基于核Batch SOM聚类优化的语义Web服务发现机制研究

如何快速、准确和高效地发现满足用户需求的Web服务已成为制约服务发展的瓶颈之一。该文针对现有Web服务发现机制中存在的效率低下和查准率不高的两个主要问题,提出了一个基于核Batch SOM神经网络聚类优化的语义Web服务发现框架。该框架分别在服务表示阶段引入WordNet和隐含语义索引技术对Web服务进行语义扩展和概念语义空间降维;在服务分类阶段利用核机学习理论改进一类适用于Web服务分类的核Batch SOM神经网络算法;在服务匹配阶段提出一种基于核余弦相似性测度的Web服务匹配算法。最后,真实Web服务数据集上的实验结果验证了所提出方法的可行性。     

基于SOM和PSO的聚类组合算法

自组织映射（SOM）算法和粒子群优化（PSO）算法拥有概念简明、实现方便、收敛速度快、参数设置少,自组织自适应的特点。为了提高聚类效果,提出一种基于SOM和PSO的聚类组合算法SOM／PSO算法。先用SOM算法对UCI数据集中的数据进行聚类,然后以SOM的输出权值初始化PSO的粒子位置,再用PSO聚类算法进行聚类。实验结果表明所提出算法能够改进聚类性能,有很好的全局收敛性,不易陷入局部最优,也不会出现空簇现象。     

一种基于聚类的电台通联关系发现方法

为保证反恐维稳等工作的顺利进行,识别无线通信个体的通联关系具有重要意义.现有研究是对频谱数据进行聚类得到各电台发出的频谱信号集,再依据时间分布对聚类簇进行基于规则的分析确认通联关系.此类方法需要确定聚类簇开始结束时间的差值,开始结束时间相近时难以得到准确结果.此外,该方法受噪声、干扰和测量误差等因素的影响较大.因此,提...     

基于TF-IDF改进聚类算法的网络敏感信息挖掘

网络敏感信息挖掘过程中,敏感信息和正常信息的特征不同,具有较高的遮蔽性。利用传统敏感信息挖掘方法时,固有的敏感信息被遮蔽,无法进行敏感信息的准确挖掘。提出基于TF-IDF改进聚类算法的网络敏感信息挖掘方法,通过TF-IDF方法获取网络敏感信息文本,在网络敏感信息文本中获取有价值的敏感信息特征,采用该信息完成聚类算法,对全部敏感信息特征进行聚类分析,完成网络敏感信息的挖掘。实验结果说明,所提方法进行网络敏感信息挖掘,具有较高的挖掘效率和精度。     

SOM＋K-means两阶段聚类算法及其应用

在众多聚类算法中,K-means和自组织神经网络（SOM）是较为经典的2个。在分析2种算法优缺点的基础上,提出基于SOM的K-means两阶段聚类算法,该算法根据SOM算法自动聚类的优点得到初步聚类数目和各类中心点,以此作为K-means算法的初始输入进一步聚类,从而得到精确的聚类信息。最后,应用该算法对某地区电信家庭客户数据进行分析,结果表明该算法有较好的聚类效果。     

基于无监督神经网络聚类算法的研究

本文讨论了基于自组织特征映射网络聚类算法的基本原理，并指出了算法的缺陷。在此基础上，提出了改进的算法，给出了算法的流程，并做了分析。     

基于模糊聚类的多分辨率社区发现方法

针对网络结构的复杂性和群体划分的不确定性,该文提出一种基于模糊聚类的多分辨率社区结构发现方法。该方法用模糊方法来处理网络节点间的相似性,以实现社区结构的模糊划分。基于节点间的局部交互信息,考虑节点间的模糊关系和网络拓扑结构相似性传递,实现网络社区的层次聚类。并通过调节模糊参数,挖掘出不同分辨率下的社区结构。同时为了避免主观地确定社区数目,引入一种新的模块度以度量社区划分结果。实验证明该方法能够有效且稳定地揭示潜在的社区结构。     

一种基于多天线扇区切换的自组织网络邻居信息发现维护方法

针对目前扇区天线邻居发现方法面临节点冲突概率大和发现时间长的问题,提出一种用于自组织网络的多天线扇区切换的邻居信息发现维护方法。将邻居发现子帧划分成多个微时隙,通过三次握手,在降低节点冲突的同时减少邻居发现时间,提高邻居发现效率。仿真结果表明,文章提出的方法在邻居发现时间和邻居发现节点对数等方面优于现有DTRA协议。     

基于集成聚类的社区发现算法

社区发现对于理解复杂系统的整体组织及其功能特性具有重要意义,在个性化服务、广告营销、舆情传播甚至犯罪团伙发现等领域具有广泛的应用场景.近年来,在机器学习聚类问题方面获得较好效果的集成聚类被引入社区发现问题的研究中,以提升社区发现的精确度和稳定性.本文通过将集成方法、集成聚类选择与社区发现相结合,提出了一个社区发现的集成...     

云环境下基于二进制编码聚类的并行频繁项集挖掘算法

本文提出了一种云环境下基于二进制编码的并行频繁项集挖掘算法,利用一种特殊的二进制编码的依赖度计量方法对原始数据集合进行编码转换及依赖度聚类,然后将数据集分布部署在云环境中,并采用共享多头表的FP-Growth并行改进算法挖掘频繁项集.实验表明,对于大规模数据集来说,本文算法可以取得良好的性能.     

