黃海兵，吳云星，谷艷昌

(1.南京水利科學(xué)研究院，江蘇 南京 210029；2.水利部大壩安全管理中心，江蘇 南京 210029)

隨著水利工程建設(shè)的不斷推進(jìn)，它在國(guó)家經(jīng)濟(jì)民生中發(fā)揮著越來(lái)越重要的作用，特別是高壩大庫(kù)的發(fā)展，使得水庫(kù)大壩不僅在防止洪澇等民生安全方面起到了巨大的保障作用，也在發(fā)電等方面發(fā)揮著巨大的經(jīng)濟(jì)效益。而這一切的基礎(chǔ)即是大壩能安全運(yùn)行，所以對(duì)大壩進(jìn)行運(yùn)行性態(tài)分析就顯得尤為重要[1]。普遍地，為了更加全面監(jiān)測(cè)大壩的運(yùn)行性態(tài)，通常是在壩體上布設(shè)更加系統(tǒng)化的監(jiān)測(cè)測(cè)點(diǎn)，以獲取更加全面的監(jiān)測(cè)數(shù)據(jù)資料，繼而監(jiān)測(cè)大壩的各項(xiàng)運(yùn)行指標(biāo)。然而數(shù)據(jù)資料太多又會(huì)導(dǎo)致分析處理繁瑣的問(wèn)題，若對(duì)海量的監(jiān)測(cè)數(shù)據(jù)資料進(jìn)行逐一分析，這不僅耗時(shí)耗力，也不利于及時(shí)得到有效的信息以迅速對(duì)大壩的運(yùn)行狀況進(jìn)行評(píng)價(jià)[2]。因此，就需要對(duì)海量的數(shù)據(jù)進(jìn)行深度的挖掘，從中找到數(shù)據(jù)之間隱含的、有價(jià)值的、能理解的趨向與關(guān)聯(lián)，進(jìn)而降低數(shù)據(jù)分析復(fù)雜度，提高大壩管理者的分析、決策能力[3]。聚類(lèi)算法作為一種數(shù)據(jù)挖掘中廣泛運(yùn)用的機(jī)器算法，它解決的難題是把一個(gè)數(shù)據(jù)集合重構(gòu)為若干個(gè)子集。而且每個(gè)子集在依據(jù)原則下具有一定的相似性，并在不同子集間具有盡可能大的相異性[4]。

目前，聚類(lèi)已成為在遙感、客戶關(guān)系管理、醫(yī)學(xué)、市場(chǎng)營(yíng)銷(xiāo)、電信、軍事、商業(yè)領(lǐng)域和金融等領(lǐng)域中常用的統(tǒng)計(jì)數(shù)據(jù)分析技術(shù)[5-9]，但在大壩監(jiān)測(cè)資料分析中應(yīng)用的綜合性研究論述還比較少。因此，本文首先闡述數(shù)據(jù)挖掘中聚類(lèi)算法的發(fā)展及其研究現(xiàn)狀，然后論述聚類(lèi)算法在大壩安全監(jiān)控領(lǐng)域中應(yīng)用內(nèi)容及成果，最后討論大壩安全監(jiān)控應(yīng)用聚類(lèi)算法需要關(guān)注的關(guān)鍵問(wèn)題，以供相關(guān)人員參考學(xué)習(xí)[10]。

1 聚類(lèi)算法的發(fā)展

隨著大數(shù)據(jù)時(shí)代的蓬勃發(fā)展，聚類(lèi)算法在日益增加的數(shù)據(jù)量與日益多樣化的數(shù)據(jù)形態(tài)的處理分析中變得越來(lái)越廣泛，這也促使了一系列不同特點(diǎn)的聚類(lèi)算法的發(fā)展，以滿足各式各樣數(shù)據(jù)類(lèi)型的處理要求。聚類(lèi)算法一般可分為傳統(tǒng)聚類(lèi)[11]、模糊聚類(lèi)[12]以及智能聚類(lèi)[13]。

