摘要：传统车险定价基于"一人一车"前提,与租赁汽车所有权与使用权分离的运营模式冲突。为了解决租赁汽车分时保费的定价问题,研究了基于驾驶员行为的费率因子分级设计方法。首先,采用因子分析法提取驾驶行为因子,以方差贡献率的加权均值作为权重,设计了驾驶员综合风险评价因子S;然后,以S为聚类指标利用k-means聚类算法实现对驾驶员风险的自动分级,进而为分时保费费率因子的分级提供依据;最后,以某大型租赁公司所提供的19位驾驶员实车数据作为样本,结合某保险公司所提供的违章及出险事故数据,证明了该方法的可行性与有效性,该方法可为以人为中心的车险保费定价提供积极的理论参考。

摘要：以图像处理技术为基础,根据苹果分级标准展开红色着色比、缺陷检测、果径测量的模型设计研究。首先将苹果图像转换到YCbCr颜色空间,借助k-means聚类算法、OTSU最大类间方差法得到最优分阈值,将灰度图转换为二值图。使用大小为10的模版对图片做闭预算,并填充内部小孔洞,得到的白色的果实区域,从而实现果体与背景区域的有效分割。随后通过Gamma变换将苹果图像中灰度值区间拉伸,建立苹果颜色分级模型;在YCbCr图片中进行簇数为3的k-means聚类,且使用碟型结构元素对图片做开运算,对连通域进行标记,进而完成苹果的缺陷检测;最后通过最小外接圆计算苹果果径。实验结果表明,基于k-means聚类方法进行苹果分级系统设计,其图像处理速度较快且分割效果较好,能够为相关果类的分级设计提供借鉴和参考。

摘要：社交网络的快速发展正深刻形塑人类社会的“数字化生存”,关于它使人们变得同质化、标准化还是多元化、异质化的问题存在着不少争议。以新浪微博用户及其内容生产为样本对象,通过k-means聚类的方法得到样本用户及其帖子在不同主题类别上的分布,并根据使用程度对样本用户进行“分箱化”处理。研究结果发现,微博使用层级越高,用户相对于整体平均状态、本层级平均状态、最大众化层级、使用度最低层分别都会越发异质化;相对于最异质化层级、使用度最高层则越相似;同时用户不仅越来越多元,也越来越“窄化”,陷入一种“用户气泡”中。部分条件下,用户异质化的趋势表现为近乎直线性的增长。研究结果具备较突出的显著性。

摘要：在k-means聚类算法中容易受到初始划分、离群点和噪声点等因素干扰,进而导致图像分割结果差异较大。为有效地解决这些问题,提高图像分割的鲁棒性,本文提出一种改进的k-means聚类自然图像分割算法。算法借助最大最小距离准则来确定初始聚类,用邻近区域约束来处理图像局部空间的关联性。该算法在真实数据集上仿真实验,结果表明,改进算法对图像具有更好的分割效果,正确率明显提高。

摘要：随着通航产业的不断发展,通航协同空域的合理划设是其高效、安全运营的关键,但目前以人为认知和经验划设的协同空域在使用效率和便利性上并不能满足当前通航产业链快速发展的需求。针对这个问题,文章运用k-means算法对海量历史ADS-B监视数据进行聚类分析,计算得出使用率高、通用航空器数量密集的空域范围,可为低空运行中心空域规划提供辅助决策。

摘要：本文为解决传统分选方法在对退役动力电池进行重组时,存在电池电压和容量利用率低问题,开展相关研究。通过退役动力电池梯次利用成组流程设计、退役动力电池各参数数据处理和基于k-means聚类的电池串联成组,提出一种针对退役动力电池的梯次利用分选方法。通过对比实验证明,新的分选方法与传统分选方法相比,重组后的电池电压和容量利用率均得到有效提升,分选方案更合理。

摘要：建立了一种基于聚类分析与决策树分析相结合的服务订制预测模型,阐述了聚类分析kmeans算法、决策树算法C5.0算法原理、建模流程的设计,将模型应用于某地区用户对有线电视交互服务的订制意愿预测,最终确定高响应率客户群。实验证明,该模型相对于仅通过决策树进行预测能更大程度地提高分类精度,并能更有效地识别出高响应率客户群。

摘要：依据国家纺织行业标准FZ/T 01034—2008和FZ/T7 0006—2004,对37种女裤常用弹性面料进行测试,以获得弹性性能指标。运用k-means聚类算法,借助SPSS软件,在综合分析弹性面料经纬向弹性伸长率和回复率的基础上,将女裤弹性面料分为低弹面料、中弹面料、中高弹面料、高弹面料和超高弹面料等5类,以期为企业在弹性面料女裤的款式、结构设计及智能化实现方面提供有效参考。

摘要：在直接k-means算法的基础上提出了一种新的基于k-d树的聚类方法。通过把所有的对象组织在一棵k-d树中,可以高效地发现给定原型的所有最近邻对象。利用的主要思想是:在根结点,所有的聚类中心(或称为候选原型)都是所有对象的最近邻候选集合,对于根结点的子结点,通过简单几何约束来剪枝该候选集,这种方法可以被递归使用。使用基于k-d树的方法可以使直接k-means算法的总体性能提高一到两个数量级。

摘要：本文通过对k-means聚类算法和协同过滤推荐算法的学习研究。针对基于用户的协同过滤算法的不足,将改进的k-means聚类算法融入其中,设计了基于k-means聚类算法的个性化推荐算法,并将其应用于旅游景点及线路的个性化推荐中,以提高个性化推荐质量。实验结果表明,基于改进的k-means聚类的协同过滤算法缓解了初始数据的稀疏性问题,针对不同用户喜爱的旅游景点及线路推荐,在准确率和召回率两个方面证明可以提高个性化推荐的准确度。