对K-means算法初始聚类中心选取的优化

针对传统K-means算法对初始聚类中心选取的问题,提出了基于数据样本密度和距离来选取初始聚类中心的改进K-means算法,该算法保证了初始中心点集的第一点为确定的(最大密度点),在基于距离最远的其他中心点搜索过程中,得到的中心点也基本上是确定的,消除了初始中心点选择的随机性,同时保证了获得较高质量的初始中心点。理论分析和实验结果表明:改进的k-means算法是一种有效的入侵检测方法,根据此方法设计的入侵检测系统是有效可行的。     

基于近邻传播算法的K-means聚类优化算法

K-means聚类算法在随机选择的初始聚类中心的基础上进行聚类,其聚类效果会因为初始聚类中心的不确定性而不稳定。为了优化其聚类效果,提出了基于近邻传播算法(AP算法)的K-means聚类优化算法(APK-means)。该算法首先通过近邻传播算法生成若干个初始聚类,然后依序选择k个聚类规模最大的聚类中心作为K-means聚类算法的初始聚类中心,接着运行K-means聚类。算法有效性分析和实验结果验证了该算法有效优化了K-mean算法的聚类稳定性和有效性。     

基于K-means聚类算法优化方法的研究

针对传统K-means聚类中存在的一系列问题,文中提出了一种基于K-means聚类的改进算法。该算法首先利用K-means++聚类从数据中选择K个距离尽可能远的对象作为初始聚类中心,然后利用K-mediods聚类选择数据样本的中位数作为聚类中心的对象,最后与两步聚类结合。通过对几个常用UCI标准数据集进行仿真实验,结果表明该算法比传统算法更优。     

动态聚类算法在网络入侵检测中的应用

为了进一步提高网络入侵检测技术的检测率,降低误报率和漏报率.针对普通聚类算法存在的聚类结果对随机选取初始聚类中心敏感、分类结果不稳定,从而造成的检测率低、漏报和误报率高的特点.提出一种基于动态聚类算法的网络入侵检测模型,实验结果表明通过在K-均值聚类算法的基础上增加动态迭代调整聚类中心,使聚类结果更稳定更准确.与K-均值聚类等算法相比提高了网络入侵检测的性能,从而表明该算法的可行性,有效性.     

入侵检测中的混合特征选择算法研究

在开放式网络中,高维混合特征的冗余或不相容属性会降低网络入侵检测的效率.为提高入侵检测系统的响应性能,提出一种混合特征选择方法,利用粗糙集形式化描述入侵检测的特征选择,采用信息熵和平均权重分别定义数值型和字符型特征的重要度.算法产生降序特征序列,采用K-means聚类算法评估出优化特征子集.在KDD CUP99数据集上的仿真实验表明,算法有效选择特征子集并缩短了检测时间.     

一种K-MEANS算法在网络异常检测中的应用

在研究K-MEANS算法和网络入侵的基础上将一种已知聚类中心的K-MEANS聚类算法用于网络的异常检测中.该算法避免了由于传统聚类算法随机选取初始聚类中心而带来的网络异常检测中检测率低的问题.在实例中验证了该算法的可行性和优越性.结果表明该算法相对传统聚类算法在检测率方面有了很大提高,并且能通过无监督学习的方法来获得对新型攻击的检测.     

基于遗传算法的改进K-means算法

本文对K-means算法的缺点做出了一些改进,提出了一种基于遗传算法GA-K-means的算法。利用遗传算法初始化K-means的初始聚类中心点,改进后的算法解决了K-means算法容易因为初始聚类中心的选择不同而陷入局部最优解的问题。实验表明,改进后的算法聚类结果稳定且聚类效果较好。     

基于聚类粒子群算法网络异常检测模型研究

提出了一种新的基于聚类算法和遗传算法相结合的入侵检测方法模型.算法对聚类的中心采用二进制编码,将网络的正常行为和非正常行为分为不同的类,把每个点到它们之间的各自的聚类中心的欧几里得距离的综合作为相似度量,然后采用粒子群优化算法,有效的降低网络拓扑路径长度,通过优化算法来寻找聚类的中心.Matlab仿真实验结果表明,提出的改进的网络异常检测方法,与较传统网络入侵检测系统模型相比,具有更好的入侵识别率和检测率,同时提高了算法的执行效率.     

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。     

基于密度和聚类指数改进的K-means算法

传统K-means算法中,随机选择到的初始聚类中心不同会得到不一样的簇类,人工给定的k值与实际聚类数较难达到一致,针对这些问题,文中提出了基于密度和聚类指数改进的K-means聚类算法。根据密度获取高密度集HP,从此集合中选择相互之间距离最大的两对对象均值当成第一轮聚类的聚类中心,新的聚类中心可通过最大距离积法获取,并参考聚类指数确定合适的k值。通过进行实验确认了该算法有较高的准确性和有效性。     

基于遗传聚类算法的Web日志挖掘研究

K-均值聚类对初始聚类中心的选取较敏感,容易陷入局部最优.将改进的遗传算法与K-均值聚类相结合,以优化聚类中心.在种群进化过程中,父代个体均从种群中适应度高的个体中选择,同时,根据个体适应度动态调节交叉概率和变异概率,避免早熟现象.文中采用改进的遗传算法,对学院网站服务器上的Web日志进行用户和页面聚类,达到了很好的聚类效果.     

