一种增强的基于GCA的入侵检测方法

增强的基于GCA（Gravity-based clustering approach）的入侵检测方法是先对训练集采用GCA进行聚类,然后依据凝聚层次聚类算法的思想,以簇间的差异度和整体相似度作为聚类质量评价标准对GCA聚类产生的簇进行一些合并,合并后能使簇中心更集中,簇内对象更紧密。再根据标记算法标记出哪些簇属于正常簇,哪些属于异常簇,最后用检测算法对测试集数据进行检测。实验表明该方法对未知攻击的检测能力有所增强,特别是能有效降低误报率。     

PAC:一种结合了分割和凝聚技术的聚类方法

文档的自动聚类技术被普遍认为是一种行之有效的网上信息资源管理方法。目前主要存在两种类型的聚类方法：分割型和凝聚型,它们在计算复杂度和聚类效果上各有千秋。该文提出了一种结合了这两种聚类技术的聚类法：PAC。实验结果表明,PAC具有较低的计算复杂度,且聚类结果优于传统的分割型和凝聚型方法。     

一种高维混合属性数据聚类算法

在许多应用中,很多数据集都具有数值型和分类型数据的混合特征,k-prototype是针对这类数据聚类的经典方法之一,该方法是一种基于k-means和k-mode的聚类方法。在研究了现有的混合属性数据聚类方法之后,引入了一种新算法用于混合型数据聚类,不仅改进了prototype的选取方法,而且提出了一种新的针对混合型数据的相似度度量方式,基于此又提出了一种不同于k-prototype的数据到prototype的分配方式,采用类似层次聚类中凝聚聚类的思想进行聚类,通过在四个真实的混合型数据集上测试发现：与传统算法相比,算法提高了聚类的精度和稳定性。     

面向混合属性的高效聚类算法研究

将夹角余弦的概念推广到混合属性的数据，提出了一种基于相似度的聚类方法CABMS，同时给出了一种计算聚类阈值的简单有效的策略。有关CABMS数据库的大小，属性个数具有近似线性时间复杂度，使得聚类方法CABMS具有好的扩展性。实验结果表明，CABMS可产生高质量的聚类结果。     

基于SSKM算法的遥感图像半监督聚类

半监督聚类是近几年提出的一种新的聚类方法,具有良好的聚类性能,但是,它们绝大多数都需要有完整的先验信息,即对于所有的样本类别,都需要有至少一个标签数据。本文提出了一种基于不完整信息的遥感图像半监督聚类方法——SSKM聚类算法,算法利用部分样本类别的先验信息,辅助遥感图像聚类。实验表明,相比于传统的K均值聚类,该算法能够有效地改善遥感图像的聚类效果。     

基于本体的语义网络会话聚类和可视化方法

提出一种基于本体的网络会话表示方法,即语义会话,和一种会话聚类和可视化方法。会话聚类方面基于用户浏览网站的公共路径提出一种语义会话间的相似性度量——语义公共路径相似性度量(SMSCP),并且使用改进的kmedoids聚类算法衡量其有效性。在聚类结果可视化方面应用层云表来展示聚类结果。实验表明文中的聚类方法和可视化方法具有更好的有效性及可理解性。     

点密度加权FCM算法的聚类有效性研究

模糊C-均值(FCM)算法是一种非监督的模式识别方法。由于该算法具有对数据集进行等划分的趋势,影响其聚类精度。利用数据点的密度大小作为权值,借助数据本身的分布特性,提出了一种点密度加权模糊C-均值算法。该方法不仅在一定程度上克服了FCM算法的缺陷,而且具有良好的收敛性。当以聚类已知的少量数据点作为监督信息指导聚类,聚类效果进一步改善。并用聚类有效性函数对算法的聚类有效性进行了评价,从而为算法的聚类性能提供了理论依据。     

分组选择聚类融合算法

针对聚类融合算法可能出现信息失真等问题,提出一种新的聚类融合算法.该算法兼顾聚类质量与成员多样性,采用一种新的相似性度量,并依据度量结果先对聚类成员进行剪辑操作,再分组、选择,最后根据每个聚类成员对于各类别的贡献设计了一种新的加权函数.与其他方法相比,该方法具有较好的稳定性和精确性.     

