为了充分利用实际高速公路路段交通拥堵信息,更合理地聚类交通拥堵的内在规律和特征变化,提出自适应确定聚类中心C和类别K值(adaptive center and K-means value,ACK-Means)的聚类算法,进行高速公路拥堵路段聚类。ACK-Means算法借助簇...为了充分利用实际高速公路路段交通拥堵信息,更合理地聚类交通拥堵的内在规律和特征变化,提出自适应确定聚类中心C和类别K值(adaptive center and K-means value,ACK-Means)的聚类算法,进行高速公路拥堵路段聚类。ACK-Means算法借助簇类密度、簇类间距以及簇类强度,同时又考虑到数据样本的偶然性,对离群点进行合理分配,ACK-Means算法可实现自适应确定聚类中心C和类别K值。基于实际交通拥堵信息构建数据集,Python编程实现高速公路拥堵路段ACK-Means聚类,巧妙解决了高速公路拥堵路段聚类数目K和聚类中心C设定问题。聚类结果表明,ACK-Means算法实现高速公路拥堵路段无监督聚类,聚类结果完全基于实际的高速公路交通拥堵信息,具有更高的实用性。展开更多
针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decomposition,SVD)和K-means聚类相结合的方法。该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵。其次对数据矩阵和相似性矩阵分别...针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decomposition,SVD)和K-means聚类相结合的方法。该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵。其次对数据矩阵和相似性矩阵分别进行SVD完成对伪码序列集合规模数的估计、数据降噪、粗分类以及初始聚类中心的选取。最后通过K-means算法优化分类结果,得到伪码序列的估计值。该算法在聚类之前事先确定聚类数目,大大减少了迭代次数。同时实验结果表明,该算法在信息码元分组小于5 bit,信噪比大于-10 dB时可以准确估计出软扩频信号的伪码序列,性能较同类算法有所提升。展开更多
风力发电在我国能源结构中占比逐年攀升。对风能资源进行准确全面的评估是提升风电出力水平和消纳能力的先决条件。基于空间插值方法建立的高分辨率网格化风资源数据集,可对风资源进行大范围、格点化和精细化的有效评估。为提高风资源...风力发电在我国能源结构中占比逐年攀升。对风能资源进行准确全面的评估是提升风电出力水平和消纳能力的先决条件。基于空间插值方法建立的高分辨率网格化风资源数据集,可对风资源进行大范围、格点化和精细化的有效评估。为提高风资源数据集的准确性,文章提出了一种基于K-means++自适应的改进反距离加权插值方法(K-means++adaptive inverse distance weighted interpolation method,K-means++AIDW)。使用该方法对山东地区2022年全年109个国家级气象观测站点的风速实测数据进行处理,构建空间分辨率为9km×9km的网格点,使用风速实测数据逐小时对网格点进行插值填补,得到高分辨率的网格化风资源数据集。将插值后的结果与原始观测数据进行比较发现,与传统反距离加权法(inverse distance weighting,IDW)和Kriging插值方法相比,所设计的K-means++AIDW插值方法平均绝对误差较IDW方法降低了5.4%,较Kriging方法降低了7.8%;均方根误差较IDW方法降低了5.9%,较Kriging方法降低了8.1%,显示出其在整体误差控制上的优势。与空间分辨率0.25°×0.25°的再分析回算数据集ERA5(Fifth Generation of European Centre for Medium-range Weather Forecasts Atmospheric Reanalysis of the Global Climate)的风资源要素相比,所设计的K-means++AIDW插值数据集平均绝对误差和均方根误差平均降低了11.95%和10.07%,验证了所设计插值方法的准确有效性,以及生成的高分辨率网格化数据集的精准可靠性,可作为评估山东省的风能资源潜力的可靠数据基础,为风能资源管理和风电场选址等领域提供准确的数据支持。展开更多
针对传统的自回归模型和自回归移动平均模型在齿轮箱早期异常检测中准确性不足的问题,采用有源自回归模型(autoregressive with extra inputs model,ARX)和统计过程控制相结合的方法进行齿轮箱早期异常检测。首先,对原始振动数据进行时...针对传统的自回归模型和自回归移动平均模型在齿轮箱早期异常检测中准确性不足的问题,采用有源自回归模型(autoregressive with extra inputs model,ARX)和统计过程控制相结合的方法进行齿轮箱早期异常检测。首先,对原始振动数据进行时域同步平均降噪处理;然后考虑到负载变化对输出信号的影响,提取信号的包络表征负载变化信息并作为模型的输入结合赤池信息准则(akaike information criterion,AIC)和最小二乘法建立模型;最后分别采用统计过程控制、支持向量数据描述(support vector data description,SVDD)、核主成分分析(kernel principal component analysis,KPCA)对残差数据的均方根值进行处理。结果表明,ARX模型结合指数加权移动平均(exponential weighed moving average,EWMA)控制图在第44个文件发现早期异常,相比于自回归模型、自回归移动平均模型、SVDD和KPCA分别提前11、6个、10和11个文件检测出异常,从而验证了该方法的可行性和有效性,对齿轮箱早期异常检测有重要意义。展开更多