1.1 傳統(tǒng)聚類(lèi)方法

傳統(tǒng)聚類(lèi)算法主要有以下4種劃分：[14]。

(1)劃分聚類(lèi)法

該聚類(lèi)算法的基本思路是利用分裂的方式把一個(gè)由n個(gè)元組組成的集合分割為k個(gè)類(lèi)別，每一個(gè)類(lèi)別有且僅包含一個(gè)對(duì)象?，F(xiàn)假設(shè)集合C:

C={X1，…，Xi，…，Xn}，Xi=(xi1，…，xid)

(1)

式中，Xi—樣本點(diǎn)；Xid—該樣本的屬性、特征、變量等，有d個(gè)維度。

使用此類(lèi)劃分思想的代表性算法包括k-means(由其質(zhì)心作為聚類(lèi)中心，對(duì)極值很敏感)、k-medoids(由其中位數(shù)作為聚類(lèi)中心)、EM、CLARA、CLARANS等?；趧澐值木垲?lèi)的優(yōu)缺點(diǎn)都十分明顯，其優(yōu)點(diǎn)主要體現(xiàn)在收斂速度快，模型參數(shù)少(僅有一個(gè)聚類(lèi)中心數(shù)k)，并且當(dāng)類(lèi)間區(qū)分明顯時(shí)，劃分效果好；其缺點(diǎn)即為數(shù)據(jù)類(lèi)型適應(yīng)性差，僅能用于定義平均值的數(shù)據(jù)類(lèi)型，受聚類(lèi)中心數(shù)的影響較大，聚類(lèi)的好壞完全受到k的影響。

(2)密度聚類(lèi)法

基于密度的方法最主要的特點(diǎn)就是對(duì)數(shù)據(jù)集合進(jìn)行處理，如果某區(qū)域點(diǎn)的密度超過(guò)了設(shè)定的限值，則把該點(diǎn)歸之鄰近的其他類(lèi)別中。其中密度聚類(lèi)算法最有代表的為DBSCAN算法，其核心是該算法的每一個(gè)簇為所有連續(xù)密度數(shù)據(jù)的最大集合。馮少榮[15]針對(duì)DBSCAN算法中對(duì)輸入?yún)?shù)敏感、運(yùn)行內(nèi)存量大等缺點(diǎn)，提出算法參數(shù)的動(dòng)態(tài)變化以適應(yīng)結(jié)果要求，并且采用并行化處理對(duì)數(shù)據(jù)進(jìn)行劃分，從而提高聚類(lèi)效率，降低內(nèi)存要求。

此外，還有OPTICS、DENCLUE等基于密度的聚類(lèi)，OPTICS能夠有效改善DBSCAN對(duì)與輸入?yún)?shù)領(lǐng)域E等的敏感性，而DENCLUE是根據(jù)確定的密度分布函數(shù)進(jìn)行聚類(lèi)分析。

(3)網(wǎng)格聚類(lèi)法

網(wǎng)格聚類(lèi)方法的特點(diǎn)在于其處理速度與點(diǎn)集合對(duì)象的個(gè)數(shù)無(wú)關(guān)，只和網(wǎng)絡(luò)結(jié)構(gòu)的各個(gè)維中的單元個(gè)數(shù)有關(guān)，以此具有較高的計(jì)算速度?；诰W(wǎng)格結(jié)構(gòu)的劃分可根據(jù)劃分方向分為自底向上劃分網(wǎng)格和自上而下劃分網(wǎng)格兩種。

其中CLIQUE、STING、Wave Cluster等是網(wǎng)格聚類(lèi)的典型。此外，網(wǎng)格聚類(lèi)往往會(huì)和其他方法相嵌合運(yùn)用，且和密度聚類(lèi)算法嵌合最多，從而衍生出一系列綜合類(lèi)算法，如SCI、MAFIA、DCLUST、GCHL等。

