为解决传统聚类算法构建工况初始中心易陷入局部最优、执行时耗长的问题,提出了一种改进全局k均值聚类(improved global k-means clustering,IGKM)算法,以缩小作为候选下一簇的初始中心点集,减少算法的迭代次数;采用小波分层阈值降噪和...为解决传统聚类算法构建工况初始中心易陷入局部最优、执行时耗长的问题,提出了一种改进全局k均值聚类(improved global k-means clustering,IGKM)算法,以缩小作为候选下一簇的初始中心点集,减少算法的迭代次数;采用小波分层阈值降噪和小波分解域量化压缩对原始数据进行预处理,结合改进主成分分析(improved principal component analysis,IPCA)对片段进行降维和分类;最后,合成汽车行驶工况。实验结果表明,所提方法构建行驶工况的速度-加速度联合分布差异值仅为0.87%,聚类平均耗时仅为83.35 s,行驶工况拟合度较高,更能综合反映实际车辆的运行状况。展开更多
文摘为解决传统聚类算法构建工况初始中心易陷入局部最优、执行时耗长的问题,提出了一种改进全局k均值聚类(improved global k-means clustering,IGKM)算法,以缩小作为候选下一簇的初始中心点集,减少算法的迭代次数;采用小波分层阈值降噪和小波分解域量化压缩对原始数据进行预处理,结合改进主成分分析(improved principal component analysis,IPCA)对片段进行降维和分类;最后,合成汽车行驶工况。实验结果表明,所提方法构建行驶工况的速度-加速度联合分布差异值仅为0.87%,聚类平均耗时仅为83.35 s,行驶工况拟合度较高,更能综合反映实际车辆的运行状况。
