导读:本文包含了初始中心论文开题报告文献综述及选题提纲参考文献，主要关键词:变电站为中心配电网,单线图自动生成,初始布局,广义开闭所
初始中心论文文献综述
章坚民,邱程峰,王锋华,章剑光,张旭东[1]（2019）在《变电站为中心配电网单线图(二)初始自动布局》一文中研究指出基于前文提出的支撑变电站为中心配电网(SCDN)单线图自动生成的数据—图形模型,阐述了第一阶段的接线图初始布局策略,重点解决SCDN馈线群以本变电站10 kV母线为中心的辐射布局问题。首先提出包含模块设计的整体流程,以及成图数据预处理;根据馈线拓扑分析,获取馈线群布局规划,并提出基于干线—支线拓扑模型的支线—干线布局模型。在对环路特性研究基础上,提出了环路和非环路的支线—干线布局模型及计算策略。继而提出了SCDN单馈线分裂图形的水平初始布局计算方法、SCDN单馈线分裂图形目标扇面角和旋转角计算方法、SCDN扇面拼接计算方法及广义开闭所虚拟联络开关节点简易聚合方法,从而形成SCDN初始图形。以5个实际110 kV变电站对提出的模型及算法进行了验证。(本文来源于《电力系统自动化》期刊2019年19期）
潘品臣,姜合,吕奕锟[2]（2019）在《一种非独立同分布下K-means算法的初始中心优化方法》一文中研究指出传统聚类算法研究都是在假设数据集的对象、属性等方面满足独立性且服从同一分布的基础上进行的.然而现实中的数据往往是非独立同分布的,即属性之间或多或少都会存在一些交互关系.传统K-means算法随机地选择初始聚类中心,对于中心点的选取比较敏感,容易陷入局部最优且准确率低. Min_max方法针对这一缺点进行了改进,但原始的和改进后的Kmeans算法都忽略了属性之间存在的交互关系.因此本文利用Pearson相关系数公式来计算属性之间的交互关系,并映射于原始数据集.同时利用双领域思想对Min_max方法进行了优化.实验结果表明该方法能够得到较高的准确率、较好的聚类效果以及相对较少的迭代次数.(本文来源于《小型微型计算机系统》期刊2019年06期）
段桂芹,邹臣嵩,刘锋[3]（2019）在《基于优化初始聚类中心的K中心点算法》一文中研究指出针对K中心点算法的初始聚类中心可能过于临近、代表性不足、稳定性差等问题,提出一种改进的K中心点算法。将样本集间的平均距离与样本间的平均距离的比值作为样本的密度参数,精简了高密度点集合中候选代表点的数量,采用最大距离乘积法选择密度较大且距离较远的K个样本作为初始聚类中心,兼顾聚类中心的代表性和分散性。在UCI数据集上的实验结果表明,与传统K中心点算法和其他2种改进聚类算法相比,新提出的算法不仅聚类结果更加准确,同时也具有更快的收敛速度和更高的稳定性。(本文来源于《计算机与现代化》期刊2019年04期）
王凯郦[4]（2019）在《面向K-modes聚类的初始中心选择方法研究》一文中研究指出随着科学技术的快速发展,数据量已出现爆炸式的增长。把海量数据变成可用信息,这就要求我们开发一些工具,这些工具能够从大量数据中挖掘出有效的信息。数据挖掘技术能够从海量的数据中挖掘出新颖且有规律,对决策有用的信息或者规则。聚类分析则是数据挖掘中最重要的挖掘工具之一,在众多行业中得到了极为广泛的应用。K-modes聚类算法适用于处理类别型数据集,思想易被理解且实现简单,近年来已成为人们数据挖掘和科学决策的研究热点。但是K-modes聚类算法结果的优劣对初始中心的选择尤其敏感,一旦初始中心选取不当,则容易出现各种问题而达不到应有的聚类效果。因此选择合适的初始聚类中心是K-modes算法的关键步骤。在本文中,我们从改进距离度量方式以及离群点检测的角度来研究K-modes聚类算法的初始中心选择问题,并提出了有效的K-modes聚类初始中心选择机制。本文的主要研究工作如下:(1)利用知识粒度、粗糙集中的粗糙度等相关概念,提出一种新的针对类别型数据的距离度量标准——加权重迭距离。在计算加权距离度量时,我们根据每个属性重要性的大小为不同的属性赋予不同的权值,并且为无关属性赋予较低权重,从而解决实际应用过程中不同属性贡献度不同的问题。另外,我们把新提出的加权重迭距离应用到K-modes算法中,进而提出一种基于新的加权重迭距离的K-modes算法KMGRE。我们在UCI数据集上进行了相关实验,实验结果表明,改进后的K-modes聚类算法其性能要优于传统的K-modes算法。(2)提出一种基于粒计算与粗糙集(简称GR)的离群点检测方法。由于传统K-modes聚类算法在初始中心选择过程中很有可能将离群点选作初始中心点,从而影响聚类的质量,因此,本文将对象的离群程度作为选择初始中心的一个关键因素。针对现有的离群点检测方法所存在的问题,本文提出一种基于粒计算与粗糙集的离群点检测方法。该方法采用了基于信息表的粒计算模型,对于任意对象Ux?