文摘为了充分利用实际高速公路路段交通拥堵信息,更合理地聚类交通拥堵的内在规律和特征变化,提出自适应确定聚类中心C和类别K值(adaptive center and K-means value,ACK-Means)的聚类算法,进行高速公路拥堵路段聚类。ACK-Means算法借助簇类密度、簇类间距以及簇类强度,同时又考虑到数据样本的偶然性,对离群点进行合理分配,ACK-Means算法可实现自适应确定聚类中心C和类别K值。基于实际交通拥堵信息构建数据集,Python编程实现高速公路拥堵路段ACK-Means聚类,巧妙解决了高速公路拥堵路段聚类数目K和聚类中心C设定问题。聚类结果表明,ACK-Means算法实现高速公路拥堵路段无监督聚类,聚类结果完全基于实际的高速公路交通拥堵信息,具有更高的实用性。
文摘针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decomposition,SVD)和K-means聚类相结合的方法。该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵。其次对数据矩阵和相似性矩阵分别进行SVD完成对伪码序列集合规模数的估计、数据降噪、粗分类以及初始聚类中心的选取。最后通过K-means算法优化分类结果,得到伪码序列的估计值。该算法在聚类之前事先确定聚类数目,大大减少了迭代次数。同时实验结果表明,该算法在信息码元分组小于5 bit,信噪比大于-10 dB时可以准确估计出软扩频信号的伪码序列,性能较同类算法有所提升。
文摘风力发电在我国能源结构中占比逐年攀升。对风能资源进行准确全面的评估是提升风电出力水平和消纳能力的先决条件。基于空间插值方法建立的高分辨率网格化风资源数据集,可对风资源进行大范围、格点化和精细化的有效评估。为提高风资源数据集的准确性,文章提出了一种基于K-means++自适应的改进反距离加权插值方法(K-means++adaptive inverse distance weighted interpolation method,K-means++AIDW)。使用该方法对山东地区2022年全年109个国家级气象观测站点的风速实测数据进行处理,构建空间分辨率为9km×9km的网格点,使用风速实测数据逐小时对网格点进行插值填补,得到高分辨率的网格化风资源数据集。将插值后的结果与原始观测数据进行比较发现,与传统反距离加权法(inverse distance weighting,IDW)和Kriging插值方法相比,所设计的K-means++AIDW插值方法平均绝对误差较IDW方法降低了5.4%,较Kriging方法降低了7.8%;均方根误差较IDW方法降低了5.9%,较Kriging方法降低了8.1%,显示出其在整体误差控制上的优势。与空间分辨率0.25°×0.25°的再分析回算数据集ERA5(Fifth Generation of European Centre for Medium-range Weather Forecasts Atmospheric Reanalysis of the Global Climate)的风资源要素相比,所设计的K-means++AIDW插值数据集平均绝对误差和均方根误差平均降低了11.95%和10.07%,验证了所设计插值方法的准确有效性,以及生成的高分辨率网格化数据集的精准可靠性,可作为评估山东省的风能资源潜力的可靠数据基础,为风能资源管理和风电场选址等领域提供准确的数据支持。
文摘针对传统的自回归模型和自回归移动平均模型在齿轮箱早期异常检测中准确性不足的问题,采用有源自回归模型(autoregressive with extra inputs model,ARX)和统计过程控制相结合的方法进行齿轮箱早期异常检测。首先,对原始振动数据进行时域同步平均降噪处理;然后考虑到负载变化对输出信号的影响,提取信号的包络表征负载变化信息并作为模型的输入结合赤池信息准则(akaike information criterion,AIC)和最小二乘法建立模型;最后分别采用统计过程控制、支持向量数据描述(support vector data description,SVDD)、核主成分分析(kernel principal component analysis,KPCA)对残差数据的均方根值进行处理。结果表明,ARX模型结合指数加权移动平均(exponential weighed moving average,EWMA)控制图在第44个文件发现早期异常,相比于自回归模型、自回归移动平均模型、SVDD和KPCA分别提前11、6个、10和11个文件检测出异常,从而验证了该方法的可行性和有效性,对齿轮箱早期异常检测有重要意义。
