K-means聚类算法随机确定初始聚类数目,而且原始数据集中含有大量的冗余特征会导致聚类时精度降低,而布谷鸟搜索(CS)算法存在收敛速度慢和局部搜索能力弱等问题,为此提出一种基于自适应布谷鸟优化特征选择的K-means聚类算法(DCFSK)。首...K-means聚类算法随机确定初始聚类数目,而且原始数据集中含有大量的冗余特征会导致聚类时精度降低,而布谷鸟搜索(CS)算法存在收敛速度慢和局部搜索能力弱等问题,为此提出一种基于自适应布谷鸟优化特征选择的K-means聚类算法(DCFSK)。首先,为提升CS算法的搜索速度和精度,在莱维飞行阶段,设计了自适应步长因子;为调节CS算法全局搜索和局部搜索之间的平衡、加快CS算法的收敛,动态调整发现概率,进而提出改进的动态CS算法(IDCS),在IDCS的基础上构建了结合动态CS的特征选择算法(DCFS)。其次,为提升传统欧氏距离的计算精确度,设计同时考虑样本和特征对距离计算贡献程度的加权欧氏距离;为了确定最佳聚类数目的选取方法,依据改进的加权欧氏距离构造了加权簇内距离和簇间距离。最后,为克服传统K-means聚类目标函数仅考虑簇内的距离而未考虑簇间距离的缺陷,提出基于中位数的轮廓系数的目标函数,进而设计了DCFSK。实验结果表明,在10个基准测试函数上,IDCS的各项指标取得了较优的结果;相较于K-means、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等算法,在6个合成数据集与6个UCI数据集上,DCFSK的聚类效果最佳。展开更多
运用数据挖掘中的聚类技术对电力系统日负荷曲线进行分析,提出一种基于特性指标降维的日负荷曲线聚类方法——特性指标聚类(pattern index clustering,PIC),通过负荷率、日峰谷差率等6个日负荷特性指标对日负荷曲线进行降维处理,利用基...运用数据挖掘中的聚类技术对电力系统日负荷曲线进行分析,提出一种基于特性指标降维的日负荷曲线聚类方法——特性指标聚类(pattern index clustering,PIC),通过负荷率、日峰谷差率等6个日负荷特性指标对日负荷曲线进行降维处理,利用基于聚类有效性修正的德尔菲方法配置各指标权重,以加权欧式距离作为相似性判据,对日负荷曲线进行聚类。算例结果表明所提方法运行时间短,鲁棒性好,提高了负荷曲线聚类质量,能直观反映典型负荷曲线的特点。展开更多
文摘K-means聚类算法随机确定初始聚类数目,而且原始数据集中含有大量的冗余特征会导致聚类时精度降低,而布谷鸟搜索(CS)算法存在收敛速度慢和局部搜索能力弱等问题,为此提出一种基于自适应布谷鸟优化特征选择的K-means聚类算法(DCFSK)。首先,为提升CS算法的搜索速度和精度,在莱维飞行阶段,设计了自适应步长因子;为调节CS算法全局搜索和局部搜索之间的平衡、加快CS算法的收敛,动态调整发现概率,进而提出改进的动态CS算法(IDCS),在IDCS的基础上构建了结合动态CS的特征选择算法(DCFS)。其次,为提升传统欧氏距离的计算精确度,设计同时考虑样本和特征对距离计算贡献程度的加权欧氏距离;为了确定最佳聚类数目的选取方法,依据改进的加权欧氏距离构造了加权簇内距离和簇间距离。最后,为克服传统K-means聚类目标函数仅考虑簇内的距离而未考虑簇间距离的缺陷,提出基于中位数的轮廓系数的目标函数,进而设计了DCFSK。实验结果表明,在10个基准测试函数上,IDCS的各项指标取得了较优的结果;相较于K-means、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等算法,在6个合成数据集与6个UCI数据集上,DCFSK的聚类效果最佳。
文摘运用数据挖掘中的聚类技术对电力系统日负荷曲线进行分析,提出一种基于特性指标降维的日负荷曲线聚类方法——特性指标聚类(pattern index clustering,PIC),通过负荷率、日峰谷差率等6个日负荷特性指标对日负荷曲线进行降维处理,利用基于聚类有效性修正的德尔菲方法配置各指标权重,以加权欧式距离作为相似性判据,对日负荷曲线进行聚类。算例结果表明所提方法运行时间短,鲁棒性好,提高了负荷曲线聚类质量,能直观反映典型负荷曲线的特点。
