油水液位测量中数据优化算法研究

原油储罐油水液位测量技术在石油行业应用广泛,研究涉及油水液位数据的优化问题。针对电磁波油水液位测量中存在伪数据的问题,分析了油水液位测量过程和油水液位计算过程,对比了现有3种油水液位数据优化算法,因其应用存在一定范围的局限性,提出了一种新的油水液位数据优化算法。该算法运用模板求中间值遍历线性数据的方法,屏蔽油水液位数据中的伪数据。实验结果对比表明:该算法能解决油水液位数据中随机出现的普遍性伪数据,优化过的数据集合有利于获取油水液位阈值,确保最终计算得到的油水液位高度符合实际测量值。     

油水界面测量与计算

精确测量原油储罐油水界面是石油开采加工工艺过程的基本要求,油水界面测量技术在石油化工过程系统工程研究中占有十分重要的位置。首先介绍了油水界面测量技术的研究现状,分析了每一种测量技术的测量原理和技术应用,并从技术原理、测量方式和计算方法 3个方面对15种油水界面测量技术进行了对比总结;其次重点探讨了油水界面计算方法,提出按照直接读数、关键参数、矩阵数据和图像分析4个方面总结油水界面计算方法,并对其所用算法研究进展进行分析和对比;最后对油水界面测量技术下一步发展做了展望,预测了油水界面测量技术在混合模式技术原理、非接触式测量方式、高精度测量过程、多维数据计算方法和智能化信息系统建设平台等5个方面的发展方向和技术难点。     

一种优化的K-means聚类中心算法研究

传统的K-means算法对初始聚类中心敏感,不同的初始输入随目标准则函数进行不同次数的迭代,聚类结果波动大,容易陷入局部最优.针对K-means存在的问题,本文提出以簇内相似度最高的具有高密度分布的点为初始聚类中心的算法,通过聚类评价函数提高其聚类质量.用标准的UCI数据库进行实验,结果表明,在聚类K值给定的情况下,改进后的方法较传统K-means方法具有更好的聚类效果,其准确率与稳定性得到改善.     

基于外形特征的三维模型聚类方法研究

针对实际应用中三维模型数据集的模型分类管理、检索聚类预处理等聚类问题,提出了一种基于划分方法的无监督聚类模型。该模型通过以傅里叶矩不变算法为基础的特征提取算法,综合运用了现有聚类算法,将特征提取和聚类计算有效结合起来,充分考虑了聚类模型数据格式的敏感性问题。计算结果表明,该方法对有一定类结构的数据集在有整体聚类效果的情况下有一定的局部最优性。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

CLS-SVM:一种时间序列预测的局部建模方法

针对LS-SVM应用于大样本时间序列预测时存在的计算复杂度高和泛化能力降低的问题,提出一种采用局部模型的时间序列预测方法.该方法采用K-means算法对训练样本进行聚类,并以VRC原则确定最佳聚类数,然后利用LS-SVM对聚类后样本进行局部建模;同时,针对一般LS-SVM建模过程中共轭梯度方法计算效率低的问题,采用Cholseky分解方法以实现计算效率的提升.仿真实验和应用测试表明,该方法用于大规模数据分析时,可在保持预测精度的前提下,提高训练效率5 ～ 28倍,在降低计算复杂度的同时,有效地提高了模型的泛化能力.     

融合密度峰值和空间邻域信息的FCM聚类算法

针对模糊C均值(FCM)算法聚类结果对初始中心点敏感以及聚类过程中没有考虑到不同密度样本点在聚类过程中影响力不同的缺陷,提出了一种密度峰值和样本点空间邻域信息优化的FCM算法。改进后的算法选择数据集中具有局部密度峰值的样本点或者局部密度较大的样本点作为初始聚类中心,充分考虑样本点邻域之间的关系,增加局部密度值大的样本点在聚类中心迭代计算过程中的影响力,从而达到优化FCM算法聚类效果的目的。理论分析和在人造数据集、加州大学欧文分校(UCI)机器学习数据库中真实数据上的实验结果表明,改进后算法的抗噪性、聚类效果和全局收敛能力均优于传统FCM算法。     

大规模数据集谱聚类并行优化算法

为解决传统谱聚类算法在应用于大规模数据上时,复杂度较高且资源占用较大,导致算法聚类效果不好甚至无法聚类的问题,提出基于并行框架和采样相结合的改进谱聚类算法,算法在自适应相似矩阵计算基础上,通过数据分块和单向节点并行,提高算法相似矩阵的计算效率,通过Nystr(o)m加权抽样逼近,减少拉普拉斯矩阵特征向量的计算复杂度,最后通过KD树结构避免k-mean聚类过程的距离计算,从而提高了聚类效率.仿真实验结果表明,文中算法在取得与传统算法相近的聚类性能的同时,取得更好的加速比,验证了算法对大规模集的良好适应性.     

