基于Nyström密度值逼近的减法聚类

针对大规模数据集减法聚类时间复杂度高的问题,提出一种基于Nyström密度值逼近的减法聚类方法。特别适用于大规模数据集的减法聚类问题,可极大程度降低减法聚类的时间复杂度。基于Nyström逼近理论,结合经典减法聚类样本密度值计算的特点,巧妙地将Nyström理论用于减法聚类未采样样本之间密度权值矩阵的逼近,从而实现了对所有样本的密度值逼近,最后沿用经典减法聚类修正样本密度值的方法,实现整个减法聚类过程。将本文算法在人工数据、标准彩色图像及UCI数据集上进行了实验,详细说明了本文算法利用少数采样样本逼近多数未采样样本密度权值、密度值以及进行减法聚类的详细过程,并给出了聚类准确率、耗时及算法性能加速比。实验结果表明,与经典的减法聚类相比,本文算法在不影响聚类结果的情况下,对于较大规模数据集,可显著降低减法聚类的时间复杂度,极大程度地提高减法聚类的实时性能。     

一种选取初始聚类中心的方法

对k平均值聚类法中初始聚类中心的选取问题进行了深入研究,给出了一个较好的聚类中心选取算法。该算法也可以用于需要确定初始中心的其它聚类算法。实验结果表明该算法的效果较好。     

一种快速山峰聚类算法*

山峰聚类既可以对数据集进行近似聚类,又可以为其他聚类方法提供聚类所需的初始聚类中心。减法聚类是山峰聚类的改进,它避免了山峰聚类中出现的计算量随样本维数增加呈指数增长的情况。但减法聚类对处理大样本集也力不从心。引入了P-tree数据结构,对高维大样本集进行分解,然后用减法聚类对子样本集进行聚类。此算法既避免了山峰聚类的维数灾难问题,也解决了减法聚类中样本数太大的问题。实验结果证明,该算法有效地减少了运算量,提高了聚类的速度。     

基于Nystr(o)m密度值逼近的减法聚类

针对大规模数据集减法聚类时间复杂度高的问题,提出一种基于Nyst(o)m密度值逼近的减法聚类方法.特别适用于大规模数据集的减法聚类问题,可极大程度降低减法聚类的时间复杂度.基于Nystr(o)m逼近理论,结合经典减法聚类样本密度值计算的特点,巧妙地将Nystr(o)m理论用于减法聚类未采样样本之间密度权值矩阵的逼近,从而实现了对所有样本的密度值逼近,最后沿用经典减法聚类修正样本密度值的方法,实现整个减法聚类过程.将本文算法在人工数据、标准彩色图像及UCI数据集上进行了实验,详细说明了本文算法利用少数采样样本逼近多数未采样样本密度权值、密度值以及进行减法聚类的详细过程,并给出了聚类准确率、耗时及算法性能加速比.实验结果表明,与经典的减法聚类相比,本文算法在不影响聚类结果的情况下,对于较大规模数据集,可显著降低减法聚类的时间复杂度,极大程度地提高减法聚类的实时性能.     

一种核模糊聚类的改进及其在育肥猪出栏中的应用

核模糊聚类算法不适用于含孤立点与噪声点的数据,并且对初始化中心敏感。针对此种情况,结合减法聚类,对样本加权,放宽隶属度归一化条件,提出基于减法聚类的加权核模糊聚类。通过IRIS和WINE数据集证实改进算法比传统的核聚类算法具有更高的健壮性与抗噪性,并将改进后的算法运用在育肥猪出栏中,验证了算法的实用性与可行性。     

一种新型基于样本空间密度的改进聚类算法

在减法聚类中一般只采用固定聚类半径训练聚类的做法,这样就可能得到过多或过少的聚类中心。为了提高聚类结果的最优性,从数据样本空间密度疏密程度考虑出发,改进了减法聚类算法,不仅改善了原来聚类半径只能固定的做法,而且适应于聚类大小不同时的数据聚类,使得调节参数更少,并结合模糊C-均值(FCM)聚类可以获得更为合理和准确的聚类个数和聚类中心,在一定程度上拓展了聚类算法的适用性。最后通过仿真证明了改进算法的有效性。     

一种基于遗传算法的减法聚类方法

传统减法聚类的性能依靠山峰函数中参数的选择,只有合适的参数才能使减法聚类产生较好的效果.因此,本文提出一种基于遗传算法的减法聚类方法.首先,提出一种改进的减法聚类算法.其次,利用遗传算法优化改进算法中的参数.最后,采用3个人工数据集和2个真实数据集进行实验,实验结果表明本文方法是一种行之有效的聚类算法.     