基于聚类算法实现信号盲分类

本文解决了信号处理、工业控制等领域存在的非平稳信号盲分类问题。在聚类中广泛应用的K-Means算法及其它基于中心的聚类算法有两个共同的缺陷-需要预先确定类数目且随机初始化中心引起性能不稳定。本文提出的算法较好地解决了这两个问题，提高了算法稳定性，实现了非平稳信号盲分类。提取非平稳信号的小波系数作为聚类的样本空间，分析聚类结果的统计偏差以估计类的数目，采用调和均值准则进行分类。最后给出的仿真结果表明本文提出的方法较传统的K-Means算法明显降低分类错误率。     

基于云模型的信息粒化

粒计算作为一种新的信息和知识处理的方法近来已经被许多研究者所重视,在许多领域中得到应用。如何构建合理有效的信息粒是粒计算的前提。在简要阐述云模型理论和信息粒理论的基础上,给出基于云模型进行信息粒化的模型。     

基于PubMed的共词聚类分析方法

针对传统共词聚类分析法中共词矩阵构建不能全面反映主题词之间的关联问题,提出了基于高频主题词共现于同一篇文献多种格式内容构建共词矩阵的方法,针对传统聚类算法对于类团非球状且类团大小相异较大导致聚类效果不理想等问题,利用改进的CRUE聚类算法对共词矩阵聚类。并对PubMed中肺癌领域相关文献进行共词聚类分析,实验论证了改进后共词聚类分析方法的可行性。     

一种基于模糊聚类的故障诊断方法

电子设备的多个传感器实时反映了设备运行状态,对一种基于模糊聚类的电子设备故障诊断方法进行讨论,针对电子装备多个传感器状态信息采用模糊聚类的方法进行融合,进而提出了对于观测数据运用模糊聚类方法进行故障诊断,推理故障模式的方法。实例证明该模糊聚类方法成功地完成了某电子装备故障诊断的自动推理。该方法可以不依赖于被诊断系统的数学模型进行自适应诊断,实现故障诊断的智能化、自动化。     

基于云计算的高职教育信息化资源平台研究

教育信息化程度的高低是衡量教育现代化的重要标志.云计算技术为高职院校教育信息化的实现提供新的发展思路,搭建一个智能、开放、共享的教育信息化资源平台对于实现教育公平,实现教育资源共享有重要价值.本文从云计算技术的概念入手,分析了云计算技术在高职院校教育信息化中的应用优势,提出高职院校应用云计算实现教育信息化的建议和措施.     

一种基于信息熵的空间聚类算法

空间数据挖掘技术是从空间数据库中提取隐含的、用户感兴趣的知识.针对当前的聚类算法没有很好考虑到空间数据的复杂性和数据之间的联系,再加上聚类的精确度不高,设计了一种新的算法—基于信息熵的空间聚类算法（ESCA算法）,该算法优先考虑空间数据的复杂性和数据之间的联系,并采用蚁群优化机制改善传统算法中聚类簇数不确定的缺点.实验结果表明该算法是可行,并且具有更高的精确度.     

一种基于数据场的层次聚类方法

聚类分析是统计、模式识别和数据挖掘等领域中一个非常重要的研究课题,具有广泛的应用前景.受物理学中场论思想的启发,提出一种基于数据场的层次聚类方法.该方法将物质粒子间的相互作用及其场描述方法引入抽象的数域空间,通过模拟对象在虚拟数据场中的相互作用和运动实现数据对象的自组织层次聚集.实验显示,该方法不依赖于用户输入参数的仔细选择,能够发现任意大小和密度的非球形聚类,对噪声数据不敏感,且具有近似线性的收敛速度.     

基于云计算的数据挖掘系统设计

为了高效、快速地解决呈指数增长的数据处理问题,提高数据储存、运算能力,文中提出了基于云计算的数据挖掘系统的设计。该系统首先分析了主流云计算平台Spark的组件构成和运行机制,深入研究其计算架构的编程原理。同时利用Spark进行了C4.5算法和K-medoids聚类算法的并行化设计,有效提高算法的运行速度、收敛速度和结果的稳定性。测试表明,在进行海量数据的分析处理时,文中提出的云计算平台在分类误差内,可有效提高整体系统的运算速度,分类效率也大幅提高。     

基于词聚类特征的统计中文组块分析模型

 提出了一种基于信息熵的层次词聚类算法,并将该算法产生的词簇作为特征应用到中文组块分析模型中.词聚类算法基于信息熵的理论,利用中文组块语料库中的词及其组块标记作为基本信息,采用二元层次聚类的方法形成具有一定句法功能的词簇.在聚类过程中,设计了优化算法节省聚类时间.用词簇特征代替传统的词性特征应用到组块分析模型中,并引入名实体和仿词识别模块,在此基础上构建了基于最大熵马尔科夫模型的中文组块分析系统.实验表明,本文的算法提升了聚类效率,产生的词簇特征有效地改进了中文组块分析系统的性能.