函数法将样本空间映射到高维的特征空间上,使得在特征空间上样本的类内间距缩小和类间间距相对加大.给出了对一类核函数参数可优化的特征空间聚类算法,并分析了算法的复杂度,给出了降低复杂度的处理方法.通过实例说明了核函数参数优化法聚类的有效性.     

抽样改进加权核大数据谱聚类算法

经典谱聚类算法将数据聚类转为图划分问题,在分析其Normalized Cut函数与传统加权核k-means等价基础上,设计了一种基于抽样改进加权核k-means算法的大规模数据集谱聚类算法,算法通过加权核k-means迭代优化避免Laplacian矩阵特征分解的大量资源占用,通过随机映射得到近似奇异值分解,并由近似奇异向量确定各点数据权重及抽样概率,以此得到快速合理抽样,通过数据抽样并将聚类中心约束到抽样点生成的子空间中,避免全部核矩阵的使用,从而降低经典算法的时间空间复杂度。实验结果表明,改进算法在保持与经典算法相近精度基础上,大幅提高了聚类效率,实验验证了改进算法的有效性。     

基于模糊核加权C-均值聚类的高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容之一。模糊C-均值聚类算法因其算法简单、收敛速度快等优点受到广泛的关注。由于高光谱数据的维数较高,其光谱波段的非线性特性使得传统模糊C-均值聚类算法无法在原始空间得到较好的聚类结果。另外,模糊C-均值聚类算法在计算聚类中心时,仅使用了各样本对聚类中心的隶属度,忽略了样本之间固有存在的空间分布特征。为此提出了模糊核加权C-均值聚类算法,在计算模糊核聚类中心时,根据样本的空间分布特征,为每个样本分配不同的权值,使得每个核聚类中心随着样本的不同而各有不同。标准数据和实际高光谱数据的实验结果均表明,相比较传统模糊C-均值均聚类算法,模糊核加权C-均值聚类算法在总体分类精度上有较大的提高。     

基于半监督谱核聚类的转子系统故障诊断

针对机械系统故障诊断中对先验知识利用不足和在高维特征空间中诊断难的问题,提出了一种基于成对约束和通过约束准则构造核函数的半监督谱核聚类方法。首先,在训练集中利用先验知识建立约束点对,即属于同一聚类的must-link点对和不属于同一聚类的cannot-link点对;其次,通过样本连接图的结构信息和约束点对信息设计核函数,计算出投影矩阵;最后,在投影空间中使用k-means算法聚类。测试集的每个样本点找到在对应训练集中k个近邻样本的投影值,计算局部投影矩阵,从而可以在线计算出每个新来样本的投影值。实验表明,该算法较相关比对算法聚类准确率更高,可以满足转子系统故障诊断的实际需要。     

一种基于核的聚类色彩量化算法

针对K-均值聚类在色彩量化中的应用,提出了一种基于核的聚类色彩量化算法.将原空间中待聚类的样本通过非线性映射,映射到一个高维的核空间中,从而将非线性问题变为线性问题,并通过Delphi编程加以实现.实验结果证明,该算法计算简单,鲁棒性强,具有一定的实用价值.     

群体智能点云光顺去噪算法

为避免点云数据处理过程中的过光顺和局部失真现象,利用基于核甬数的蚁群聚类算法对点云数据进行分析,在高维特征空间达到线性可聚的目的.通过核函数将散乱数据点的曲率及法矢映射到高维特征空间,并将它们在特征空间的加权距离作为相似性的度量,来分析可能的噪声点和局部特征.对法矢进行光顺调整时,采用类内方差自适应地确定调整阈值.实验结果表明,该算法比经典算法有明显的改善,并且较好地保留了原始数据的一些特征信息.     

基于群智能加权核聚类的水电机组故障诊断

针对核聚类中核参数选择依赖经验,最优聚类中心难以有效获取的问题,提出了一种仿电磁蜂群加权核聚类算法。首先,考虑不同特征对聚类结果的影响,对样本进行加权处理,利用核空间的Xie-Beni指标建立加权核聚类模型;然后,提出并引入仿电磁蜂群算法求解聚类模型,实现聚类中心、特征权重与核参数的同步寻优。利用该方法分别对3组标准测试样本集以及水电机组故障样本进行聚类测试,并与传统方法进行对比分析。试验结果表明,提出的仿电磁蜂群加权核聚类算法较传统聚类方法具有更高的精度,能够有效实现水电机组振动故障的准确聚类与识别,完成故障诊断。     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

汽轮机故障诊断的粒子群优化加权模糊聚类法

针对模糊C-均值算法在汽轮机故障诊断中的不足,提出了粒子群优化加权模糊聚类分析的方法.首先,采用基于样本相似度的特征加权方法对样本特征及样本进行加权,以适应各种复杂分布的样本;然后,利用粒子群算法优化加权模糊聚类的特征权值和聚类目标函数,并依据聚类有效性指标自适应确定最佳聚类数及聚类结果.试验结果表明,该方法具有收敛速度快和全局收敛的特点,有效降低了汽轮机故障诊断的误分类率,诊断结果可靠.     

改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用

为准确地辨识已知、未知故障类别,提出一种基于模糊核聚类模型的风电齿轮箱故障诊断新方法。首先,将模型初始聚类中心和核参数作为优化变量,采用改进型灰狼优化算法寻优求解。改进型灰狼优化算法中引入莱维飞行策略和非线性收敛向量,能够提高算法的收敛速度与精度,从而获得最佳分类结果下的各聚类中心和核参数;然后,根据待测样本与各聚类中心之间的核空间样本相似度,先判断样本是否属于已知故障,再诊断故障类别;最后,通过模拟风电齿轮箱的故障实验验证了该方法的有效性。