May, 2023

振动数据集的统计特征的聚类算法比较

PDF
TL;DR本研究比较了 K-means 聚类、OPTICS 和高斯混合模型聚类 (GMM)，研究从振动数据集的时域和频域中提取的统计特征以及特征组合和主成分分析在聚类算法性能上的影响，并发现平均值和方差特征表现显著优于基于形状的特征，K-means 聚类略优于 GMM，而 OPTICS 性能显著较差。同时，随着簇数目的增加，聚类算法表现更好，但存在特定算法限制。
vibration-based condition monitoringclustering algorithmsk-means clusteringopticsgaussian mixture model clustering
发现论文，激发创造
  • 基于 KPI 的高性能计算作业的聚类与可视化：一种特征降维方法

    该研究论文介绍了一种基于 KPI 指标的高性能计算任务聚类方法，并结合主成分分析技术对结果进行可视化分析，通过对 CPU 使用率进行聚类分析得出了较好的结果。

    Dec, 2023

  • 基于 OPTICS 的无监督学习方法用于终端空气处理单元的故障检测

    基于 AI 分类技术的智能建筑系统中，研究了一种无监督学习策略以检测终端空气处理单元及其相关系统中的故障。使用主成分分析对历史传感器数据进行预处理，并与 k-means 进行对比。结果表明，优于 k-means 的 OPTICS 在准确性上在各个季节中保持一致，并且具有可视化功能。然而，PCA 的降维可能会导致丢失关键信息，从而在复杂故障情况下可能产生一些无法识别的聚类。

    Dec, 2023

  • 基于卷积方法的振动信号故障检测集成

    本研究探讨了如何使用基于卷积核的方法，包括 ROCKET 和一维卷积神经网络，在多变量时间序列分类中实现故障检测。使用三个不同的基于卷积核的分类器，该方法在测试数据中表现出超过 98.8％的准确性，优于其他曾有的方法。

    May, 2023

  • 将聚类视为不适定问题：K-Means 算法实验

    本文研究了基于 KMeans 算法的聚类过程作为反问题的特殊情况，探索了通过主成分分析来改进聚类反问题质量的尝试，并比较了两种定量特征选择方法之间的关系。使用神经科学数据库中的功能性磁共振成像范例来验证结果。

    Nov, 2022

  • 带最优图的统一谱聚类

    本文提出了一种改进的光谱聚类算法，旨在解决预定义的相似性图可能不是合适的聚类结果，并且传统离散化解决方法与光谱解决方案可能不一致的问题，并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明，该方法相比于现有的聚类方法具有更好的性能。

    Nov, 2017

  • 基于谱聚类的运动分割统一模型选择技术

    该论文提出了一种统一的模型选择技术，通过结合不同的现有模型选择技术，自动推断用于基于谱聚类的运动分割方法的运动组数，并在 KT3DMoSeg 数据集上评估了该方法在给定簇数为基准信息时与基准方法相比所取得的有竞争力的结果。

    Mar, 2024

  • 使用特征重新缩放因子恢复带有噪声特征的数据集中的聚类数

    本文介绍了三种重新调整数据集以提高对具有附加噪声特征的球形高斯簇返回聚类有效性指数的真实数量的可能性的方法，论文实验表明这些方法可以在不同聚类中考虑到不同特征的度量，以及这些方法可以增加估计数据集中真实聚类数量的准确性。

    Feb, 2016

  • 利用随机分箱特征进行可扩展的谱聚类

    使用随机分箱特征（RB）的新型可扩展谱聚类方法，通过内积计算大型稀疏特征矩阵来近似图相似性（核）矩阵，然后使用最先进的奇异值分解（SVD）求解器有效地计算此大型矩阵的特征向量，从而将计算成本从二次降至线性，同时实现类似的精度和更快的收敛。

    May, 2018

  • 压缩谱聚类

    本文提出了一种基于图信号处理的方法，采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤，该方法在控制误差的同时计算时间效率可达到数个数量级的提升，并在人工合成数据和真实网络数据集上进行测试。

    Feb, 2016

  • 使用随机信号的图滤波加速光谱聚类

    本文提出了一种基于图信号处理的快速谱聚类算法，通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计，利用这些随机向量的随机性来估计聚类数目 k，相较于传统谱聚类方法，我们的方法在大规模数据集上表现相当且速度至少快二倍。

    Sep, 2015