文档名：基于改进无参数Kmeans算法的刀具状态分析
摘要：针对K-means算法需要人为确定聚类个数和随机选取初始聚类中心导致结果陷入局部最优的问题,结合基于密度峰值的聚类算法CFSFDP(ClusteringbyFastSearchandFindofDensityPeaks),提出一种改进的无参数K-means算法.首先,计算样本点的局部密度和离散度.然后,建立决策图,将两个参数组成向量,计算每个点到周围5个点的距离,筛选出距离大于2倍均方差且密度大于平均密度的点作为算法的初始聚类中心,统计聚类中心个数k作为聚类个数,将初始聚类个数k以及初始聚类中心作为K-means算法的初始参数对数据进行聚类.最后,对UCI(UniversityofCalifornia,Irvine)数据集、人工建立的高斯数据集以及真实刀具振动数据集3种不同类型的数据集进行聚类.结果表明,所提算法保持传统算法全局最优性,并验证了提出算法的有效性.由于K-means是一种无监督聚类方法,在获得较优刀具状态识别结果的同时,可减少人工数据标定、有监督训练等工作量及运算成本,这对于准确实时提取数控机床刀具运行状态具有较高的实际意义.
Abstract：FortheproblemthattheK-meansalgorithmrequiresmanualdeterminationoftheclusternumbersandrandomselectionofinitialclusteringcenters,whichcanfallintolocaloptima,animprovedparameter-freeK-meansalgorithmisproposedbycombiningthedensitypeak-basedclusteringalgorithmCFSFDP(ClusteringbyFastSearchandFindofDensityPeaks).First,thelocaldensityanddispersionofthesamplepointsarecalculated,thenadecisiondiagramisestablished,andavectoroftwoparametersiscomposed.Thedistancefromeachpointtothesurrounding5pointsiscalculated,andthosewithadistancegreaterthan2timesthemeansquareerrorandadensitygreaterthantheaveragedensityarefilteredout.Thefilteredpointisusedastheinitialclusteringcenterofthealgorithm.Thenumberofstatisticalclusteringcenterskisusedasthenumberofclusters,andtheinitialnumberofclusterskandtheinitialclusteringcentersareusedastheinitialparametersoftheK-meansalgorithmtoclusterdata.Thealgorithmistestedondifferenttypesofdatasets,includingartificiallycreatedGaussiandatasets,UCI(UniversityofCalifornia,Irvine)datasets,andrealtoolvibrationdatasets.Theresultsshowthattheproposedalgorithmmaintainstheglobaloptimalityofthetraditionalalgorithmandvalidatesitseffectiveness.SinceK-meansisanunsupervisedclusteringmethod,itcanreducetheworkloadandcomputationalcostofmanualdatacalibration,supervisedtraining,etc.,whileobtainingbettertoolstaterecognitionresults,whichisofhighpracticalsignificanceforaccuratereal-timeextractionoftheoperatingstateofthetoolforcomputerizednumericalcontrolmachinetools.
作者：吴晓勇 侯秋丰 罗勇Author：WUXiaoyong HOUQiufeng LUOYong
作者单位：浙江向隆机械有限公司产品开发部,浙江宁波315311
刊名：吉林大学学报（信息科学版） ISTIC
Journal：JournalofJilinUniversity(InformationScienceEdition)
年，卷(期)：2023, 41(5)
分类号：TP312
关键词：K-means聚类算法 无参数 数控机床 刀具磨损识别
Keywords：K-meansclusteringalgorithm nonparametric numericalcontrolmachine toolwearidentification
机标分类号：TP301.6TP18TP277
在线出版日期：2023年12月27日
基金项目：宁波市第二批重大科技攻关暨揭榜挂帅基金资助项目基于改进无参数K-means算法的刀具状态分析[
期刊论文] 吉林大学学报（信息科学版）--2023, 41(5)吴晓勇 侯秋丰 罗勇针对K-means算法需要人为确定聚类个数和随机选取初始聚类中心导致结果陷入局部最优的问题,结合基于密度峰值的聚类算法CFSFDP(ClusteringbyFastSearchandFindofDensityPeaks),提出一种改进的无参数K-means算法...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于改进无参数K-means算法的刀具状态分析 Tool State Analysis Based on Improved Nonparametric K-means Algorithm
基于改进无参数K-means算法的刀具状态分析.pdf
- 文件大小:
- 6.96 MB
- 下载次数:
- 60
-
高速下载
|
|