(4)層次聚類(lèi)法

基于層次的方法顧名思義在對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)處理的時(shí)候，會(huì)形成一個(gè)類(lèi)似二叉樹(shù)的結(jié)構(gòu)，對(duì)集合進(jìn)行層次似分解，最后只剩下一個(gè)大類(lèi)結(jié)束。層次聚類(lèi)構(gòu)造樹(shù)的形式有凝聚法和分裂法。

其中AGNES、BIRCH、CURE等是凝聚法手段的代表；而分裂法就是自上而下法，它推求將所有的對(duì)象置于一類(lèi)，不斷細(xì)分為更小的類(lèi)，DIANA等是其主要代表。

1.2 模糊聚類(lèi)方法

傳統(tǒng)的聚類(lèi)是屬于一種“硬”聚類(lèi)方法，它的判定規(guī)則為0與1，即對(duì)象間有清晰的分解。但實(shí)際上，許多對(duì)象的要素?zé)o法有一個(gè)精準(zhǔn)的表示，所以模糊聚類(lèi)方法就應(yīng)運(yùn)而生。

目前，模糊聚類(lèi)算法的種類(lèi)繁多，而應(yīng)用最廣泛的是依據(jù)目標(biāo)函數(shù)的模糊聚類(lèi)，此類(lèi)分析算法將聚類(lèi)看作為一個(gè)有限制條件的非線性問(wèn)題，進(jìn)而轉(zhuǎn)化為解決問(wèn)題的最優(yōu)化來(lái)完成對(duì)集合的聚類(lèi)。而在眾多基于目標(biāo)函數(shù)的聚類(lèi)算法中，Bezdek[16]于1973年創(chuàng)立的模糊C-均值聚類(lèi)(FCM)理論是典型的代表。

FCM算法有一個(gè)最顯而易見(jiàn)的缺點(diǎn)，即它的性能取決于初始聚類(lèi)中心，優(yōu)化結(jié)果通常會(huì)陷入局部最優(yōu)，并非全局最優(yōu)[17]。解決思路一般有兩類(lèi)，一類(lèi)是在每個(gè)初始聚類(lèi)中心進(jìn)行計(jì)算，然后多次迭代FCM算法，直到符合結(jié)果條件。一類(lèi)是通過(guò)蛙跳、粒子群、遺傳算法等優(yōu)化算法進(jìn)行計(jì)算初始聚類(lèi)中心。以第二類(lèi)為基礎(chǔ)發(fā)展而來(lái)算法就是智能聚類(lèi)算法。

1.3 智能聚類(lèi)方法

智能聚類(lèi)主要有：人工神經(jīng)網(wǎng)絡(luò)聚類(lèi)、核聚類(lèi)和智能搜索聚類(lèi)等。

(1)人工神經(jīng)網(wǎng)絡(luò)聚類(lèi)

人工神經(jīng)網(wǎng)絡(luò)通過(guò)模擬人類(lèi)大腦的神經(jīng)系統(tǒng)而得名，它具有很強(qiáng)的非線性逼近能力，可以適應(yīng)各種由傳統(tǒng)數(shù)學(xué)模型無(wú)法描述的復(fù)雜系統(tǒng)，從而可以很好地應(yīng)用于模式分類(lèi)。自組織神經(jīng)映射(SOM)[18]是應(yīng)用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)聚類(lèi)的目的。該方法能夠?qū)?shù)據(jù)進(jìn)行無(wú)監(jiān)督學(xué)習(xí)聚類(lèi)，將高維空間上的點(diǎn)映射到低維空間，并保持?jǐn)?shù)據(jù)點(diǎn)間的距離和鄰近關(guān)系一定，從而實(shí)現(xiàn)可視化。此外，還有改進(jìn)的SOM算法和基于投影自適應(yīng)諧振理論的人工神經(jīng)網(wǎng)絡(luò)聚類(lèi)[19]。

(2)核聚類(lèi)