和U上的一组不可区分关系,根据每一个不可区分关系,我们都可以获得一个包含x的颗粒g(g是一个对象子集)。为了获得论域U中每个对象x的离群程度(进而获得离群点),我们先计算颗粒g的离群程度,然后再利用颗粒g的离群程度来计算对象x的离群程度。(3)结合(1)中所提出的加权重迭距离以及(2)中所提出的离群点检测方法,进一步提出一种新的K-modes聚类初始中心选择算法Ini_WGROD。通过计算每一个对象的离群程度值以及当前对象与已有中心点之间的加权重迭距离来选择初始中心点,Ini_WGROD算法可以使得离群程度低的对象更有可能成为初始中心点,从而避免了将离群点选做初始中心点的问题,提高了K-modes算法的聚类效果。另外,通过考虑当前对象与已有中心点之间的加权重迭距离,也可以避免出现多个初始中心点来自于同一个聚类簇的现象,从而使得被选出的初始中心点能够高质量地代表不同的聚类簇。(本文来源于《青岛科技大学》期刊2019-04-15）
陈颖洁[5]（2019）在《基于密度和距离自适应确定初始聚类中心的K-Prototypes算法的研究与应用》一文中研究指出几十年来,随着科技的进步和互联网的飞速发展,带来的就是数据量的井喷式增长。为了承载这些数据,在工程层面我们经历了从单机到分布式的演变。而在逐步走向信息化的社会中,任何数据都显得弥足珍贵,所以任何能够对大数据进行分析处理的算法都具有一定的科学研究价值。聚类算法是数据处理过程中很常见的一种无监督学习算法,近些年来在算法领域也获得了很大范围的关注。但是,聚类算法分为多种类型,不同聚类算法可以处理的数据类型也不同,不同的聚类算法能够处理的数据模型也是不同的,例如,本文研究的基础算法,K-Prototypes聚类算法,就是处理混合数据类型聚类以及球形数据模型聚类的算法。K-Prototypes算法与K-Means算法和K-Modes算法有着类似的缺陷,因为K-Prototypes算发就是由这两个算法演变而来的,应该说这种K型聚类算法有着通病:首先是聚类簇数k需要人为设定(算法的参数),而大多数情况下,我们并不知道数据集应该被聚为几类;其次该类算法初始聚类中心的选择是随机的,而这将导致诸如低聚类准确性和不稳定的聚类结果之类的问题。为了改善以上问题,本文提出了一种基于样本的邻域密度和样本间的距离自适应确定初始聚类中心的策略,对算法进行改进。分析一般聚类的结果,可以发现,聚类中心都是密度较大的点,且不同簇间的聚类中心距离较远,因此可以通过找到满足这个特征的点集,来确定初始聚类中心,以达到提高聚类精度、稳定性及加快收敛速度的优化效果。对比本文提出的算法与自适应确定聚类簇数的经典聚类算法X-Means,可以证明该算法在自适应确定聚类中心方面的可用性。通过对UCI提供的Machine Learning Repository中的五个数据集上的实验证明,该算法在聚类结果的质量及稳定性上优于传统的K-Prototypes算法和模糊K-Prototypes算法。本着算法研究不能脱离实际应用的原则,本文将通过引入一个完整的“聚类分析”案例,将本文提出的基于样本的邻域密度和样本间的距离自适应确定初始聚类中心的K-Prototypes算法应用在分析不同学生进行评教问答时的特点(如某些学生习惯总是打高分,某些学生比较苛刻)与学生成绩之间的关系上,表明改进算法的可行性。通过聚类算法,我们可以更清晰的认识到样本间的相似与相异,尽可能不浪费数据告诉我们的任何一点信息,这也是众多数据分析算法研究的重要意义。(本文来源于《吉林大学》期刊2019-04-01）
黄灵,王云锋,陈光武[6]（2019）在《基于密度标准差优化初始聚类中心的k＿means改进算法》一文中研究指出传统k_means算法采用随机法选择初始聚类中心,易造成聚类结果陷入局部最优解和聚类精度低的问题,而且易受孤立点的影响。为了解决这一问题,提出了一种基于密度标准差优化初始聚类中心的改进算法。该算法先计算数据集样本的平均值和标准差,接着计算每个数据点的密度分布函数值,然后计算样本的平均密度和密度标准差,若小于密度标准差,则划分为孤立点;搜索密度分布函数值数组中的最大值,那么最大值对应的样本点即为初始聚类中心,并将以初始聚类中心为原点,以样本平均值为半径的圆内各点的密度函数值赋值为0,如此重复,直到找到k个初始聚类中心。该算法基于Python语言在PyCharm软件平台实现。实验结果表明,这种基于密度标准差优化初始聚类中心的算法消除了孤立点的影响,具有更高的准确率和更好的聚类结果。(本文来源于《电脑知识与技术》期刊2019年06期）
冯彩英,刘玉[7]（2019）在《k-means初始聚类中心优化研究》一文中研究指出针对k-means的聚类效果主要依赖初始聚类中心的缺陷,本文提出了一种改进算法。该算法引入一个密度参数,并依据该参数选取k个相对分散且密度参数较大的数据作为初始聚类中心。实验表明改进算法能有效地提高聚类的准确性和稳定性。(本文来源于《计算机产品与流通》期刊2019年02期）
