基于python的汽车运行状态参数对油耗影响的聚类

随着汽车保有量持续不断上升,石化燃料消耗量也随之不断增加,汽车节能问题引人关注。为找出车辆运行工况和发动机工作状态参数对油耗的影响。文章通过OBD检测仪获取车辆运行状态参数,即怠速比例(I R)、匀速比例(C R)、加速比例(A R)、减速比例(R R)、平均速度(v A)、平均转速(N A)、热车时间(T H)、平均节气门开度变化率(P A)、平均节气门开度(T A)和平均油耗(F A)等行程片段的数据,利用Python编程语言平台,使用K-means算法对其进行聚类分析,使用轮廓系数法和手肘法确定聚类数,根据聚类结果可分析出车辆在市区内运行时,在车辆运行工况一组聚类中,处于怠速比例高的簇中,匀速比例较少,频繁地加减速行驶以致于一部分能量以加速阻力或制动时的热能形式消失,导致油耗较高。在发动机工作状态参数一组聚类中,油耗高的簇是由于其平均车速较低,发动机处于低负荷运行状态所致。     

结合EMD和功率谱熵的船舶轴频电场线谱提取

为实现强海洋背景噪声中的微弱船舶轴频电场信号检测,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和窄带子区间功率谱熵的线谱提取新算法.首先,利用EMD方法从含噪信号中分解出一组有效固有模态函数(Intrinsic Mode Functions,IMFs),对各有效IMF的功率谱进行子区间划分;其次,定义并计算各子区间的能量峰值熵比(Energy Peak Entropy Ratio,EPER)特征;最后,通过对轴频信号和环境噪声物理特征差异的分析,结合K-均值聚类方法进行特征量的筛选,实现线谱提取.海上实测数据的处理结果表明,相比于直接的功率谱分析,算法的线谱可提取下限降低了6.7 dB.     

基于均值聚类的车牌定位技术研究

采用强制综合聚类中心的均值聚类思想对车牌图像进行区域分类,在HLS颜色空间下,利用数理统计的方法得到聚类颜色中心,并对目标图像进行强制聚类,以最终获得只包括车牌四种颜色的待处理的图像,然后利用形态学、人工神经元网络等技术对车牌进行车牌识别.该方法在实践中进行了验证,比基于二值化和灰度化处理思路的定位效果更好,能对多种不同环境下的拍摄的车牌进行有效的识别.     

基于K-means聚类算法的城市轨道交通车站配电变压器容量计算新方法

目前城市轨道交通车站配电变压器容量的传统计算方法是需要系数法,但此方法的计算结果与实际运行需求相差较大。应用K-means聚类算法,通过对已运营车站历史数据进行分析,形成标准负荷曲线,结合新建车站设备的设计功率,最终确定新建车站的变压器容量。应用此新方法,能显著提高变压器计算结果与实际运行的负载率匹配性,大幅降低配电变压器的计算容量,从而明显减少配电系统一次性投资和后期运营成本。     

一种基于激光与视频信息时空数据融合的行人检测方法

针对城市交通行人安全问题,本文提出了一种基于激光与视频数据融合的行人检测方法.通过激光与视频数据空间和时间上的融合,将激光数据映射到图像坐标;在激光聚类过程中,采用K-means 聚类算法对激光云点进行聚类分析,然后运用行人宽度模型提取候选行人区域;在基于图像的行人检测过程中,选取头肩、躯干以及腿部人体特征部位,采用Haar-like 特征集和Boosting 算法进行训练,得到部位检测器;最后,基于贝叶斯决策的组合策略对候选行人区域进行有效判定.实验结果表明,本文所述算法有较好的检测精度和实时性能.     

基于视频检测的自行车流跟驰特性分析

自行车具有骑行速度慢、行驶轨迹多变等特点,传统检测手段难以获取车行轨迹数据。提出基于视频检测来研究自行车流跟驰特性的方法,在对视频检测交通流所获得跟驰事件定性分析的基础上进一步提出用K-means聚类定量判定出跟驰样本,并根据筛选出的样本建立自行车流的广义回归跟驰模型,统计分析结果表明该方法是有效的。     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

K-means与SVM结合的水下目标分类方法

为促进海洋资源开发,提高海洋开发能力,本文对水下目标分类识别方法进行研究。首先,对水下目标分类方法进行概述,介绍较为常用的方法。然后,提出K-means与SVM结合的水下目标分类方法。该方法利用S变换进行图像预处理,提取不同分辨率下的不同特征作为分类的特征向量,通过K-means与SVM结合的分类识别方法进行分类。实验结果表明,该方法具有较高的识别率。     

空中交通复杂性指标体系精炼方法研究

为了准确评估空中交通复杂性,需要构建多维复杂性指标体系并对指标进行精炼.借鉴已有的研究成果,构建指标体系,使用K-means聚类方法对指标进行聚类分析,与初始指标分类相互验证,最后使用主成分分析方法提炼指标内涵.以广州地区16扇区的航班数据为例,发现聚类结果不仅与经验结果一致,还可以对指标进行更精细的划分;指标经提炼后保留了98%的信息,表达维度大大降低,从而验证了指标精炼方法的实用性和有效性.     

基于数据降维与聚类的车联网数据分析应用

智能网联背景下的车联网数据分析与应用对提升交通智能化有重要影响。为了加快交通智能化进程,文章对车联网数据应用过程中存在的数据冗余问题进行研究。以采集的车联网数据为研究对象,驾驶行为特点分类辨识为研究目标。采用相关分析与主成分分析方法对数据进行冗余筛选与降维,使用k-means聚类算法对驾驶行为特点进行分类辨识。研究结果表明,使用数据降维的方法可以降低车联网数据的相关冗余性,驾驶行为特点分类辨识结果表明其特点可分为三类驾驶行为。研究提升了车联网数据的应用价值,也为交通智能化提供了相关的支持。