基于聚类的离群数据挖掘技术在线损自动生成系统数据预处理中的应用

线损自动生成系统是电力市场化不可缺少的组成部分,是管理现代化电网的重要技术手段,在电力的安全生产和商业化运营中具有越来越重要的作用.为提高电力市场化的应用水平,供电公司开发了线损自动生成系统,并依据电网发展的需要不断的测试、更新.但是由于各个终端电量的历史数据、物理因素和其它各种相关因素,一直影响线损自动生成系统预测与分析方面的准确性.本文将数据挖掘技术中的聚类算法应用到系统中,并在数据预处理阶段对历史数据进行坏数据辨识和调整.预测的精确度很大程度上取决于历史数据的准确性,然而,由于线损自动生成系统中的各种信息存在着大量的随机信号而且具有明显的不确定性,对线损系统线损预测与窃电分析造成困扰.因此,为了保证电量预测的精确度,必须对历史数据进行分析,对脏数据进行修正.本文将数据挖掘的离群数据算法应用到线损自动生成系统,着重研究了用聚类的各种分析方式识别和修正异常数据.     

主成分聚类分析在行业统计数据中的应用

改革开放以来,在高速发展的中国经济带动下,各行各业有了飞跃的进步。当然,中国经济的发展也离不开各行各业认人士的辛勤劳动。虽然每个人从事的行业有所不同,但是每个人也都能在自己的行业上作出自己的贡献。文章以我国31个行政单位为研究对象,采用主成分聚类分析方法,运用spss19.0版软件,针对按照行业统计的31个行政地区的就业人数数据对31个行政地区进行聚类分析,表明了行业就业人数与地区的经济有关。     

聚类在信息检索领域中的应用研究

本文简要介绍了聚类算法在国外信息检索领域中的应用概况,并详细介绍了聚类算法在国内该领域的应用情况。列举了应用得较多的几种聚类算法,给出了在多种信息检索中聚类算法的应用过程。     

流数据聚类研究综述

流数据挖掘技术是数据挖掘领域的新研究方向之一,而聚类研究又是其重要的内容。本文介绍了流数据基本特点,在统一流聚类表示模型的基础上,对现有流数据聚类算法进行了总结,并进一步提出了流数据聚类技术的研究方向和前景。     

最佳任务调度下的Web数据优化聚类算法

在对最佳任务调度下的Web数据进行优化聚类的过程中,容易出现原始数据损失的情况,导致传统数据优化聚类算法,由于忽略初始数据,无法有效实现Web数据优化聚类。提出一种基于粒子群优化的最佳任务调度下Web数据优化聚类算法,依据任务价值密度以及执行紧迫性,塑造动态优先级,通过适应度函数对分类计划进行评价,给出类间距与类内距计算公式,对相关参数和各粒子的位置以及速度向量进行初始化操作;求出粒子的适应度;求出粒子个体最优与群最优;依据粒子群优化算法的位置以及速度对当前位置和速度进行更新;通过K-means算法对EHCF进行聚类,直至全部Web数据聚类完成。仿真实验结果表明,所提方法在Web数据优化聚类上具有很高的优越性。     

聚类算法在评估区域水资源中的应用

本文首先阐述了聚类分析的基本原理,归纳层次聚类分析的步骤和方法,并使用它对我国部分区域水资源进行了科学的分类。     

聚类在搜索引擎中的应用

本文介绍了目前较为流行的搜索引擎聚类技术,对国外著名聚类搜索引擎进行了测评,并预测了搜索引擎聚类技术的未来发展。     

一种基于组合策略的聚类描述方法及其应用

针对DCF聚类描述法存在的问题,提出一种基于组合策略的聚类描述方法,即综合利用"先描述、后聚类"和"先聚类、后描述"的优点,解决聚类描述的可理解性问题.实验结果表明该方法的有效性,将该方法用于搜索结果聚类这一应用中.     

主成分分析在人事考核中的应用

单位定期对所属员工进行人事考核是掌握人员动态、促进工作积极性和注重人才培养的重要措施之一。考核的结果应能真实全面的反映出每一个员工目前的工作业绩、工作态度和工作能力等方面,并能配合人才储备和培养计划提出合理方案,为人事升迁调配、奖惩褒贬提供合理依据。人事考核是多方面综合的考核,考核中不同类型的人各因素得分之间会出现高低交错的现象,使考核者很难直观的进行准确评定。为解决这方面问题,对人事考核的资料采用主成分分析的方法进行处理。     