基于Ant-Tree聚类算法的图像分割

图像分割可以看作对具有不同特征的像素进行聚类的过程。综合考虑像素的灰度、梯度及邻域等特征,将Ant-Tree聚类算法引入图像分割中。针对Ant-Tree算法的聚类结果信息冗余的缺点,采用了一种改进的树结构模型来提高聚类速度。此外,还提出了一种新的初始化方法,结合K-means算法动态修正聚类中心,提高了聚类准确度和算法的鲁棒性。实验结果证明改进的Ant-Tree算法可以快速准确地分割出目标,是一种非常有效的图像分割方法。     

用于文本聚类的模糊谱聚类算法

谱聚类方法的应用已经开始从图像分割领域扩展到文本挖掘领域中,并取得了一定的成果。在自动确定聚类数目的基础上,结合模糊理论与谱聚类算法,提出了一种应用在多文本聚类中的模糊聚类算法,该算法主要描述了如何实现单个文本同时属于多个文本类的模糊谱聚类方法。实验仿真结果表明该算法具有很好的聚类效果。     

利用广义细胞自动机实现的智能数据聚类

现有的数据聚类方法仍存在着各种不足,聚类速度和结果的质量不能满足大型、高维数据库上的聚类需求。本文提出了一种新的基于广义细胞自动机的数据聚类算法,利用细胞自动机的自组织能力对数据进行聚类分析。聚类结果的质量不受聚类大小和聚类形状的影响,可以通过随机抽样应用于大数据集。文章在细胞结构及细胞动力学规则中引入了细胞核的概念,让细胞自动机利用自身的演化找出数据中的聚类信息。文章通过分析证明了本文方法的有效性,并通过模拟软件对算法性能进行了详细的实验,证明了算法的实用性和高效性。     

A new data clustering approach: Generalized cellular automata

This paper is devoted to a novel stochastic generalized cellular automata (GCA) for self-organizing data clustering in enterprise computing. The GCA transforms the data clustering process into a stochastic process over the configuration space on a GCA array. The GCA-based approach to data clustering has many advantages in terms of the real-time performance and the ability to effectively deal with a variety of data sets, including noise data, dynamical data, multi-type and multi-distribution data, high-dimensional and large-scale data set. The GCA clustering approach also has the learning ability, and the better feasibility for hardware implementation with VLSI systolic technology. The simulations and comparisons have shown the effectiveness of the proposed GCA for the data clustering in enterprise computing.     

A genetic cluster algorithm for the machine-component grouping problem

This research presents the usage of a genetic algorithm for the clustering of parts and machines. A detailed analysis is shown comparing GCA results with single link cluster analysis, rank order clustering, and the direct clustering algorithm. GCA was also compared with several additional cell formation heuristics described in the recent literature, including GRAPHICS, MODROC, and a cost-based heuristic. Results showed that the GCA was far superior over single link cluster analysis and provided equivalent results to those of the direct clustering algorithm and rank order clustering. GCA was also found to provide superior results to the other heuristics. The discussion explains these findings by illustrating the inflexibility of traditional cell formation heuristics in the selection of final machine-component groupings.     

一种新的基于广义细胞自动机的网络快速包交换优化方法

实时优化求解快速包交换问题(FPS)是提高网络性能的重要手段．基于梯度下降法等数学规划方法，不能并行地实时地优化求解FPS问题，而基于Hopfield型神经网络和细胞神经网络的优化方法中，都只有单一粒度的细胞动力学方程和单一粒度细胞之间的相互作用，不仅收敛到平衡点的过程长，而且神经网络参数的选择和修正十分困难．该文提出一种新的具有多粒度宏细胞的广义细胞自动机模型和方法，广义细胞自动机中的小粒度宏细胞聚合成可以独立演化的大粒度宏细胞，通过多粒度群体的不同程度群体智能的相互作用，能够比目前其他方法更快更有效地分布并行地优化求解FPS问题和其它类似的复杂的网络优化问题．     

