基于改进K-means聚类算法的组合模型建模
在传统的K-means聚类算法中，初始聚类是随机选取的，其聚类结果易随着不同的初始聚类中心波动。针对这一问题，本文首先采用最大距离积法对传统K-means聚类算法的初始聚类中心进行了优化。同时定义了一种新的目标函数并将其引用到传统的K-means聚类算法中，以实现对聚类结构类别数K的优化选择。将训练集样本数据经上述方法聚类后，再将各个子类分别建立基于支持向量机的子模型，通过开关切换的方式连接各子模型得到组合的支持向量机模型。将该方法应用于双酚A生产过程的缩合反应单元溶解罐出口苯酚含量的软测量建模。工业实例仿真结果表明：该算法能较好地跟踪苯酚含量的变化趋势，有效地改善了数据分类效果，提高了软测量模型的估计精度，显示了它在工业领域的应用潜力。
K-means聚类算法 目标函数 初始聚类中心 支持向量机 建模方法
杨慧中 董陶 陶洪峰
江南大学教育部轻工过程先进控制重点实验室, 江苏无锡 214122 江南大学教育部轻工过程先进控制重点实验室, 江苏无锡 214122 无锡威泰迅电力科技有限公司，江苏无锡 214125
国内会议
厦门
中文
1-5
2012-08-01（万方平台首次上网日期，不代表论文的发表时间）