一种基于调和均值的模糊聚类算法

k调和均值算法用数据点与所有聚类中心的距离的调和平均替代了数据点与聚类中心的最小距离，是一种减小初始值影响聚类结果的有效的聚类方法。本文对k调和均值算法进行扩展，考虑到数据点同时对不同聚类的隶属关系，将模糊的概念应用到聚类中，提出了模糊k调和均值-Fuzzv K—Harmonic Means(FKHM)算法。在中心迭代聚类算法的统一框架的基础上，推导出FKHM算法聚类中心的条件概率表达式以及在迭代过程中的数据点加权函数表达式。以划分相似度作为聚类结果的评价准则，实验表明，FKHM算法在聚类对于初值不敏感的同时提高了聚类结果的精确度，达到较好的聚类效果。     

鲁棒总变分核空间模糊聚类分割算法研究

针对现有的总变分模糊聚类分割算法在强噪声干扰图像分割中难以获得准确有效分割结果的不足,提出了鲁棒总变分核空间模糊聚类分割算法。该算法首先在鲁棒模糊聚类分割算法的目标函数中引入了总广义变分(TGV)正则化,消除图像中不需要的噪声和伪影;其次引入局部空间信息、局部灰度信息以及非均匀隶属函数从而构造一个新的模糊局部信息因子,在保证噪声抑制的同时保留图像中更多细节信息;最后将改进的聚类算法推广至核空间,使原空间线性不可分的像素样本点变成线性可分或近似线性可分,从而更好地给每个像素分配更高的隶属度。实验结果表明,与现有的总变分模糊聚类分割算法相比,建议算法在强高斯噪声干扰情况下的分割精度提高了14.7%,对强高斯噪声有较好的鲁棒性以及分割性能。     

基于改进抑制式FCM聚类算法的图像分割

在抑制式模糊C-均值聚类算法中,由于对隶属度的修正只考虑了隶属度的相对值,而没有考虑其绝对值,影响其聚类效果。针对其不足,提出了一种改进的模糊C-均值聚类算法。算法中,值的选择由所修正的隶属度的大小来确定。实验表明,该算法能获得较好聚类的效果。     

基于模糊C均值聚类与空间信息相结合的图像分割新算法

针对传统的模糊C均值聚类（FCM）图像分割方法未考虑图像的空间信息,对噪声十分敏感的问题,本文提出了一种结合空间信息的模糊C均值聚类分割新算法;该算法将图像的二维直方图引入传统的模糊C均值聚类算法中,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属,以改善传统的PCM算法的分割质量。实验结果表明,该算法显示了较好的分割效果和较强的抗噪性能。     

一种基于属性空间相似性的模糊聚类算法

模糊C均值(FCM)聚类算法及其相关改进算法基于最大模糊隶属度原则确定聚类结果,没有充分利用迭代后的模糊隶属度矩阵和簇类中心的样本属性特征信息,影响聚类准确度。针对这个问题,该文提出一种新的改进思路:改进FCM算法输出定类原则。给出二元属性拓扑子空间中属性相似度的定义,最终提出一种基于属性空间相似性的改进FCM算法(FCM-SAS):首先,选择FCM算法聚类后模糊隶属度低于聚类置信度的样本作为存疑样本;然后,计算存疑样本与聚类后聚类中心的属性相似度;最后,基于最大属性相似度原则更新存疑样本的簇类标签。通过UCI数据集实验,证明算法不仅有效,还较一些基于最大模糊隶属度原则定类的改进算法具有更优的聚类评价指标。     

基于L_1度量的Type-2熵模糊聚类红外图像分割

为了准确实现目标识别,从红外图像的特点出发,提出了将L_1空间度量的二型(Type-2)熵模糊聚类算法应用干红外图像分割.该算法首先通过L_1空间度量样本点与类别中最大最小值的距离,代替了传统聚类算法中样本点与聚类中心的聚类,然后根据熵模糊聚类算法获得上模糊隶属度和下模糊隶属度两个隶属度函数,并采用二型模糊融合得到隶属度函数,其中给出了一种权重加权降型算法.通过对实际的红外图像分割表明,这种算法能准确地实现红外图像分割,自适应性强,鲁棒性好,能够在复杂背景下获得较为理想的分割效果.     

