基于k中心点聚类的稳态电能质量预警阈值研究

对稳态电能质量预警阈值的研究是适应电能质量预警系统的开发。针对目前稳态电能质量预警阈值确定方法复杂单一的问题,提出了一种基于k中心点聚类的稳态电能质量阈值确定方法。该方法是在对电能质量数据进行聚类分析的基础上,使用基于距离的平方和误差作为聚类质量的度量,根据阈值确定的实际情况取k=2,自然地将所有数据分为正常类和异常类两类,在此基础上进行阈值的选取。实验结果证明,在确定电能质量阈值的问题上,该方法具有良好的效果和效率。     

新型火焰颜色空间——IFCS

针对火焰识别颜色空间模型FCS带来的错判率高问题,基于混沌理论和[k]-medoids的粒子群算法,提出了一种改进的火焰识别颜色空间--IFCS。利用IFCS颜色空间进行火焰识别,可以在保证计算的简单快捷的同时,相对FCS更加突出火焰/非火焰像素颜色属性差异特性。采用混沌序列初始化粒子、自适应调整惯性权重、动态非线性调整学习因子、混沌搜索跳出局部最优等方法,得到了IFCS火焰识别颜色空间;进一步,在IFCS火焰颜色空间中通过经典Otsu阈值方法得到二值图像,建立了基于IFCS和Otsu的火焰识别算法--IOFR算法。实验结果表明：IOFR算法有效降低了当前基于FCS颜色空间火焰识别算法的火焰错判率。     

WEKA数据挖掘平台及其二次开发

在开源数据挖掘平台WEKA上进行了挖掘测试和分析,并分析了其存在的主要问题。为了克服WEKA系统在聚类方面的薄弱性,在WEKA的开源环境下进行二次开发,扩充了聚类算法。介绍了将k-中心点轮换算法嵌入到WEKA平台的过程,充分利用了开源WEKA中的类和可视化功能,并对嵌入的算法和原有聚类算法进行了对比分析。该算法改进了传统的k-中心点算法,避免陷入局部最优,而且它对初始点不太敏感,可以获取更好的聚类效果。     

改进粒子群算法的多峰值优化研究

粒子群优化算法对于多维函数的最优解搜索存在前期易陷入局部最优,后期收敛速度缓慢的问题.将改进的k-中心点聚类分析与PSO相结合提出了一种混合粒子群算法KM-PSO,用于多峰值问题的优化.在算法中,利用k-中心点聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能.不仅增加了粒子间的信息交换,抑制了早熟收敛,还提高了全局寻优速度和计算精度.仿真实验结果表明,KM-PS0性能优于基本粒子群优化算法.     

考虑水电制氢的水-氢综合能源系统容量规划

为促进“双碳”目标的实现,将水电系统与氢能相结合可提高水电资源利用率、降低制氢成本,并提升能源系统的清洁程度,助力中国实现能源转型。为此,构建了一个考虑水电制氢的水-氢综合能源系统双层规划模型。在上层中,目标是最大程度降低系统成本,提高系统制氢、储氢能力以及燃料电池性能。而在下层中,目标是最大限度减少日常运行中的负荷损失,以提高综合能源系统中所有设施的利用率。通过综合考虑这两个层面的目标,优化系统的设计和运行策略。最后,以某水电站实际运行数据为基础进行了算例分析。结果显示,氢能设施建立后降低系统成本19.08%,减少弃水流量53.12%,提升了水电站的利用效率,从而验证了所建模型的合理性与有效性。     

面向层次类型变量的相异度量及其聚类分析

本文在分析传统类型变量相异度量的基础上，定义了“层次类型”的概念，提出了层次类型变量的相异度量计算方法。引入层次类型变量，并结合传统类型变量，设计了具有包括层次类型在内的混合数据类型描述的对象之间的相异度量方法，并基于此实现了此类对象的聚类分析。     

正交小波变换k-中心点聚类算法在故障诊断中的应用

k-中心点聚类算法(k-medoids cluster algorithm,KCA)是改进的机器学习聚类算法,该方法通过初始聚类中心选取和聚类中心更新,对无标记训练样本的学习揭示数据的内在性质及规律,从而区分出机器的运行状态。提出了一种正交小波变换k-中心点聚类算法(orthogonal wavelet transform k-medoids clustering algorithm,OWTKCA)诊断方法,利用正交小波变换(orthogonal wavelet transformation,OWT)方法提取各细节信号作为训练样本,用KCA方法进行分类。通过滚动轴承的试验数据分类结果显示,该方法相对于没有提取特征值的KCA能有效处理复杂机械振动信号,明显提高了故障数据聚类效果,缩短了聚类时间,提高了智能诊断效率。     

Sandpiper optimization algorithm with cosine similarity based cross-layer routing protocol for smart agriculture in wireless sensor network assisted internet of things systems

The Internet of Things (IoT) has recently attained a prominent role in enabling smooth and effective communication among various networks. Wireless sensor network (WSN) is utilized in IoT to collect peculiar data without interacting with humans in specific applications. Energy is a major problem in WSN-assisted IoT applications, even though better data communication is achieved through cross-layer models. This paper proposes a new cross-layer-based clustering and routing model to provide a scalable and energy-efficient long data communication in WSN-assisted IoT systems for smart agriculture. Initially, the fuzzy k-medoids clustering approach is used to split the network into various clusters since the formation of clusters plays an important role in energy consumption. Then, a new swarm optimization known as enhanced sparrow search algorithm (ESSA), which is the combination of SSA and chameleon swarm algorithm (CSA), has been introduced for optimal cluster head (CH) selection to solve the energy-hole problems in WSN. A cross-layer strategy has been preferred to provide efficient data transmission. Each sensor node parameter of the physical layer, network layer and medium access control (MAC) is considered for processing routing. Finally, a new bio-inspired algorithm is known as the sandpiper optimization algorithm (SOA), and cosine similarity (CS) has been employed to determine the optimal route for efficient data transmission and retransmission. The simulation of the proposed protocol is implemented by network simulator (NS2), and the simulation results are taken in terms of end-to-end delay, PDR, communication overhead, communication cost, average consumed energy, and network lifetime.     

改进粒子群算法的露天矿路径优化研究

为将面向连续优化的粒子群优化算法应用于露天矿路径优化问题的求解,提出了露天矿路径优化问题的权重编码方案．该方案将属于组合优化的露天矿路径问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性．针对粒子群算法易陷入局部最优的问题,提出了适合露天矿路径优化问题的基于k-中心点法的改进措施,在此基础上采用k-中心点法对粒子群进行聚类分析,实现了粒子之间的信息交换,扩大了粒子的搜索空间,避免算法陷入局部最优．最后,用露天矿的实际路径节点数据验证了权重编码方案和改进粒子群算法的有效性．     

参考节点嵌入最短距离估算在图聚类中的应用

为解决社会关系网络图中节点没有坐标值、不能采用传统的欧几里得距离和曼哈坦距离进行聚类的问题,提出采用最短路径算法,来衡量点与点之间的相异度.针对最短路径算法具有时间复杂度大的缺点,引入基于参考节点嵌入的最短距离估算思想来估算两点之间的近似距离.在此基础上,针对DBLP数据集构成的社会关系网络图进行聚类,使用基于划分的k-medoids算法,分别采用以上两种距离算法,比较其优劣.实验证明改进后的算法和最短路径算法中的Dijkstra 算法相比,距离误差率小,时间复杂度大大降低,在提高效率的同时,取得了同样好的聚类效果.