基于一阶导数的中药太赫兹光谱聚类（英文）

针对中药等混合物吸收峰重叠导致无明显吸收峰的情况,提出使用K-means、K-medoids和FCM三种无监督聚类算法结合太赫兹吸收谱一阶导数特征,将三七、当归等四种中药品的太赫兹光谱分别与其易混品的太赫兹光谱进行聚类。三种无监督聚类方法补充了监督学习分类方法的适用范围。光谱一阶导数特征可以放大不同物质吸收系数整体或者是局部的微小差异。实验证明,使用原始吸收系数结合其一阶导数作为分类数据,三种聚类算法都取得很好的效果,K-means算法准确率最高,为95.32%。相较于原始吸收系数作为分类数据,聚类准确率提升明显,尤其是对无吸收峰中药易混品的聚类,K-means算法准确率提升了5.38%。三种聚类算法对误差数据都具有很强的抗干扰能力。     

基于一阶导数的中药太赫兹光谱聚类

针对中药等混合物吸收峰重叠导致无明显吸收峰的情况,提出使用K-means、K-me doids和FCM三种无监督聚类算法结合太赫兹吸收谱一阶导数特征,将三七、当归等四种中药品的太赫兹光谱分别与其易混品的太赫兹光谱进行聚类.三种无监督聚类方法补充了监督学习分类方法的适用范围.光谱一阶导数特征可以放大不同物质吸收系数整体或者是局部的微小差异.实验证明,使用原始吸收系数结合其一阶导数作为分类数据,三种聚类算法都取得很好的效果,K-means算法准确率最高,为95.32％.相较于原始吸收系数作为分类数据,聚类准确率提升明显,尤其是对无吸收峰中药易混品的聚类,K-means算法准确率提升了5.38％.三种聚类算法对误差数据都具有很强的抗干扰能力.     

基于网格空间规划的配电网时空负荷自动预测计算方法

配电网时空负荷自动预测过程中,内部与外部因素影响负荷属性提取结果,导致预测方法存在数据偏移问题,研究基于网格空间规划的配电网时空负荷自动预测计算方法。该方法采用核密度优选法,提取负荷时间属性;根据负荷供电半径与电压电流之间的关系,提取负荷空间属性;利用K-means聚类算法多级聚类时空负荷,自动规划网格空间;通过概率模型计算用电,调整网格空间的预测区间。实验结果表明:通过三级聚类得到的网格空间中,平均绝对百分比误差不足6%的数据比例不足2%,说明网格空间规划结果可信。根据精度评价结果可知,该方法的预测区间覆盖概率增加时,网格空间预测宽度随之增加,面对95%以上的置信度时,本文方法的覆盖密度能保持在1.5以上,有较好的预测效果。     

基于密度峰值聚类的正则化LFDA算法

考虑到现有费舍尔判别分析(FDA)及其改进算法无法同时有效利用有标签数据和无标签数据进行学习，提出一种基于密度峰值聚类的正则化局部费舍尔判别分析(DPC-RLFDA)算法。该算法首先利用密度峰值聚类算法得到的伪标签构造两个正则化项来规范局部FDA的类间散度矩阵和类内散度矩阵；然后通过求解目标函数得到最优投影向量。此外，为适用于非线性非高斯分布数据集，提出了基于核的DPC-RLFDA。在人工数据集和UCI数据集上的实验结果表明，与FDA及其改进算法相比，所提算法的判别性能得到了显著提升。     

钢铁企业客户评价指标体系与分类方法研究

为了对客户资源进行评价、分类和有效管理,建立了面向钢铁企业直接客户的客户价值评价指标体系.针对自组织映射神经网络聚类算法在权值初始化方面的不足,提出了一种基于K-means改进的自组织映射的聚类算法.运用层次分析法和基于K-means改进的自组织映射聚类算法,设计了一套客户分类方法.通过对可能出现的客户类型进行分析,提出了相应的客户关系发展建议.最后通过应用实例,验证了该评价指标体系和分类方法的可行性和有效性.     