基于特征选取的局部模糊聚类算法研究

为了增强模糊局部信息C均值聚类算法的鲁棒性和分割性能,提出一种基于特征选取的模糊局部信息C均值聚类算法.在现有的模糊局部信息C均值聚类算法基础上,对其目标函数的局部邻域约束项添加邻域隶属度约束,并将特征选取的思想引入该目标函数,并利用KL散度作为正则项因子,获得一种新的鲁棒模糊聚类算法.对算法迭代所获得的像素隶属度进行...     

基于特征事务元素的用户事务聚类方法研究

针对现有用户访问事务聚类算法复杂度较高的问题，文章提出了一种新的用户事务聚类算法。首先对用户事务中访问过的页面浏览次数和时间进行综合统计，并定义了函数，将其映射为页面访问时间属性值；其次通过抽取事务的特征事务元素集，建立新的聚类对象集事务，实现对原有事务的降维。最后给出计算事务相似度的方法．并得到一个模糊相似度矩阵以实现事务聚类。该算法具有较高的准确性，计算复杂度低，扩展性好，可以广泛地应用于电子商务领域。     

基于模糊KHM聚类的跳频网台分选方法

针对聚类分析实现跳频网台分选时,分选结果对初始聚类中心敏感且某些样本点“既可以属于类A也可以属于类B”的问题,提出了一种基于模糊K调和均值(KHM)聚类的跳频网台分选方法。首先利用搜索统计直方图位置法预估聚类数目和聚类中心,减少了算法的迭代次数;然后根据跳频信号的各项参数,应用模糊KHM聚类算法对跳频网台进行分选,有效解决了样本点的隶属度问题;最后通过类内类间距法估计得到准确的聚类数目K、聚类中心位置,大幅提升了聚类算法准确度。仿真结果表明,该算法聚类中心接近实际类中心,分选正确率高,迭代次数少。     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

高阶异构数据模糊联合聚类算法

为了更有效地分析聚簇重叠部分高阶异构数据的聚簇结果,提出了一种高阶异构数据模糊联合聚类（HFCC）算法,该算法最小化每个特征空间中对象与聚簇中心的加权距离。推导出对象隶属度和特征权重的迭代更新公式,设计出聚类过程的迭代算法,并且从理论上证明了该迭代算法的收敛性。另外,通过泛化XB指标,提出适用于评估高阶异构数据聚类质量的指标GXB,用于判断聚簇数目。实验表明,HFCC算法能够有效探测数据内部隐藏的重叠聚簇结构,并且HFCC算法聚类效果明显优于5种有代表性的硬划分算法,此外GXB指标能够有效判定高阶异构数据的聚簇数目。     

基于最小生成树的分簇协作频谱感知改进算法

为减少分簇过程中的时延,基于最小生成树的单向比较优势提出簇首快速推举方法,并提出改进的分簇协作频谱感知算法,分析了算法的时间复杂度。算法首先基于最小划分对所有次用户节点进行分簇,簇内节点根据设置的评价条件进行性能比较,推举簇首。由簇首进行本地簇内频谱检测,并上传检测结果,最后融合中心在簇首间实现协作的频谱检测。在瑞利信道条件下,仿真显示在大信噪比时,融合中心应用AND规则,系统具有较小的虚警率,所提算法检测性能优;小信噪比时,应用OR规则能扩展系统的有效检测区间,所提算法在满足系统要求的前提下检测性能较差,但簇内信道效率提高了n-1倍。     

基于用户分簇的认知超密集网络资源分配

针对5G时代小基站的密集部署带来的复杂干扰问题,对下行的认知无线电超密集网络下的资源分配进行了研究。为减小网络干扰,提高次用户吞吐量,提出了一种改进的基于用户分簇的资源分配算法。基于基站的覆盖范围,选出用户的强干扰基站,以用户-基站干扰关系建立用户-用户干扰图,按用户受到的平均弱干扰划分优先级对用户分簇,再为簇集群预分配频段,为每个簇分配对应频段中效用最大的信道。该资源分配算法能准确反映用户间的干扰关系,保障资源分配公平性。仿真结果表明,当用户密度与基站密度均较大时,与相同场景的已有算法相比,该改进算法有较好的抗干扰能力,能有效提高次用户的吞吐量。     

