基于分层递阶融合算法的高炉料面煤气流分布软测量方法

高炉能否稳顺、高产和低耗运行与煤气流的分布密切相关, 本文针对料面煤气流分布难以直接检测的问题, 提出了一种基于多源信息分层递阶融合的高炉料面煤气流分布软测量方法. 首先, 将多源信息配准为同一时间和空间的尺度; 然后, 采用数据级融合分别建立能够反映煤气径向和轴向分布的高炉料面温度场模型和高炉布料模型; 最后, 利用模糊决策级融合算法计算出高炉料面煤气流分布状态. 现场数据仿真表明本文的检测方法有效, 能够准确地反映高炉料面的煤气流分布状态, 为高炉操作提供必要的指导.     

基于料面温度场的高炉煤气流分布识别方法

针对高炉内部环境复杂,煤气流分布实时检测困难的问题,本文提出了一种基于料面温度场的高炉煤气流分布的识别方法。首先,充分利用高炉生产过程检测信息建立料面温度场。其次,对高炉中心和边缘煤气流发展水平进行提取,采用模糊C-均值聚类方法对高炉煤气流分布模式进行识别。实验证明：该方法能有效反映高炉煤气流分布状态,有利于指导高炉的布料操作。     

基于k-means改进算法的入侵检测系统研究

入侵检测技术作为一种主动的网络安全防护技术越来越引起研究者的关注,该文以k-means算法为基础,对基于k-means算法的入侵检测系统进行了研究和分析,指出了传统k-means算法的不足,提出了相应的改进策略,在此基础上完成基于k-means改进算法的入侵检测系统的研究。     

基于k-means改进算法的入侵检测系统研究

入侵检测技术作为一种主动的网络安全防护技术越来越引起研究者的关注,该文以k-means算法为基础,对基于k-means算法的入侵检测系统进行了研究和分析,指出了传统k-means算法的不足,提出了相应的改进策略,在此基础上完成基于k-means改进算法的入侵检测系统的研究。     

基于k-means改进算法的入侵检测系统的研究

本文介绍了入侵检测系统的基本概念,分析了数据挖掘技术在入侵检测系统中的应用.本文主要研究了聚类分析中的k-means算法在入侵规则匹配中的应用,指出了该算法的不足,通过对传统k-means算法的改进解决了聚类算法固有的无法预知最佳聚类个数和分类过细的问题.提高了系统的规则匹配效率.     

文档聚类中k-means算法的一种改进算法

介绍了文档聚类中基于划分的k-means算法,k-means算法适合于海量文档集的处理，但它对孤立点很敏感，为此，文章提出将聚类均值点与聚类种子相分离的思想，并具体给出了基于该思想的对k-means算法的改进算法，实验表明，该改进算法比原k-means算法具有更高的准确性和稳定性。     

基于案例推理的故障诊断算法

电力系统智能告警研究目前主要集中于规则推理领域,未能充分利用系统内历史故障的案例进行有效的分析与故障处理.本文初步研究了基于案例推理的故障诊断算法,在此基础上提出了一种基于向量计算的案例匹配算法.该算法通过对故障信息进行抽象,并与系统案例库中的案例进行相似度计算的方式,对故障信息与案例信息进行一一匹配.案例库的建立基于经过人工分析的各类历史故障信息.相似案例的故障性质、故障原因分析可对本次故障的分析、诊断和后续处理起到指导作用.     

基于图像处理的中心煤气流分布识别方法

研究中心煤气流分布准确识别的问题.利用传统算法进行中心煤气流识别,在数据采集的过程中容易受到高炉内复杂环境因素的干扰,导致原料运动规律发生改变,从而无法准确描述料层中物质的运动状态,难以建立准确的机理模型,最终降低了中心煤气流分布识别的准确性.为了避免上述缺陷,提出了一种基于模糊聚类算法的中心煤气流分布识别方法.利用小波空域变换方法,对采集的图像进行滤波处理,从而提高了中心煤气流分布识别的准确性.利用模糊聚类方法,对中心煤气流分布情况进行准确的识别.实验结果表明,利用本文算法进行中心煤气流分布识别,可以极大地提高识别的准确性,从而满足实际冶金生产的需求.     

