摘要：针对电力企业营销异常数据自动校核的效率问题,本文提出一种基于改进k-means算法的设计方案。通过优化k-means算法,采用自然最近邻搜索和相对密度度量,解决了低密度区域簇识别难题,对异常数据进行精确聚类。同时,本设计方案关注数据的一致性、唯一性和完整性,保证了数据质量。试验结果表明,与传统k-means自动校核方法相比,本方案显著缩短了校核时间,提高了自动校核效率。以Flame、Pathbased等多个数据集为例,校核时间最多缩短了近一半,有效提高了电力企业营销异常数据自动校核的实时性和准确性,为电力企业提供了更高效、可靠的自动校核支持。

摘要：室内人群监测和定位已成为发展智慧楼宇科技的一个关键要素。目前的毫米波技术存在精度低、手段单一以及坐标重叠等问题。针对上述问题,将差分进化算法与k-means聚类相结合,设计了一种新的楼宇室内坐标融合算法,以提升人群室内定位的精度。实验表明,所提算法能够有效优化人群定位信息,为室内导航、紧急疏散以及设备调控等应用提供科学依据。

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：聚类分析是数据挖掘与分析最重要的方法之一.它把相似的数据对象归类到一个簇,把不同的数据对象尽可能分到不同的簇.其中k-means聚类算法,由于其简单性和高效性,被广泛运用于解决各种现实问题,例如文本演化分析、图像聚类、社区发现等.然而在聚类过程中,大部分现有的类k-means算法主要考虑簇内距离,而忽略了簇间距离的作用.本文结合特征加权方法,提出了一种新的集成簇内和簇间距离的加权k-means方法(a weighting k-means clustering approach by integrating Intra-Cluster and Inter-Cluster distances,kICIC)来解决高维数据聚类问题.虽然现有少数类k-means算法通过最大化簇中心与全局中心距离来融入簇间信息,但不同于这类方法,kICIC通过在子空间内最大化簇中心与其他簇数据对象的距离来融合簇内和簇间距离进行聚类.基于此思路,本文首先为kICIC算法设计了一个目标函数,然后通过优化求解目标函数得到算法参数的更新迭代公式,并在此基础上设计了kICIC算法.最后,在6个真实数据集上的实验结果表明,对比现有类k-means算法,kICIC算法在大部分情况下都有获得更好的聚类结果.

摘要：为解决绝大多数研究未充分考虑位置对隐私预算的敏感程度以及轨迹形状带来的影响,使发布的轨迹可用性较差的问题,提出了基于相对熵和k-means的形状相似差分隐私轨迹保护机制。首先,根据地理空间的拓扑关系,利用相对熵计算真实位置对隐私预算的敏感程度,设计了位置敏感的隐私级别实时计算算法,并与差分隐私预算结合建立了一个新的隐私模型。其次,通过k-means算法对发布位置进行聚类,得到与真实位置方向最相似的发布位置集合,并引入Fréchet距离衡量发布轨迹与真实轨迹的相似性,提升发布轨迹的可用性。通过对真实数据集的实验表明,所提轨迹保护机制与其他方法相比在轨迹可用性方面有明显的优势。

摘要：针对分类过程中如何合理利用高光谱影像波段问题,提出一种基于波段影像统计量加权k-means聚类的高光谱影像分类算法.该算法的核心思想在于:由波段含有的信息量及波段间的相关性确定各波段权重,同时考虑各波段对各聚类的重要性.首先,根据波段影像的熵、标准差及均值定义波段信息量函数,根据相邻波段影像互信息定义相关性函数;其次,由上述波段信息量函数及波段间相关性函数定义波段权重函数;然后,结合波段权重和波段-类属权重定义规则化目标函数;最后,依据参数特性设计目标函数求解方案.对Salinas高光谱影像和Pavia Centre高光谱影像分别采用所提出的算法与传统k-means算法、 PCA+k-means算法及子空间波段选择+k-means算法进行对比实验,对于总精度及kappa系数,所提出的算法都高于其他3种对比算法,结果验证了所提出算法的有效性.相对于其他3种算法而言,所提出的算法可有效改善高光谱影像分类的性能.

摘要：为获得分布式数据集上用户所期望的聚类结果,提出了基于约束信息的并行k-means聚类算法.在分析并行k-means能够有效实现对水平分布式数据集进行聚类的基础上,修改并行k-means算法的目标函数,设计约束并行k-means算法,将站点用户的约束信息以chunklet的形式引入到分布式聚类过程,从而引导算法执行有偏搜索.约束并行k-means算法在理论上保证无约束样本簇内距离最小的同时能够确保chunklet约束中的样本与对应的簇中心之间的平均距离最小.实验结果表明,约束并行k-means算法能够有效改善并行k-means的聚类精度,同时在分布式环境下能够得到与已有约束聚类算法在集中式数据集上相等价的聚类结果.

摘要：首先搭建了Hadoop集群,然后在MapReduce模型中实现k-means算法,最后设计多组实验验证了算法的稳定性和准确率.

摘要：针对传统Web指纹识别方法中识别对象局限于主流Web服务器软件的问题,提出一种基于余弦测度下k-means的网络空间终端设备识别模型.首先,设计识别模型和确定验证方法.其次,选取返回的HTTP数据包头部字段和状态码作为终端设备特征,对特征进行提取和向量化后转化为32维特征向量.再次,选取余弦距离函数作为k-means聚类算法中的相似性度量函数.最后,根据识别模型设计实验算法流程,对网络空间中的无标记样本和标记样本进行识别实验.实验结果表明,该模型能够识别无线路由器、网络摄像头和智能交换机等终端设备,并具有较高的识别准确率和较低的识别遗漏率.

摘要：卷积神经网络(convolutional neural network,CNN)已成为图像识别领域最重要的一项机器学习技术.近年来,随着CNN在边缘端部署的需求越来越多,CNN的轻量化也成为研究热点.主流的CNN轻量化方法包括剪枝和量化,这2项技术都能有效地减少CNN推导过程中计算和存储开销.然而,这些方法未能完全挖掘CNN中的双边稀疏性(权重稀疏和激活值稀疏)和潜在的数据复用.因此,为了解决上述问题,提出一种全新的神经网络轻量化方法,通过k-means算法对卷积核和特征图的非0值进行聚类,整个神经网络的推导过程中只使用有限的聚类值作为乘数去完成全部卷积计算.与以往卷积层计算复杂度O(n^(3))相比,轻量化处理后的卷积层计算复杂度仅为O(n^(2)),大幅度减少了计算量.同时,将全连接层权重也进行非0值聚类处理,片上只存储聚类值和对应的索引向量,极大地减少存储开销.最后,针对该轻量化方法设计一种硬件实现架构kCNN.该架构将CNN中的不同处理流程模块化实现,与以往的实现架构相比增加一个非0值聚类模块,此外还设计了一些缓存来利用聚类后CNN中的数据复用.实验结果表明在不损失推导精度的情况下,AlexNet网络整体计算量减少66%,存储开销减少85%.