文档聚类在Web搜索结果中的应用研究

随着互联网的迅猛发展，信息爆炸式增长，产生了信息过载，而在相当程度上，搜索是面临信息过载的唯一选择。但是，现在的搜索引擎缺陷也很明显：一是搜索结果数量庞大；二是搜索结果的线性排列。该文提出采用文档聚类的方法组织搜索引擎的结果，从一定程度上解决了上面的问题。     

基于PCA的SOM网络在基因数据聚类分析中的应用

把主分量分析（PCA）方法和自组织特征映射网络（SOM）相结合,应用到基因数据聚类分析中。首先对基因数据集进行PCA分析,提取出少量的特征主分量,再对数据集进行降维。这些主分量基本上可以反映原数据集的综合信息,然后应用SOM网络对得到的特征分量进行聚类分析,把相似的基因划分到一个区域。实验结果表明,与单一地选用SOM网络进行聚类分析相比,该方法有较高的分类正确率及较为清晰的分类边界,是一种非常有效的聚类分析方法。     

基于蚁堆原理的聚类算法在数据挖掘中的应用研究

基于蚁堆原理的聚类算法是一种新的仿生算法,该算法已经在当前的数据挖掘研究中得到了多种应用。本文在介绍回顾该算法发展历史的基础上,简要评述了部分具有代表性的该算法改进模型及其应用情况。最后,对该算法在今后的研究方向作了展望。     

聚类分析技术在教学指导中的应用

在深入研究数据挖掘聚类分析算法的基础上,针对传统算法的优缺点,提出一种改进的聚类分析算法——GBKM算法,通过理论分析以及实验证明该算法的有效性和先进性,并将其运用到教学实践中。使用该算法对国家计算机二级模拟考试成绩进行分析,根据分析结果获得学员个性特征,为学员提供有针对性的、个性化的学习指导,在教学实践中具有积极的指导意义。     

PCA故障检测方法及应用

基于主元分析(PCA)的传感器故障检测方法中T2和SPE统计量是两个重要指标。首先介绍T2统计量超限而SPE没超限故障检测的方法。利用主元相关变量残差统计量代替平方预测误差SPE统计量,并采用累积方差贡献率确定PCA模型的主元数。该方法避免了SPE统计量的保守性。最后将该方法应用于电厂某机组工作过程检测中,通过仿真验证该方法的有效性。     

改进K-means聚类算法在高校团组织建设中的应用研究

由于价值观念的多元化,各种思想对青年大学生产生冲击等多种原因,团组织在高校共青团员中影响力不断弱化,地位逐渐降低。试图将改进的K-means聚类算法用于高校团组织的建设中,为建立更加适合高校学生的基层团组织提供科学的依据。     

K-均值文本聚类算法在智能答疑系统中应用

本文将数据挖掘算法应用干智能答疑系统中,提出了一套基于数据挖掘算法的答疑设计方案并加以改进,传统的K-均值算法聚类虽然速度快,在文本聚类中易于实现,但其同样依赖于所有变量,聚类效果往往不尽如人意.为了克服这一缺点,提出一种改进的K-均值文本聚类算法.它在K-均值聚类过程中,向每一个聚类簇中的关键词自动计算添加一个权重,重要的关键词赋予较大的权重.经过实验测试.获得了一种基于子空闻变量自动加权的适合文本数据聚类分析的改进算法,它不仅可以在大规模、高维和稀疏的文本数据上有效地进行聚类.还能够生成质量较高的聚类结果.实验结果表明基于子空闻变量自动加权的K-均值文本聚类算法是有效的大规模文本数据聚类算法.     

数据挖掘在银行客户细分中的应用

对银行客户细分的挖掘模型做了讨论,将数据挖掘中的K-means算法应用于其中。通过提供针对本文具体实例的聚类算法,得出了具有实际意义的挖掘结果,并给出相关的参考营销策略,以便读者参考。     

数据仓库技术在超市配货决策支持系统中的应用

本文在介绍数据仓库的基本概念、特点和体系结构的基础上，针对当今零售业中超市配货系统发展的需要．以连锁超市配货决策支持系统为背景．结合连锁超市自身的特点提出了一个新的数据仓库的解决方案，介绍了超市配货决策支持系统的数据仓库的设计方法，并详述了数据仓库设计的几个关键技术。     

数据转换服务的应用和技巧

本文介织了SQL Server 2000中数据转换服务（DTS）的基本概念，并说明了应用DTS的技术要求和数据转储的基本流程，最后给出了导入Excel数据的两个技巧。     

数据挖掘及其在图书馆的应用

介绍了数据挖掘的概念、特点、功能、分类以及数据挖掘的方法．分析了数据挖掘在图书馆的应用前景。