摘要：曲轴轴颈的圆度误差作为曲轴必检的核心尺寸,直接影响曲轴的寿命和性能。针对圆度误差求解数据量多和计算复杂的问题,提出一种基于改进k-means聚类定心算法的圆度误差评定方法。该算法通过对轴颈采样通道的样本点进行环形聚类获得集合Uk,同时以设计的目标控制器剔除Uk的噪声点,以Uk的最小二乘法圆度评定误差fm来估计整个环形样本的误差。聚类值从k=5循环迭代增加,直至fm符合预设统计质量控制规划。评定结果表明,聚类定心算法的圆度误差评定方法能实现曲轴圆度误差的高效、精确评定。

摘要：目的为了了解消费者在网络平台购买哺乳文胸时的关注侧重点,文章从在线评论中抽取有效关键词构建哺乳文胸主题,并通过计算主题的重要程度协助商家了解消费者关注重点方向。方法选用TF-IDF关键词抽取算法,结合k-means和Word2vec进行语义聚类、主题识别、主题词挖掘及主题重要度计算。结果哺乳文胸评论文本聚类后的主题重要程度排名是:产品品质(45.47%)、产品外观(35.83%)、产品服务(18.79%)。结论通过该方法能够有效的识别和构建哺乳文胸主题及主题词,同时,通过主题的重要程度,能够了解消费者对于网络平台购买哺乳文胸时关注的重点方向,为哺乳内衣企业进行产品改善及生产等提供理论参考。

摘要：为了提升医疗信息系统对健康档案数据的分析效率,文中采用图像采集、降噪、配准与差分等技术提取医疗图像信息,进而有效提升信息系统的数据采集效率。同时还对传统的k-means算法加以改进,并提出了一种基于类间、类内距离的聚类初始化评价指标体系(BWP),将其应用于采集到的档案数据中,以实现快速的聚类分析。将所提算法在CUDA计算平台上进行了实现,测试结果表明,该方法的聚类精度和运行效率较现有算法均有显著提升。此外,改进后k-means算法的正确聚类样本数量占比提升了4.88%,高于现有的主流指标体系,且当聚类数k的取值为16或32时,运行时间大幅降低。

摘要：为解决自然灾害引发的“断电、断网、断路”所导致的通信指挥难题,提出了一种无人机辅助网络系统,通过机载边缘服务器装载地面用户热门访问内容并发布应急通知消息。无人机基于地面服务需求,引入了Q-Learning强化学习算法进行轨迹规划并将整个系统分为无人机探索子系统和无人机服务子系统。无人机探索子系统针对单个无人机信号覆盖面积有限无法采集到区域内所有移动设备位置的问题,创建边界探索方式来确定无人机群的最优数量。无人机服务子系统通过分别对移动设备进行k-means、k-medoids、AGNES聚类选取最优聚类方式确定聚类中心,以聚类中心为导向进行轨迹规划从而尽最大可能为移动设备服务。仿真结果表明,所提无人机辅助系统具有设计可行性,确定了无人机群信号全覆盖的最小配置数量,同时得出不同聚类算法的无人机群适用场景。研究结果可用于评估地面用户的保障服务体验,为无人机辅助通信网络的架构设计与控制优化提供依据。

摘要：汽车配件生产需要工人一个个目测汽车紧固卡扣是否缺装,但这种人工目测识别效率非常低。针对这个问题,文章在YOLOv3-tiny网络中融合了空间和通道注意力机制,并用k-means聚类找出最佳的Anchor Box。与YOLOv3相比,该算法检测准确率有显著提升,速度提高了3倍。最后用Lucas-kanade光流法和延迟精准机制,实现了对汽车紧固卡扣的跟踪和识别。在几个视频序列实验中,文中算法的MOTA(Multiple-Object Tracking Accuracy)较其他算法提高了约(3.7~7.5)%。在200次实验中,汽车塑料组合件和紧固卡扣识别正确率达到了100%。