核聚類(lèi)采用支持向量機(jī)中的核函數(shù)。該聚類(lèi)依據(jù)Mecer理論，進(jìn)行核變換，將數(shù)據(jù)集的低維度樣本映射到高維度，使之被較好地處理、分析并增顯有效的要素，最后完成聚類(lèi)[20]。將輸入空間樣本Xi∈R通過(guò)某種非線性映射φ到某一特征空間，x→φ(x)，一般通過(guò)Mercer核表示為：

K(xi，xj)=(φ(xi)，φ(xj))

(2)

式中，K(xi，xj)—Mercer核函數(shù)；φ(xi)、φ(xj)—樣本xi和xj在高維特征代間中的像。

核函數(shù)是定義低維與高維的映射規(guī)則，目前應(yīng)用較多的有高斯核函數(shù)、多項(xiàng)式核函數(shù)和線性核函數(shù)等。

(3)智能聚類(lèi)

智能聚類(lèi)，是指運(yùn)用智能方法搜索解空間的啟發(fā)式聚類(lèi)算法，通過(guò)一些智能優(yōu)化算法，以聚類(lèi)問(wèn)題中評(píng)價(jià)函數(shù)為目標(biāo)函數(shù)，搜尋聚類(lèi)問(wèn)題的全局最優(yōu)解，避免了傳統(tǒng)聚類(lèi)方法容易陷入局部最優(yōu)的問(wèn)題，加快收斂速度，降低一些聚類(lèi)算法對(duì)初始值的敏感度。用于聚類(lèi)問(wèn)題的代表性啟發(fā)式算法有：模擬退火算法、遺傳算法、蛙跳算法、粒子群算法、灰狼算法等。

2 聚類(lèi)算法在大壩安全監(jiān)控中的應(yīng)用現(xiàn)狀

由于傳統(tǒng)聚類(lèi)算法在大壩安全監(jiān)控中應(yīng)用的研究成果和綜述文獻(xiàn)[21]非常多，所以本文重點(diǎn)對(duì)模糊聚類(lèi)算法和智能聚類(lèi)算法在大壩安全監(jiān)控中的應(yīng)用進(jìn)行展開(kāi)闡述。

2.1 模糊聚類(lèi)算法

為了提高監(jiān)測(cè)資料的分析效率，諸多學(xué)者將基于模糊數(shù)學(xué)的聚類(lèi)分析方法應(yīng)用到大壩監(jiān)測(cè)資料的分析中。模糊聚類(lèi)分析法大致可分為兩種[22]：

(1)系統(tǒng)聚類(lèi)分析法

系統(tǒng)聚類(lèi)分析是基于模糊關(guān)系的聚類(lèi)算法，其基本操作流程為：首先選定系統(tǒng)中具有實(shí)際意義和強(qiáng)解釋性的代表性指標(biāo)如水頭、氣溫、時(shí)效等荷載集以及變形、裂縫開(kāi)度、應(yīng)力應(yīng)變等荷載效應(yīng)集；然后將各樣本點(diǎn)的統(tǒng)計(jì)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，消除量綱的影響，便于比較分析；其次進(jìn)行標(biāo)定，計(jì)算出分類(lèi)對(duì)象間的相似程度的統(tǒng)計(jì)量，用模糊相似矩陣表示：

(3)

式中，rij=R(xi，xj) (i，j=1，2…，n)—兩對(duì)象之間的相似程度?？刹捎脷W氏距離、數(shù)量積法、相關(guān)系數(shù)法等進(jìn)行計(jì)算。

