题名 一种学习稀疏BN最优结构的改进K均值分块学习算法
被引量：6
1
作者
高晓光 王晨凤 邸若海
机构
西北工业大学电子信息学院
出处
《自动化学报》
EI
CSCD
北大核心
2020年第5期923-933,共11页
基金
国家自然科学基金(61573285)资助。
文摘
目前贝叶斯网络(Bayesian networks,BN)的传统结构学习算法在处理高维数据时呈现出计算负担过大、在合理时间内难以得到期望精度结果的问题.为了在高维数据下学习稀疏BN的最优结构,本文提出了一种学习稀疏BN最优结构的改进K均值分块学习算法.该算法采用分而治之的策略,首先采用互信息作为节点间距离度量,利用融合互信息的改进K均值算法对网络分块;其次,使用MMPC(Max-min parent and children)算法得到整个网络的架构,根据架构找到块间所有边的可能连接方向,从而找到所有可能的图结构;之后,对所有图结构依次进行结构学习;最终利用评分找到最优BN.实验证明,相比现有分块结构学习算法,本文提出的算法不仅习得了网络的精确结构,且学习速度有一定提高;相比非分块经典结构学习算法,本文提出的算法在保证精度基础上,学习速度大幅提高,解决了非分块经典结构学习算法无法在合理时间内处理高维数据的难题.
关键词
贝叶斯网络 结构学习 改进k均值算法 分块学习
Keywords
Bayesian network (BN) structure learning improved k -means algorithm block learning
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 基于粒子群算法的K均值半监督聚类算法研究
被引量：1
2
作者
郭长友
机构
德州学院计算机系
出处
《计算机应用与软件》
CSCD
2010年第7期270-273,共4页
文摘
定义了一个欧氏距离和监督信息相结合的最近邻计算函数,综合考虑无监督学习的空间距离和监督学习的标签数据的影响,从而将K均值算法很好地用于半监督聚类问题;针对K均值算法对初始质心敏感的缺陷,用粒子群算法的搜索空间模拟聚类的欧氏空间,通过迭代搜索找到较优的聚类质心。同时提出动态管理种群的策略以提高粒子群算法搜索效率。新算法在UC I的多个数据集上测试都得到了较好的聚类准确率。
关键词
半监督聚类 改进 的k 均值 算法 质心优化 粒子群算法 动态管理种群
Keywords
Semi-supervised clustering Improved k -means algorithm Centre of mass optimization Particle swarm optimization Dynamic management of populations
分类号
TP393.1
[自动化与计算机技术—计算机应用技术]
题名 基于碳交易的含大规模光伏发电系统复合储能优化调度
被引量：63
3
作者
车泉辉 吴耀武 祝志刚 娄素华
机构
强电磁工程与新技术国家重点实验室(华中科技大学) 国家电网公司华中分部
出处
《电力系统自动化》
EI
CSCD
北大核心
2019年第3期76-82,154,共8页
基金
国家重点研发计划资助项目(2017YFB0902200) 国家自然科学基金资助项目(51677076)~~
文摘
为提高电力系统对光伏发电的接纳能力,提出一种基于碳交易的含大规模光伏发电的电池储能—抽水蓄能电力系统复合储能优化调度模型。基于低碳经济理念,将阶梯型碳交易机制引入电力系统经济调度中。采用基于最大最小距离准则的改进K均值聚类算法对光伏发电的出力场景进行有效聚类,在保证光伏发电出力分布特征的前提下削减场景数量;以系统综合运行成本最低为目标,兼顾系统的运行经济性和低碳性,利用电池储能作为功率型储能以平滑光伏电站出力波动,抽水蓄能作为能量型储能参与接入光伏发电后系统的调峰平衡。以改进的IEEE-RTS96系统对所提模型进行仿真分析,算例结果验证了模型的合理性和有效性。
关键词
碳交易 复合储能 低碳经济 改进 k 均值 聚类算法
Keywords
carbon trading hybrid energy storage low-carbon economy improved k -means clustering algorithm
分类号
TM615
[电气工程—电力系统及自动化]
题名 基于多样化梯度嵌入主动学习的轴承故障诊断方法
4
作者
张越宏 袁昭成 马嘉浩 张楷 郑庆 王大龙
机构
成都市特种设备检验检测研究院
出处
《机电工程》
2025年第7期1268-1277,共10页
基金
国家自然科学基金资助项目(52205130) 四川省市场监督管理局科技计划项目(SCSJZ2024014)。
文摘
针对实际应用中轴承深度智能故障诊断模型缺乏大量有标签数据的问题,提出了一种基于多样化梯度嵌入主动学习(BADGE)的轴承故障诊断方法,BADGE法以优化主动学习的查询策略为手段,可提高模型在有限标注成本下的诊断能力。首先,从未标记样本集中随机选取了少量样本进行了人工标注,构建了初始标注集,进而训练出初始模型;然后,运用初始模型对未标记样本进行了预测,计算了类别预测概率分布及样本的梯度嵌入向量,以衡量样本的不确定性;接着,借助改进的K-means++聚类算法,从未标记样本中筛选了兼具不确定性和多样性的子集,对其进行人工标注后合并入了已有标注集,并重新训练了模型;最后,逐步扩充了标注集并提升了模型性能,直至未标记样本全部被使用,或模型达到预设性能指标,并利用凯斯西储大学轴承数据集对BADGE法进行了验证。研究结果表明:以诊断准确率超过99%为目标,BADGE法较随机采样方法减少了最多36%的样本量。BADGE法能够捕捉数据集中不同类别的诊断难易程度,赋予困难类别更大的选择权重,使模型更新更稳定。因此,BADGE法为有限标注成本下的轴承故障诊断提供了有效的方案。
关键词
滚动轴承 故障诊断模型 卷积神经网络 深度主动学习 查询策略 多样化梯度嵌入主动学习 改进 k 均值 聚类算法
Keywords
rolling bearings fault diagnosis model convolutional neural network (CNN) deep active learning query strategy batch active learning by diverse gradient embeddings(BADGE) k -means++clustering algorithm
分类号
TH133.33
[机械工程]
TP277
[机械工程—机械制造及自动化]