摘要：自动驾驶对于减少交通堵塞、提高驾驶舒适性具有非常重要的作用,如何提高人们对自动驾驶技术的接受程度仍具有重要的研究意义。针对不同需求的人群定制不同的驾驶风格,可以帮助驾驶人理解自动驾驶行为,提高驾驶人的乘车体验,在一定程度上消除驾驶人对使用自动驾驶系统的心理抵抗性。通过分析自动驾驶场景下的跟车行为,提出基于PPO算法的不同驾驶风格的深度强化学习模型设计方案。首先分析德国高速公路车辆行驶数据集(HDD)中大量驾驶行为轨迹,根据跟车时距(THW)、跟车距离(DHW)、行车加速度以及跟车速度特征进行归类,提取激进型的驾驶风格和稳健型的驾驶风格的特征数据,以此为基础编码能够反映驾驶人风格的奖励函数,经过迭代学习生成不同驾驶风格的深度强化学习模型,并在highway env平台上进行道路模拟。实验结果表明,基于PPO算法的不同风格驾驶模型具有完成任务目标的能力,且与传统的智能驾驶模型(IDM)相比,能够在驾驶行为中准确反映出不同的驾驶风格。

摘要：准确快速分选对退役动力电池梯次利用具有重要意义。通过充放电试验获取退役动力电池充电曲线和容量,运用灰色关联分析方法确定与容量相关性最优的电压区间,基于电池老化机理提取最优电压区间对应的充电容量ΔQ、充电时长T、主峰中心电压V 1、充电容量与区间电压比值k作为表征电池不一致性的特征参数。运用局部异常因子算法筛选异常老化电池,利用k-means聚类算法完成退役电池分选,提出静态与动态双维度指标体系评价分选一致性,采用2组退役电池充放电数据进行验证。结果表明:分选后电池的静态一致性和动态一致性最大分别提升55%、82%,且单个电池测试时间平均缩短至30 min。与k-means聚类算法相比,融合局部异常因子算法(local outlier factor,LOF)后,静态一致性和动态一致性最大分别提升50%、33%;与容量增量方法和静态参数方法相比,该方法的静态一致性最大分别提升28%、5%,动态一致性最大分别提升76%、61%。

摘要：针对每个划分子集要求至少满足一定数量点的k-means问题,设计了该问题的随机近似算法。给出一个样本子集,证明了该样本子集至少以1/2的概率包含每个最优子集中至少一个点,进一步设计近似度为2的随机算法。设计了该问题的(1+ε)随机近似算法,算法的成功概率至少为3/2k+2。利用取样技术,设计了k-means问题的局部搜索随机算法。

摘要：对于玻璃瓶分模线不易识别,难以诊断质量的问题,提出了一种基于傅里叶变换与k-means聚类相结合的玻璃瓶分模线质量检测的方法。通过合理布置结构来采集玻璃瓶分模线图像,并在算法的前处理过程中,针对分模线背景的复杂性提出了基于时频域变换的算法;在分模线质量检测的过程中,提出了Hough变换和k-means聚类相结合的方法。结果显示:该方法能有效对玻璃瓶分模线的质量进行诊断,诊断正确率能达到96%。文中所用方法不仅可以应用于玻璃瓶的分模线检测,且在其他玻璃制品的缺陷检测中也有良好的应用。

摘要：本文针对先进处理器中部件级时钟网络设计面临的时钟网络偏斜难控制、时钟负载重动态功耗大的问题,实现了一种高能效局部时钟网络设计方法,提出了基于考虑负载k-means算法的时钟驱动点位置优化算法TkDLO(Timing driven k-means based Driver Location Optimization),在不影响时序的前提下,实现了局部门控时钟驱动单元的位置优化,降低了时钟网络的偏斜.通过采用不同触发器规模的设计验证,模块级时钟长度可以优化15%以上,时钟偏斜优化30%以上.以访存执行部件的时钟设计为例,本文所提出的局部时钟设计方法,相比于传统CTS的实现方式,在时钟延迟和偏斜方面实现了超过50%的优化,整个设计等效频率提升14%、平均功耗优化28%、最终模块能效提升58.7%;相比于基于触发器聚类的fishbone时钟结构,在15.2%的时钟延迟恶化和5%功耗恶化代价下,使模块的频率提升7.6%,能效优化14.2%.