給定不同的閾值λ，若rij≥λ，則xi，xj被聚類(lèi)一類(lèi)。根據(jù)不同閾值，得出動(dòng)態(tài)聚類(lèi)結(jié)果[23]。其中廖鋮等人[24]，根據(jù)模糊聚類(lèi)方法，對(duì)水布埡面板堆石壩的面板撓度變形監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，根據(jù)相關(guān)系數(shù)法建立測(cè)點(diǎn)間的模糊相似矩陣，并采用二次法構(gòu)造模糊等價(jià)矩陣，根據(jù)不同閾值，得出動(dòng)態(tài)聚類(lèi)結(jié)果，隨后采用F統(tǒng)計(jì)量評(píng)價(jià)聚類(lèi)效果以確定最佳聚類(lèi)結(jié)果，通過(guò)對(duì)關(guān)鍵面板的詳細(xì)分析，具有較高的擬合度。因此采用模糊聚類(lèi)分析法處理大壩監(jiān)測(cè)資料能夠在掌握大壩運(yùn)行狀況前提下，減少了工作量，提高了分析效率。賈彩虹等人[25]，采用灰色關(guān)聯(lián)度法建立新安江大壩部分壩段壩基時(shí)序揚(yáng)壓力值的關(guān)聯(lián)相似矩陣，并以此構(gòu)造模糊相似矩陣，同時(shí)基于測(cè)點(diǎn)測(cè)值的變化規(guī)律，對(duì)各壩段揚(yáng)壓力依據(jù)相似度來(lái)進(jìn)行聚類(lèi)，繼而實(shí)現(xiàn)以已知預(yù)測(cè)未知的目標(biāo)，并以此預(yù)測(cè)同類(lèi)壩段壩基揚(yáng)壓力值，預(yù)報(bào)結(jié)果精度較高。

(2)逐步聚類(lèi)分析方法

系統(tǒng)聚類(lèi)方法能夠一次形成分類(lèi)，但缺點(diǎn)是數(shù)據(jù)太多，計(jì)算量較大。而逐步聚類(lèi)分析則是對(duì)數(shù)據(jù)進(jìn)行迭代分級(jí)，計(jì)算不同級(jí)別下各個(gè)特征因子的“聚類(lèi)中心”，該方法可對(duì)預(yù)報(bào)日進(jìn)行因變量的預(yù)測(cè)[26]。逐步模糊聚類(lèi)通常采用模糊劃分，即樣本j以某一從屬度uij從屬于第i類(lèi)，然后根據(jù)公式不斷迭代求得滿足要求的最佳軟分劃矩陣和聚類(lèi)中心，最后采用直接劃分或者二次分類(lèi)方法求得樣本所屬類(lèi)別。

2.2 智能聚類(lèi)算法

(1)基于SOM神經(jīng)網(wǎng)絡(luò)的聚類(lèi)算法

Kohonen聚類(lèi)算法通過(guò)競(jìng)爭(zhēng)型無(wú)指導(dǎo)方式而構(gòu)造的神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)樣本中的點(diǎn)分析計(jì)算分類(lèi)。所謂競(jìng)爭(zhēng)型即是“勝者為王”，無(wú)指導(dǎo)即是模型無(wú)期望[27]。該方法具有兩個(gè)主要特點(diǎn)：它是一種遞增的方法；它能將聚類(lèi)中心點(diǎn)映射到二維平面上而實(shí)現(xiàn)可視化。

陳悅等人[27]選取某特高混凝土雙曲拱壩大壩測(cè)點(diǎn)變形值的“相對(duì)距離”和“增速距離”作為評(píng)價(jià)數(shù)據(jù)，采用Kohonen聚類(lèi)算法訓(xùn)練模型，挖掘測(cè)點(diǎn)時(shí)空數(shù)據(jù)的相似性，識(shí)別大壩變形監(jiān)測(cè)點(diǎn)的空間聚集情況，體現(xiàn)了壩體變形的空間特征，聚類(lèi)結(jié)果與實(shí)際情況相符，并對(duì)聚類(lèi)結(jié)果中的典型測(cè)點(diǎn)進(jìn)行分析，在考慮各測(cè)點(diǎn)變形序列的空間關(guān)聯(lián)性同時(shí)，減少工作量，提高分析效率。此外，Kohonen聚類(lèi)分析還可以探測(cè)時(shí)空分布中出現(xiàn)異常情況的測(cè)點(diǎn)以及利用測(cè)點(diǎn)變形的規(guī)律性進(jìn)行同類(lèi)數(shù)據(jù)的缺失性填補(bǔ)。

