典型文献
基于密度聚类算法的电力通信监测分析
文献摘要：
为解决传统基于密度的噪声应用空间聚类(DBSCAN)算法对输入参数设置敏感,以及传统的边缘计算框架计算成本高、计算时间过长等问题,创新性地提出了一种单遍权重K-means(SPWK)聚类算法.构建了电力通信网络故障及入侵监测模型,并将深度强化学习技术与边缘计算相结合,以降低计算成本和计算时长.仿真试验结果表明:SPWK聚类算法的迭代次数更少,平均执行时间以及总聚类时间分别低于其他算法67.5％、37.5％,加速比高出76.4％以上,聚类效率更高;边缘计算优化方法的服务器占用时间以及计算等待时间分别低于其他算法70.4％以上和79.2％以上,性能更优;电力通信监测模型对异常数据的平均识别准确率高出其他算法23.86％以上,入侵检测率高出其他算法4.8％以上,误报率降低65.4％以上,具备优异的检测性能.综上所述,所提故障及入侵监测模型以及边缘计算优化方法的性能均优于其他流行方法,适合在电力通信监测研究中推广使用.
文献关键词：
基于密度的噪声应用空间聚类算法;单遍权重K-means聚类算法;边缘计算;电力通信监测;故障检测;入侵检测
中图分类号：
作者姓名：
张明明;刘文盼;宋浒;夏飞
作者机构：
国网江苏省电力有限公司信息通信分公司,江苏 南京 210024;南瑞集团有限公司,江苏 南京 211106
文献出处：
引用格式：
[1]张明明;刘文盼;宋浒;夏飞-.基于密度聚类算法的电力通信监测分析)[J].自动化仪表,2022(11):73-78
A类：
电力通信监测,SPWK
B类：
密度聚类算法,监测分析,DBSCAN,输入参数,参数设置,边缘计算框架,计算时间,means,电力通信网络,通信网络故障,监测模型,深度强化学习,学习技术,低计算成本,仿真试验,迭代次数,执行时间,加速比,计算优化,服务器,等待时间,异常数据,识别准确率,入侵检测,检测率,误报率,检测性能,综上所述,基于密度的噪声应用空间聚类算法,故障检测
AB值：
0.260222
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