遗传聚类算法改进及其仿真

针对k-means算法与遗传聚类算法结合时,在其运行过程中算法易于早熟的现象,给出了一种改进的基于遗传进化的聚类算法,将k-means算法与遗传算法二者结合,并通过双种群混合方式构造初始种群,而两种群的不同来源于其各自个体构造方式的不同.适当设计遗传算子作用种群后,于进化群体中选择最优个体,以其对应各分量作为k-means算法的初始中心点,并由该个体执行k-means操作达到数据源的最终聚类之目的.仿真实验表明,该算法是一个有效的遗传聚类方法.     

云环境下基于数据流的k-means聚类算法

k-means算法是一种 最常用的基于划分的聚类算法。传统的集中式k-means算法已不能适应当前呈爆炸式增长的数据规模,设计分布式k-means算法成为了目前亟需解决的问题。现有分布式k-means算法基于MapReduce计算框架且没有考虑初始聚类中心的影响。由于每个MapReduce任务均需要读写分布式文件系统,导致MapReduce不能有效表达多个任务之间的依赖关系,因此提出了一种基于数据流的计算框架,该框架建立在MapReduce之上,将数据处理过程按照数据流图建模。在该框架的基础上,提出了一种高效的k-means算法,它采用基于多次采样的初始聚类中心选取方法来实现负载均衡及减少迭代次数。实验结果表明,该算法的可扩展性较好,且效率比现有算法高。     

基于数据驱动的高炉料面优化决策模型研究

高炉炼铁是一个典型的高能耗、高排放、高污染的工业环节.合理的炉料分布能够形成更加合理的煤气流分布,使得炉内的化学反应更加充分,对高炉长期稳顺运行和节能减排具有重要作用.本文针对基于经验的料面形状决策不能根据炉况变化做出准确和及时的调控的缺陷,提出了基于数据驱动的高炉料面形状优化决策模型.首先,基于现场采集的数据,在考虑高炉生产实际情况约束和变量上下限约束的情况下,建立了以煤气利用率为评价函数的料面优化模型.然后,为了提高模型的精度和决策性能,提出了一种误差补偿超限学习机(extreme learning machine,ELM)方法用于建立料面优化过程模型,以减少模型与实际生产过程之间的误差.在此基础上,采用带有约束条件的自适应粒子群算法对模型进行求解.最后,通过仿真实验验证了所建模型和优化方法的有效性,实验结果表明所构建的高炉料面优化决策模型能够及时根据生产情况的变化给出合理的料面形状,满足现场生产的需求,使高炉高效稳定运行.     

高炉料面特征提取与聚类分析

布料是高炉上部调节的主要方式,料面形状特征是指导高炉工长做出下一次布料决策的重要依据.本文通过分析高炉雷达实测料面数据,结合专家经验,提出了一种料面特征定义和提取的方法,提取出了能够表征料面形状的6个特征;然后将谱聚类算法引入到料面特征数据的聚类中,建立了料面特征模型库;最后将新的料面特征与模型库数据匹配,为后续高炉布料控制奠定研究基础.在仿真结果中采用真实高炉生产数据,验证了料面特征提取方法的有效性.仿真结果表明谱聚类算法相比传统的K-mean和模糊C均值聚类算法,具有收敛速度快,聚类性能高等特点,能够准确有效地建立料面特征模型库.     