(2)基于螞蟻覓食的聚類(lèi)算法

蟻群算法具有顯著的全局優(yōu)化能力。其他學(xué)者在此基礎(chǔ)上，與聚類(lèi)的思想相結(jié)合，發(fā)展出了于蟻群的聚類(lèi)算法[28]。如果把數(shù)據(jù)樣本處理成不同屬性的螞蟻，聚類(lèi)中心則為螞蟻要覓得的“食物源”，那么分析聚類(lèi)可以形象地比作螞蟻覓食[29]。

假設(shè)數(shù)據(jù)對(duì)象為：

X={X|Xi=(xi1，xi2，…，xim)，i=1，2…N}

(4)

式中，i—樣本數(shù)；m—樣本維度，算法初始化操作，則τij(0)=0，設(shè)置簇半徑以及誤差等參數(shù)，計(jì)算對(duì)象間的距離dij，則各路徑上的信息素為[30]：

(5)

式中，r—聚類(lèi)半徑。

其中黃瀟霏等人[31]采用RBF神經(jīng)網(wǎng)絡(luò)，將影響大壩變形的主要因素作為輸入，變形量作為輸出，建立大壩監(jiān)控模型，同時(shí)采用蟻群覓食聚類(lèi)算法應(yīng)用與徑向基神經(jīng)網(wǎng)絡(luò)函數(shù)中心向量的選擇，使得樣本集內(nèi)的向量距離該中心的距離最小，以改善大壩監(jiān)測(cè)模型的預(yù)測(cè)效果。

(3)基于粒子群的聚類(lèi)算法

該算法是Omran等人于2002年提出的一種聚類(lèi)算法。除基本粒子群聚類(lèi)算法外，還有與k-means、模糊C均值算法相結(jié)合的混合算法。試驗(yàn)表明，混合算法在處理聚類(lèi)問(wèn)題時(shí)好于傳統(tǒng)算法的有效性評(píng)價(jià)指數(shù)，并減小陷入局部最優(yōu)概率，提高收斂速度[32]。

其中王偉等人[33]利用粒子群優(yōu)化算法全局搜索能力強(qiáng)、調(diào)整參數(shù)少、易于實(shí)現(xiàn)特點(diǎn)，將模糊聚類(lèi)算法中的計(jì)算條件轉(zhuǎn)換為優(yōu)化問(wèn)題，在全局最優(yōu)情況下的模糊劃分矩陣以及聚類(lèi)中心向量，并據(jù)此劃分待測(cè)樣本的歸類(lèi)，輸出樣本的預(yù)報(bào)區(qū)間，并以新安江攔河壩的位移作為計(jì)算數(shù)據(jù)并將其進(jìn)行劃分，根據(jù)各影響因子建立模糊矩陣，對(duì)待測(cè)樣本進(jìn)行位移的區(qū)間預(yù)報(bào)。

2.3 不同聚類(lèi)算法的比較

由上述聚類(lèi)算法在大壩安全監(jiān)控應(yīng)用的相關(guān)分析可知：不同聚類(lèi)算法的適應(yīng)情況不同，一般從收斂速度、初值敏感性、抗噪性能及結(jié)果精度比較3種聚類(lèi)算法的優(yōu)劣勢(shì)，具體對(duì)比內(nèi)容見(jiàn)表1。

表1 三種聚類(lèi)算法的比較

3 大壩安全監(jiān)控應(yīng)用聚類(lèi)算法的關(guān)鍵問(wèn)題

采用聚類(lèi)算法進(jìn)行大壩安全監(jiān)控分析，有核函數(shù)的選擇、分析精度和分析效率的權(quán)衡等關(guān)鍵問(wèn)題。

3.1 核函數(shù)