王鹏,李巍,申明辉,王新泉,郭立力[8]（2019）在《中心起爆聚焦离散杆战斗部杆条初始飞散姿态控制研究》一文中研究指出文中旨在提出可工程应用的中心起爆聚焦离散杆战斗部杆条初始飞散姿态控制模型,通过典型中心起爆离散杆战斗部地面试验现象,给出中心起爆聚焦离散杆战斗部杆条微元的速度计算模型,并对杆条两端的速度分解,推导了杆条旋转到与战斗部轴线垂直时的飞行距离计算模型,然后与试验值进行了对比分析,验证了该计算模型的可行性,为中心起爆离散杆战斗部设计提供参考。(本文来源于《弹箭与制导学报》期刊2019年02期）
戴月明,王明慧,张明,王艳[9]（2018）在《SVD优化初始簇中心的K-means中文文本聚类算法》一文中研究指出为了改善传统K-means算法在聚类过程中,聚类数目K难以准确预设,聚类结果受初始中心影响,对噪声点敏感,不稳定等缺点,同时针对文本聚类中文本向量化后数据维数较高,空间分布稀疏,存在潜在语义结构等问题,提出了一种利用奇异值分解(Singular Value Decomposition, SVD)的物理意义进行粗糙分类,再结合K-means算法的中文文本聚类优化算法(SVD-Kmeans)。新算法利用SVD分解的数学意义对文本数据进行了平滑处理,同时利用SVD分解的物理意义对文本数据进行粗糙分类,将分类的结果作为K-means算法的初始聚类中心点。实验结果表明,相比其他K-means及其改进算法,SVD-Kmeans算法的聚类质量F-Measure值有明显提升。(本文来源于《系统仿真学报》期刊2018年10期）
刘荣凯,孙忠林[10]（2018）在《针对K-means初始聚类中心优化的PCA-TDKM算法》一文中研究指出K-means算法在聚类过程中随机选取k个初始聚类中心,容易造成聚类结果不稳定。针对该问题,提出PCA-TDKM算法:使用主成分分析法对数据对象集合的属性进行降维,提取出主属性,去掉无关属性,从而加速聚类过程;基于最小生成树算法及树的剪枝方法将数据对象划分为k个初始聚类簇,然后进行剪枝生成k棵子树,计算每棵子树中所有数据对象的均值,作为初始聚类中心;利用基于密度与最大最小距离的算法思想进行聚类。将PCATDKM算法与K-means、KNE-KM、QMC-KM、CFSFDP-KM在UCI数据集上进行聚类比较,结果表明该算法聚类结果稳定、聚类准确率高。(本文来源于《软件导刊》期刊2018年09期）
初始中心论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
传统聚类算法研究都是在假设数据集的对象、属性等方面满足独立性且服从同一分布的基础上进行的.然而现实中的数据往往是非独立同分布的,即属性之间或多或少都会存在一些交互关系.传统K-means算法随机地选择初始聚类中心,对于中心点的选取比较敏感,容易陷入局部最优且准确率低. Min_max方法针对这一缺点进行了改进,但原始的和改进后的Kmeans算法都忽略了属性之间存在的交互关系.因此本文利用Pearson相关系数公式来计算属性之间的交互关系,并映射于原始数据集.同时利用双领域思想对Min_max方法进行了优化.实验结果表明该方法能够得到较高的准确率、较好的聚类效果以及相对较少的迭代次数.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
初始中心论文参考文献
[1].章坚民,邱程峰,王锋华,章剑光,张旭东.变电站为中心配电网单线图(二)初始自动布局[J].电力系统自动化.2019
[2].潘品臣,姜合,吕奕锟.一种非独立同分布下K-means算法的初始中心优化方法[J].小型微型计算机系统.2019
[3].段桂芹,邹臣嵩,刘锋.基于优化初始聚类中心的K中心点算法[J].计算机与现代化.2019
[4].王凯郦.面向K-modes聚类的初始中心选择方法研究[D].青岛科技大学.2019
[5].陈颖洁.基于密度和距离自适应确定初始聚类中心的K-Prototypes算法的研究与应用[D].吉林大学.2019
[6].黄灵,王云锋,陈光武.基于密度标准差优化初始聚类中心的k＿means改进算法[J].电脑知识与技术.2019
[7].冯彩英,刘玉.k-means初始聚类中心优化研究[J].计算机产品与流通.2019
[8].王鹏,李巍,申明辉,王新泉,郭立力.中心起爆聚焦离散杆战斗部杆条初始飞散姿态控制研究[J].弹箭与制导学报.2019
[9].戴月明,王明慧,张明,王艳.SVD优化初始簇中心的K-means中文文本聚类算法[J].系统仿真学报.2018
[10].刘荣凯,孙忠林.针对K-means初始聚类中心优化的PCA-TDKM算法[J].软件导刊.2018