A access-based clustering protocol for multihop wireless ad hocnetworks

The ad hoc network is a temporary wireless system without a fixed (wired or wireless) infrastructure. Many clustering algorithms have been proposed to partition mobile users into clusters to support routing and network management. Most previous studies, however, focus on algorithm design, lacking an overall evaluation of clustering overheads. We design a multiple access scheme for the broadcast of control messages, and propose a new access-based clustering protocol (ABCP) whose cluster formation is heavily influenced by the outcome of the multiple access. By taking into account many delicate aspects in the clustering process, the ABCP provides a generic, flexible, rapidly deployed and stable cluster architecture for the upper layer protocols. Simulation is used to compare ABCP with the other clustering strategy in terms of cluster stability and overheads. Since ABCP makes clustering decision directly based on the result of channel access, it requires fewer control overheads and has shorter convergence time than the other clustering criteria. We also demonstrate that the resulting cluster structure by ABCP behaves stable in face of topology changes     

Revealing connectivity structural patterns among web objects based on co-clustering of bipartite request dependency graph

Web objects are the entities retrieved from websites by users to compose the web pages. Therefore, exploring the relationships among web objects has theoretical and practical significance for many important applications, such as content recommendation, web page classification, and network security. In this paper, we propose a graph model named Bipartite Request Dependency Graph (BRDG) to investigate the relationships among web objects. To build the BRDG from massive network traffic data, we design and implement a parallel algorithm by leveraging the MapReduce programming model. Based on the study of a number of BRDGs derived from real wireless network traffic datasets, we find that the BRDG is large, sparse and complex, implying that it is very hard to derive the structural characteristics of the BRDG. Towards this end, we propose a co-clustering algorithm to decompose and extract coherent co-clusters from the BRDG. The co-clustering results of the experimental dataset reveal a number of interesting and interpretable connectivity structural patterns among web objects, which are useful for more comprehensive understanding of web page architecture and provide valuable data for e-commerce, social networking, search engine, etc.     

一种自适应遗传算法的聚类分析及应用

针对传统的聚类算法在聚类划分问题上还存在着划分效果能力较差等问题,在确保GA算法全局性能和收敛速度的前提下,设计了一种与进化代数相关联的交叉概率和与个体适应度相关联的变异概率。将该算法应用到图像聚类,实验仿真结果表明,对比于k均值聚类算法,该算法具有较好的聚类划分效果。     

一种基于动态遗传算法的聚类新方法

 如何确定聚类数目一直是聚类分析中的难点问题.为此本文提出了一种基于动态遗传算法的聚类新方法,该方法采用最大属性值范围划分法克服划分聚类算法对初始值的敏感性,并运用两阶段的动态选择和变异策略,使选择概率和变异率跟随种群的聚类数目一致性变化,先进行不同聚类数目的并行搜索,再获取最优的聚类中心.七组数据聚类实验证明该方法能够实现数据集最佳划分的自动全局搜索,同时搜索到最佳聚类数目和最佳聚类中心.     

K-means聚类算法研究综述

总结评述了K-means聚类算法的研究现状,指出K-means聚类算法是一个NP难优化问题,无法获得全局最优。介绍了K-means聚类算法的目标函数、算法流程,并列举了一个实例,指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法,指出了K-means聚类的进一步研究方向。     

PIC24单片机在轧机液压缸行程检测上的应用

介绍了一种代替传统轧机液压缸行程测量的新方法,并以一款PIC24单片芯片为例,配合涡街流量计,详细描述了系统的工作原理、主要特点和软硬件设计,总结了现场实际使用情况。     

簇间可分的鲁棒模糊C均值聚类算法

与经典的K均值聚类算法相比,模糊C均值(FCM)聚类算法通过引入模糊因子,考虑不同聚类数据簇之间的相互关系,得到可分性更好的聚类结果。但是模糊因子的引入,使得任意一个样本点都存在模糊性,造成FCM极易受到噪声和离群点的影响,聚类结果泛化性能较差。因此,该文提出一种簇间可分的鲁棒FCM算法(RBI-FCM)。RBI-FCM利用K均值算法对模糊隶属度的稀疏特征,降低不同数据簇之间的相互作用,突出不同数据簇相邻区域的可分性;另外,RBI-FCM在极小化数据簇内部散布度的条件下,考虑不同数据簇之间的可分性,可提高聚类模型的泛化性能。该文设计了有效的模型求解迭代算法。实验结果表明,RBI-FCM算法提高了FCM的鲁棒性,有效降低FCM对数据簇分布差异性和抽样不均衡的敏感性,得到理想的聚类结果。