词共现网络的遗传聚类在话题发现中的应用

基于词聚类的话题发现方法中,普遍存在聚类结果不稳定（聚类结果较大程度依赖于聚类对象的初始化操作）的问题,为此通过将文档集建模为词共现网络,设计词共现网络的过滤方法,然后提出基于词共现网络的遗传聚类算法,实现从网络文档中提取热点话题。与已有方法相比,该方法所发现的话题相对稳定,这在实验中亦得到了验证,因而该方法在实际应用中具有更好的现实意义。     

广义细胞自动机的结构及其硬件实现

该文作者曾提出了广义细胞自动机(GCA)的原理和并行算法．并且应用于网络快速包交换等动态优化问题．该文进一步讨论了这种新的广义细胞自动机的体系结构、算法的硬件实现及其电路设计。它们对于GCA的实际应用有重要意义．GCA结构不同于Hopfield神经网络(HNN)和细胞神经网络(CNN)，GCA由多层次多粒度宏细胞组成塔形结构．它具有多粒度的宏细胞动力学特征．相同粒度宏细胞之间没有交互，但不同粒度宏细胞之间存在一定程度的交互或反馈．分析和实验表明．在问题求解的优化性、实时性、硬件实现复杂性等方面．该文给出的GCA结构和硬件实现．与HNN和CNN相比有诸多优点．     

Adaptive evolutionary clustering

In many practical applications of clustering, the objects to be clustered evolve over time, and a clustering result is desired at each time step. In such applications, evolutionary clustering typically outperforms traditional static clustering by producing clustering results that reflect long-term trends while being robust to short-term variations. Several evolutionary clustering algorithms have recently been proposed, often by adding a temporal smoothness penalty to the cost function of a static clustering method. In this paper, we introduce a different approach to evolutionary clustering by accurately tracking the time-varying proximities between objects followed by static clustering. We present an evolutionary clustering framework that adaptively estimates the optimal smoothing parameter using shrinkage estimation, a statistical approach that improves a naïve estimate using additional information. The proposed framework can be used to extend a variety of static clustering algorithms, including hierarchical, k-means, and spectral clustering, into evolutionary clustering algorithms. Experiments on synthetic and real data sets indicate that the proposed framework outperforms static clustering and existing evolutionary clustering algorithms in many scenarios.     

一种基于增量式谱聚类的动态社区自适应发现算法

针对当前复杂网络动态社区发现的热点问题, 提出一种面向静态网络社区发现的链接相关线性谱聚类算法, 并在此基础上提出一种基于增量式谱聚类的动态社区自适应发现算法. 动态社区发现算法引入归一化图形拉普拉斯矩阵呈现复杂网络节点之间的关 系,采用拉普拉斯本征映射将节点投影到k维欧式空间.为解决离群节点影响谱聚类的效果和启发式确定复杂网络社区数量的问题, 利用提出的链接相关线性谱聚类算法发现初始时间片的社区结构, 使发现社区的过程能够以较低的时间开销自适应地挖掘复杂网络社区结构. 此后, 对于后续相邻的时间片, 提出的增量式谱聚类算法以前一时间片聚类获得的社区特征为基础, 通过调整链接相关线性谱聚类算法实现对后一时间片的增量聚类, 以达到自适应地发现复杂网络动态社区的目的. 在多个数据集的实验表明, 提出的链接相关线性谱聚类算法能够有效地检测出复杂网络中的社区结构以及基于 增量式谱聚类的动态社区自适应发现算法能够有效地挖掘网络中动态社区的演化过程.     

一种基于Markov链模型的动态聚类方法

对单变量时间序列的聚类，是一类有着广泛应用背景的特殊的聚类问题。由于该问题的特殊性，现有的聚类方法无法直接使用，故提出了一种新的基于Markov链模型的动态聚类方法。该方法首先对每一个时间序列建立一个描述其动态特征的Markov链模型，从而把对时间序列的聚类问题转化为对Markov链模型的聚类问题。然后通过定义各个Markov链之间的“距离”，采用动态聚类算法完成对这些Markov链模型的聚类，使用该方法，分别对一经真实数据和仿真数据进行了聚类试验，都获得了比较好的聚类结果。