基于减法聚类和快速紧密性函数的SF-FCM

首先结合减法聚类和模糊C-均值聚类各自的优点,运用减法聚类自适应地确定模糊C-均值聚类（FCM）的初始聚类数;然后,提出了改进的紧密性函数,以此改进用于确定FCM聚类结构的有效性函数.改进后的紧密性函数将对聚类结果贡献不大的数据予以剔除,使得算法适应能力更强,执行速度更快.实验结果表明,该快速紧密性函数是有效的,而且计算速度更快.     

融合减法聚类与C-均值聚类的目标定位方法

视频运动目标的检测与定位是视频监控系统的主要技术之一。针对现有视频监控系统目标定位过程在目标被浅度遮挡或存在噪声时定位不准确的问题,提出了一种新的视频运动目标定位方法。采用减法聚类、聚类有效性函数与加权模糊C-均值聚类方法相结合。首先利用减法聚类,获得初始聚类中心,再通过加权模糊C-均值聚类算法对视频运动进行目标定位,避免了算法陷入局部最优而获取了全局最优。然后引入聚类有效性函数,获得视频序列中目标的最佳个数。仿真结果表明,改进方法对存在噪声或野点的情况具有较好的鲁棒性,并可以在不需要人为给定待检测图像目标个数的情况下,对存在浅度遮挡区域的目标进行准确定位。     

覆盖聚类算法的应用研究

聚类算法是数据挖掘的核心技术。介绍了几类主要的传统聚类算法,给出了每类算法的基本概念、基本原理、各类表示聚类的算法以及这些算法的特征。然后再提出了一种新的聚类算法———覆盖聚类算法,给出了该算法的具体步骤,并对模糊聚类算法和该算法用实验的方式进行比较,证明了覆盖聚类算法的可行性和有效性。最后分析了当前聚类算法存在的问题和发展方向。     

基于减聚类的遗传模糊的协同过滤算法研究

通过对传统协同过滤算法中存在的问题以及解决情况进行分析,论文采用了一种混合减聚类的遗传模糊聚类的协同过滤推荐算法,利用混合减聚类的模糊聚类可以更有效地对数据进行柔性划分,更好地发挥遗传算法的全局搜索能力,加快收敛速度,同时也能够很好地解决数据稀疏性带来的冷启动问题.     

基于改进FCM聚类算法的违禁品分类

针对被动毫米波(PMMW)图像成像质量差,边界模糊,不易识别的特点,在传统词袋模型图像分类的基础上,提出了利用减法聚类改进FCM聚类算法并将其运用到词袋模型上去,提取视觉单词,利用局部不变量SIFT方法对手枪、匕首和炸药进行了粗分类.实验结果证明,改进的词袋模型能够准确的对违禁品进行分类,识别率平均能达到90%以上,性能优于传统的K均值聚类和原始的FCM聚类算法.     

快速模糊C均值聚类彩色图像分割方法

模糊C均值(FCM)聚类用于彩色图像分割具有简单直观、易于实现的特点，但存在聚类性能受中心点初始化影响且计算量大等问题，为此，提出了一种快速模糊聚类方法(FFCM)。这种方法利用分层减法聚类把图像数据分成一定数量的色彩相近的子集，一方面，子集中心用于初始化聚类中心点；另一方面，利用子集中心点和分布密度进行模糊聚类，由于聚类样本数量显著减少以及分层减法聚类计算量小，故可以大幅提高模糊C均值算法的计算速度，进而可以利用聚类有效性分析指标快速确定聚类数目。实验表明，这种方法不需事先确定聚类数目并且在优化聚类性能不变的前提下，可以使模糊聚类的速度得到明显提高，实现彩色图像的快速分割。     