污水处理过程聚类多模型建模与应用

针对污水生化处理过程单模型建模存在计算量大和精度差等的问题,提出一种改进的有监督的k-means聚类算法的ARX多模型建模方法。该方法引A．CCIA算法初始化聚类中心的思想,对样本数据进行聚类及二次聚类划分,并对各类数据分别建立ARX子模型,系统模型通过子模型加权合成。将该方法应用于污水处理过程中氨氮浓度模型辨识,仿真结果和实际污水处理厂实践结果表明,该建模方法具有较高的精度,能准确拟合系统的非线性特性。     

基于分数阶的多向微分算子的高炉料面轮廓自适应检测

高炉料面图像含有丰富的高炉炉况信息,高炉料面轮廓能直接反映料面的凹凸起伏、煤气流分布以及炉况等信息,但高炉料面图像具有对比度低、细节不明显和有强亮斑等特点,使得高炉料面轮廓检测十分困难.本文提出一种新型的高炉料面轮廓检测方法:1）对高炉料面图像进行预处理,增强图像动态范围和图像边缘信息;2）采用分数阶的多向微分算子提取一组料面轮廓可行域;3）用自适应方法确定最佳分数阶阶次,获得可行域中最优的料面轮廓曲线;4）用改进的Canny算子对其进行修正和补偿,得到连续准确的料面轮廓曲线.理论研究和实验结果表明,该方法可准确获取平滑的高炉料面轮廓,对高炉操作人员及时有效调控布料具有很好的参考价值.     

对K-means及势函数聚类算法的研究与改进

在目前聚类方法中, k-means与势函数是最常用的算法,虽然两种算法有很多优点,但也存在自身的局限性。 k-means聚类算法：其聚类数目无法确定,需要提前进行预估,同时对初始聚类中心敏感,且容易受到异常点干扰;势函数聚类算法：其聚类区间范围有限,对多维数据进行聚类其效率低。针对以上两种算法的缺点,提出了一种基于 K-means 与势函数法的改进聚类算法。它首先采用势函数法确定聚类数目与初始中心,然后利用K-means法进行聚类,该改进算法具有势函数法“盲”特性及K-means法高效性的优点。实验对改进算法的有效性进行了验证,结果表明,改进算法在聚类精度及收敛速度方面有很大提高。     

一种改进的k-均值聚类算法

针对k-均值(k-means)聚类算法中随机选取初始聚类中心的缺陷,提出了一种新的基于数据样本分布选取初始聚类中心的方法.实验结果表明,改进后的算法能改善其聚类性能,并能取得较高的分类准确率.     

Adaptive k-means clustering algorithm for MR breast image segmentation

Image segmentation is vital for meaningful analysis and interpretation of the medical images. The most popular method for clustering is k-means clustering. This article presents a new approach intended to provide more reliable magnetic resonance (MR) breast image segmentation that is based on adaptation to identify target objects through an optimization methodology that maintains the optimum result during iterations. The proposed approach improves and enhances the effectiveness and efficiency of the traditional k-means clustering algorithm. The performance of the presented approach was evaluated using various tests and different MR breast images. The experimental results demonstrate that the overall accuracy provided by the proposed adaptive k-means approach is superior to the standard k-means clustering technique.     

高炉煤气流分布过程的多算法融合预测模型

在高炉生产中,准确的预测高炉煤气流分布状况将有助于保证高炉的稳定顺行.针对传统高炉煤气流预测模型的缺陷,本文提出了一种将带遗传因子的自回归移动平均模型(FF-ARMAX)和基于限定记忆的正则化极限学习机(RFMLS-RELM)相结合的高炉煤气流多步预测模型.在数据预处理方面,建立FF-ARMAX模型消除原始数据中的测量误差,同时采用傅里叶变换法消除数据中叠加的环境噪声.最后采用RFMLS-RELM算法进行多步预测,对比试验表明,该算法在应用于煤气流预测时,预测精度更高,适用于对煤气流分布状况的多步预测.多步预测实验结果表明,该模型虽然仍旧无法完全解决预测误差随预测步数的增加而不断叠加的问题,但相较于其他传统预测模型能够实现更好的预测效果和更高的预测精度,为高炉操作人员分析炉况提供了有效的帮助和支持.