简介:摘要:经验模态分解(EMD)算法是由 NE. Huang 等人提出的一种将信号分解成特征模态的方法,它不以任何已经定义好的函数作为基底,而是将所分析的信号x(t)分解为一组本征模函数(Ci)和一个残余项(rn),涵盖了原始振动信号在各种时间尺度上的局部细节特征 。可以用于分析非线性、非平稳的信号序列,具有良好的时频特性。在基于经验模态分解(EMD)的基础上,利用k均值算法实现故障类型和故障程度的正确分类。
简介:摘要:随着快速发展,与体育相关的不同信息现在可以通过可穿戴和传感技术记录为有用的大数据形式。大数据技术已成为当前篮球训练中亟待解决的挑战,提高了棒球分析的效果。在本研究中,我们提出了基于内存计算的Spark框架进行大数据处理。首先,我们使用了一种新的群体智能优化布谷鸟搜索算法,因为该算法参数少,全局搜索能力强,支持快速收敛。其次,我们应用传统的K-clustering算法,在Spark分布式环境中使用聚类手段提高最终输出。最后,我们考察了可能导致高压比赛环境的方面来研究职业运动员的防守表现。招聘人员和培训师都可以使用我们的技术来更好地了解基本球员的素质,并最终评估和提高团队的表现。实验结果表明,所建议的方法在聚类性能和实用性方面优于以前的方法。它在移动时对射击训练效果的影响最大,在训练效果上产生了互补的结果。
简介:提出了一种基于改进蚁群算法的动态K-均值聚类算法思想,该算法首先利用蚁群算法的较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,再进行K-均值聚类弥补蚁群算法的不足。两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的蚁群聚类算法分析。
简介:k均值算法是一个常用的局部搜索算法,它的主要缺陷是容易陷入局部极小,并且该局部极小解与全局最优解往往有很大的偏差.本文提出一个基于K-均值的迭代局部搜索文档聚类算法.该算法以k均值算法所得到的解作为初始解,从该初始解开始作局部搜索,在搜索过程中接受部分劣解.当解无法改进时,算法对所得到的局部极小解做适当强度的扰动后进行下一次的迭代,以跳出局部极小,从而拓展了搜索的范围.实验结果表明该算法对文档数据集聚类的正确性达99%以上.
简介:摘要本文通过对大量工程变更数据进行归纳,采用K均值聚类分析方法对工程变更数据进行分类,并进行参数测定,通过计算不同导致工程变更发生原因指标到各聚类中心的距离,来拟合预测未来类似情况下新建输变电工程中同一原因导致的工程变更对造价的影响程度,预测分析结果为今后类似建设工程的造价控制提供了参考依据。
简介:现代企业间对于客户资源的争夺越来越趋于白热化,争夺的根本目的就是为了在保持现有客户的基础上再去争取更多的新客户加入,营销手段也从传统模式转变为个性化,以及一对一的营销方式来满足客户,从而使公司获得更大的收益,新的营销模式的实行的核心问题就是客户的有效甄别.客户甄别细分的核心基础是对客户的消费特征数据进行分析,通过数据挖掘中的聚类分析方法能够完成把隐藏在数据中的客户特征分类出来,进而实现对客户群体的特征划分.经典的K-均值聚类算法对最初选取的初始聚类中心极其敏感,该文采用改进的K-均值聚类算法实现了对某电子商务网站客户消费行为的聚类划分,且对划分后的集群进行了完整的数据分析,根据分析结果实现了企业对客户的差异化服务,从而提高了客户的满意度,增强了企业的市场竞争力.
简介:如图1所示,函数y=f(x)在x_1到x_2区域内与横轴所围成的面积为S,则y在x_1到x_2区域内的平均值为(?)(x)=S/(x_2-x_1).物理量的平均值不仅与x_1到x_2这一区域有关,还与选择怎样的自变量x有关.