基于聚类算法在车辆检测中特征选择的应用技术研究

随着传感技术和智能交通的快速发展,利用机器学习、人工智能的先进算法对高速公路的车辆通过视频采集进行车辆检测的应用成为研究的热点,通过利用谱聚类算法对车辆检测进行特征选择,探讨了谱聚类算法与K-means聚类算法和LSVM聚类算法的区别,并通过实验数据进行了对比分析。经实践证明,该方法在车辆检测中特征选择时具有较好的效果,能满足实际的要求。     

基于改进密度峰值聚类的航空发动机故障诊断

针对快速搜索发现密度峰值聚类(CFSFDP)算法存在的密度中心选择不方便、聚类精度不高的问题,提出基于马氏距离的自动搜索发现密度峰值的聚类算法。该算法将马氏距离引入距离测定中,提高了聚类精度;提出聚类中心判定参数γ,自动获得了聚类中心。采集航空发动机转子模拟振动信号实验数据,分别采用传统CFSFDP算法、改进后的CFSFDP算法、K均值聚类和模糊C均值聚类进行分析,结果表明,所提算法能够很好地改善聚类精度,其聚类精度相比K均值聚类和模糊C均值聚类有很大优势,且在故障特征的分类与识别上均优于其他两种算法。     

基于累积全熵的子空间聚类离群点检测算法

针对累积互信息方法存在的最佳聚类子空间选择不稳定和计算复杂的问题,给出累积熵的链式法则、累积全相关、累积全熵的计算方法,采用累积全熵在连续数据集上挖掘最佳聚类子空间,并在最佳聚类子空间中进行离群点挖掘,提出基于累积全熵的子空间聚类离群点检测算法。分别在真实数据集和虚拟数据集上验证了所提算法的有效性和可伸缩性。实验表明,所提算法进一步提高了子空间离群点的挖掘效率。     

一种面向生产调度规则挖掘的数据离散化方法

针对车间生产数据的特点及数据挖掘技术对离散处理的客观需求,建立一种基于动态聚类的连续值离散化方法,并利用决策系统的相容性原则建立目标函数。对基于密度的聚类算法进行改进,提出一种单维度多半径聚类算法。将该聚类算法应用于离散处理,阐述了基于动态聚类离散算法的整体过程。实验数据表明,该离散算法可以保持决策系统原有的相容度,具有速度快、内存占用率低和自动化程度高等优点,且具有良好的通用性,适用于生产数据的离散处理。     

基于改进FCM模糊神经网络的水处理过程建模

本文结合改进的FCM聚类分析算法,提出了一种自适应T-S模糊神经网络用于建立水处理过程的模型.该方法通过减法聚类初始化FCM聚类算法,加快了FCM聚类收敛速度,利用改进后的FCM算法对数据集聚类,从而产生输入空间的模糊划分和模糊规则;并用混合BP和递推最小二乘学习算法对前件和后件参数进行优化.最后,将本文的方法用于建立水处理过程的模型,仿真实验的结果表明该方法具有收敛快、精度较高、泛化能力好的优点.     

浅析基于网格划分电梯振动异常数据快速检测算法

针对现有的异常数据检测算法存在的问题,本文在网格划分的基础上,提出了基于网格划分电梯振动异常数据快速检测算法。在进行数据预处理后,对振动数据进行中心区域聚类,从而获取其电梯运行期间电梯振动的整体表现,通过实验表明,本文算法还能快速有效地检测出电梯运行过程中的异常数据,为快速判断电梯运行安全情况提供了数据支撑。     

密度峰值快速搜索与聚类算法及其在船舶位置数据分析中的应用

密度峰值快速搜索与聚类算法(CFSFDP)是2014年发表在《科学》上的一种新颖的聚类算法,该算法通过计算样本点的局部密度和到局部密度比它大的样本点的距离,采用决策图的形式确定聚类中心,能快速发现任意形状数据集的密度峰值点,并高效进行非中心样本点分配。但是当数据集中簇间密度差别较大或者某个簇中存在多密度峰值时,聚类结果较差。针对该问题,采用相对密度作为度量样本点密度的尺度搜索密度峰值,优化CFSFDP算法。人造数据集和UCI真实数据集上的实验表明,在没有显著提高时间复杂度的基础上,算法的性能优于CFSFDP算法和具有噪声的基于密度的聚类应用(DBSCAN)算法。最后将新算法应用于船舶位置数据,分析船舶交通流特征和群体行为模式,取得了满意的结果。