减法聚类-ANFIS在网络故障诊断的应用研究

提出了一种基于减法聚类-自适应模糊神经网络（ANFIS）的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统,ANFIS建立网络故障诊断原始模型,应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真实验表明基于减法聚类-ANFIS的建模方法是有效的;通过仿真结果比较,减法聚类-ANFIS的网络故障诊断能力及收敛速度均优于BP神经网络,更适合作为网络故障诊断模型。     

无线传感器网络中基于减法聚类的定位算法

定位算法是无线传感器网络中的关键技术。文中在传统的Dv—Hop算法的基础上,找出其产生误差的主要原因,即对未知节点与锚节点之间的估计距离做出了修正,提出一种无线传感器网络中基于减法聚类的定位算法。该算法用减法聚类的方法,根据节点自身的密度,选出锚簇头节点,使锚簇头节点在锚节点密集处产生;同时用所有锚簇头节点平均每跳距离的均值作为未知节点的网络平均每跳距离,提高了定位精度,减少了定位过程中的能量消耗。仿真实验表明,该算法比Dv—Hop算法有更好的定位精度和鲁棒性。     

基于减法聚类的网格霍夫变换

为了解决网格霍夫变换因人工设置投票参数不当造成的直线漏检和形成伪直线的问题,提出一种基于减法聚类的无投票参数的网格霍夫变换。首先采用两阶段单调扫描方法提取尽量长的直线单元,然后利用直线单元在数量上长的少、短的多的特点自动确定参与投票的直线单元集合,最后利用减法聚类实现直线单元的容错投票。实验结果表明该算法不但执行速度快,而且无需人工设置投票参数,配合减法聚类的容错投票,较好地避免了因人工设置投票参数不当造成的直线漏检和形成伪直线的问题。     

基于减法聚类的多模型在线辨识算法

考虑到实际工业过程中复杂系统的工况变化往往具有不确定性的特点, 离线辨识的多模型系统难以自适应反映系统的非线性, 因此本文提出一种新的基于减法聚类的多模型在线辨识算法. 首先采用在线聚类算法辨识多模型系统中的局部模型个数与工况参数, 然后充分考虑聚类发生变化对局部模型参数辨识的影响, 给出相应的局部模型参数在线辨识算法. 最后以某电厂300MW锅炉--汽轮机的协调控制系统为对象, 采用上述辨识方法进行仿真研究, 结果验证了本文算法的有效性.     

一种改进的带障碍的基于密度和网格的聚类算法

提出了一个改进的带障碍的网格弥散聚类算法DCellO1:以网格为基础,将基于密度的聚类算法与图形学种子填充算法相结合。该算法能进行任意形状的带障碍聚类,并且在对象分布不均匀时也能获得较好的聚类结果。实验证明了该算法的有效性与优越性。     

新的K-均值算法最佳聚类数确定方法

K-均值聚类算法是以确定的类数k和随机选定的初始聚类中心为前提对数据集进行聚类的。通常聚类数k事先无法确定,随机选定的初始聚类中心容易使聚类结果不稳定。提出了一种新的确定K-均值聚类算法的最佳聚类数方法,通过设定AP算法的参数,将AP算法产生的聚类数作为聚类数搜索范围的上界kmax,并通过选择合适的有效性指标Silhouette指标,以及基于最大最小距离算法思想设定初始聚类中心,分析聚类效果,确定最佳聚类数。仿真实验和分析验证了以上算法方案的可行性。     

基于模糊C均值改进算法和ANFIS的蓄电池SOC预测

蓄电池剩余电量预测作为蓄电池智能管理系统的核心部分,为合理控制蓄电池的充放电情况、延长蓄电池的使用寿命提供了判据。然而蓄电池剩余电量的影响因素复杂、预测难度较大。针对这一挑战性课题,提出一种基于改进的模糊C均值聚类和自适应模糊神经推理系统(ANFIS)的预测算法,采用减法聚类和加权模糊C均值聚类生成初始模糊推理系统,通过梯度下降法和最小二乘法混合算法对自适应模糊神经网络中的前件参数和后件参数进行训练,建立非线性预测模型。仿真结果表明,改进的聚类算法解决了传统模糊C均值聚类稳定性差以及对噪声点、错误点敏感的缺点,加快了收敛速度,在此基础上建立的蓄电池剩余电量预测模型也具有较高的预测精度。