基于特征散度K-means红外图像分割遗传算法

针对红外图像中目标和背景的对比度低,边缘模糊的特点,本文提出了改进的聚类分割算法KFGA。用特征散度的内积范数作为K-means算法的距离测度,改进算法的普适性;针对K-means算法收敛的局部寻优问题,将遗传算法与K-means算法结合实现全局寻优;在种群每一次演化操作后实行一次K-means聚类,加快算法的收敛速度,在全局寻优的过程中嵌入局部寻优加快算法的收敛速度。     

A novel approach based on bio-inspired efficient clustering algorithm for large-scale heterogeneous wireless sensor networks

In large-scale heterogeneous wireless sensor networks (WSNs), clustering is particularly significant for lowering sensor nodes (SNs) energy consumption and creating algorithm more energy efficient. The selection of cluster heads (CHs) is a crucial task in the clustering method. In this paper, optimised K-means clustering algorithm and optimised K-means based modified intelligent CH selection based on BFOA for large-scale network (lar-OK-MICHB) is hybridised for CH selection process. Here, we utilised the extended capabilities of OK-MICHB algorithm for large-scale network. Furthermore, in many applications where energy is a primary constraint, such as military surveillance and natural disaster prediction, the stability region is also a significant factor, with a longer network lifespan being a primary requirement. In the proposed approach, only the CH selection is made after every round in place of cluster and CH change as done in conventional hierarchical algorithm. The simulation results reveal that, while keeping the distributive structure of WSNs, suggested lar-OKMIDEEC can locate real greater leftover energy nodes for selection of CH without utilising randomise or estimated procedures. Furthermore, as compared with the multi-level MIDEEC protocol, this offers a larger stability region with 68.96% increment, more consistent selection of CH in every round, and greater packets (i.e., in numbers) received at the base station (BS) with a longer network lifetime with 327% increment.     

一种基于反馈的K-means分簇算法研究

针对典型的LEACH分簇式路由协议分簇不均匀,簇头节点分布随机导致网络能量消耗大的情况,本文提出一种基于死亡节点数目反馈的K-means分簇算法。首先通过K-means算法划分簇的个数,选择簇的中心节点为该簇的簇头,并通过位置集中性得到集中性较大的若干个节点为主簇头群,其中最大的为主簇头,自此完成初始化。此后用一个受死亡节点数调控的自适应打分函数更新每一轮的簇头和主簇头。主簇头只用于融合并传输数据并不负责感知环境信息。仿真实验结果表明:本算法相较LEACH以及传统的基于K-means的分簇算法,在整个网络的生存时间上分别提高了35%和25%。同时证明:反馈机制的加入和主簇头的选取都有利于网络寿命的提升。      

基于遗传模拟退火的K-means聚类方法

针对传统的K-means算法对初始聚类中心的敏感很大,极易陷入局部最优值,基于遗传算法的K-means聚类算法由于个体的多样性不足而常出现早熟等现象,采用遗传模拟退火算法优化初始聚类中心点后进行K-means聚类,并提出了一种新的用于评价聚类结果的适应度函数,该函数更为准确地反映类内距离和类间距离.实验结果表明,该方法能获得更好的聚类结果.     

基于改进K-均值算法的未知雷达信号分选

针对K-均值算法需要事先确定聚类的数目,无法适用于未知雷达信号分选的问题,通过引入脉冲间欧几里德距离和距离阈值TMS2812,完成聚类数目和聚类中心的自动选取,给出一个K-均值的改进算法,改进后的算法既收敛速度快,易于工程化实现,又可自动确定聚类数目和聚类中心。仿真实验表明,该改进算法提高了K-均值算法的适用范围,能够有效适应于未知雷达信号的分选。     

基于改进的K-means的车牌字符分割

提出了一种基于改进的K-means的车牌字符分割方法。该方法首先利用均值跳变法对车牌区域进行精确定位,再利用改进的K-means算法对车牌字符进行聚类,最后根据K-means算法得到的聚类中心对车牌字符进行分割。实验结果表明,该方法能够准确地分割出车牌字符,且具有较强的抗干扰性。     

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。     

优化初始聚类中心的K-means算法

从传统K-means算法对初始中心的敏感性分析出发,提出了一种优化初始聚类中心的算法.该算法结合一种改进的遗传算法和网络中心数学模型对初始中心进行优化,有效地解决了算法对初始聚类中心的敏感性问题,取得了较好的实验结果.