核函數(shù)作為聚類(lèi)算法的控制函數(shù)，因變量的輸入離核函數(shù)中心越遠(yuǎn)，中間層的激活程度就越低，這就使得隱層節(jié)點(diǎn)中心和基函數(shù)寬度的確定會(huì)直接影響算法的收斂速度。所以為改善大壩監(jiān)測(cè)模型的預(yù)測(cè)效果，有必要采用聚類(lèi)算法確定合適的隱層節(jié)點(diǎn)中心與核函數(shù)寬度。因此，對(duì)于解決大壩不同的安全問(wèn)題選擇合適的核函數(shù)就尤其重要。

3.2 分析精度

聚類(lèi)算法因其較高的精度在大壩安全監(jiān)控中應(yīng)用較多。由于不同壩型和大壩不同的因變量核效應(yīng)量需要不同的精度要求，當(dāng)然在考慮效率的前提下分析精度越高越好。而通過(guò)一些改進(jìn)算法和模型可以看出：在提高精度的時(shí)候，會(huì)出現(xiàn)小范圍的過(guò)擬合以及整體誤差滿足但結(jié)果不當(dāng)?shù)惹闆r。為提高大壩安全監(jiān)控的分析精度而優(yōu)化改進(jìn)聚類(lèi)算法時(shí)，短期分析應(yīng)注重結(jié)果精度要求，長(zhǎng)期分析應(yīng)注重大壩運(yùn)行趨勢(shì)規(guī)律。

3.3 分析效率

由于計(jì)算機(jī)技術(shù)的進(jìn)步，各種用于大壩安全分析的算法越來(lái)越多，其中聚類(lèi)算法也得到了長(zhǎng)足的發(fā)展。在不同大壩安全分析的項(xiàng)目上，各種改進(jìn)優(yōu)化的聚類(lèi)算法各有優(yōu)缺點(diǎn)。不少改進(jìn)優(yōu)化的聚類(lèi)算法提高了結(jié)果精度，但同時(shí)使得分析模型過(guò)于復(fù)雜，操作性難，實(shí)現(xiàn)效率低，給現(xiàn)場(chǎng)工程管理應(yīng)用人員帶來(lái)困難。因此，建立簡(jiǎn)單實(shí)用的優(yōu)化聚類(lèi)算法，構(gòu)建標(biāo)準(zhǔn)化分析模型以提高分析效率是大壩安全監(jiān)控的關(guān)鍵問(wèn)題之一。

4 結(jié)語(yǔ)

本文對(duì)一些常用的傳統(tǒng)聚類(lèi)方法、模糊聚類(lèi)方法以及智能聚類(lèi)方法及其研究現(xiàn)狀進(jìn)行了簡(jiǎn)要介紹，然后詳細(xì)闡述了應(yīng)用于大壩安全監(jiān)控領(lǐng)域的模糊聚類(lèi)方法和智能聚類(lèi)方法以及應(yīng)用方式。其中模糊聚類(lèi)方法有較高的擬合度及大幅度減少運(yùn)算工作量；智能聚類(lèi)算法結(jié)合神經(jīng)網(wǎng)絡(luò)、智能群算法等方法在大壩的前期的資料分析以及監(jiān)控模型的建立中降低了陷入局部最優(yōu)的概率，提高了結(jié)果精度和穩(wěn)定性。這表明聚類(lèi)方法在水工領(lǐng)域中有著廣泛的應(yīng)用與較大的潛力，對(duì)從業(yè)人員結(jié)合聚類(lèi)算法進(jìn)行大壩安全監(jiān)控研究具有指導(dǎo)意義。

由于目前所涉及的應(yīng)用于大壩監(jiān)控領(lǐng)域的聚類(lèi)方法是常規(guī)的應(yīng)用，如何將模糊聚類(lèi)算法及智能聚類(lèi)算法更好地結(jié)合大壩動(dòng)態(tài)監(jiān)測(cè)資料分析或?qū)崟r(shí)監(jiān)控模型的建立，需要進(jìn)一步深入研究。