基于改进K均值聚类的机械故障智能检测

针对传统的K均值聚类算法在机械故障检测的过程中,由于对K值的选择具有较强的主观性,最后极易得到局部最优解,而非全局最优解,降低了机械故障检测的准确性.提出一种改进K均值聚类的机械故障智能检测方法;将K均值聚类算法与粒子群算法相结合,在迭代处理的过程中,结合K均值进行优化,即将粒子群算法中的子代个体利用K均值聚类进行运算获取局部最优解,并使用这些个体继续参与迭代处理,这样能够提高算法的收敛速度,避免陷入局部最优解,获得准确的机械故障信号特征;实验结果表明,利用K均值倾斜特征提取的机械故障智能检测算法进行机械故障检测,能够有效提高故障检测的准确性,取得了令人满意的效果.     

基于粒群优化的K均值算法及其应用

针对K均值聚类算法依赖于初始值的选择,且容易收敛于局部极值的缺点,提出一种基于粒群优化的K均值算法。利用粒群优化指导K均值算法的初始值选择,使其容易收敛到全局极值。将该算法应用到入侵检测中,实验结果表明该算法聚类效果好、收敛快、容易实现。     

基于扩展K均值算法的入侵检测模型

该文提出了一个基于扩展K均值算法的入侵检测模型。首先介绍了入侵检测研究的发展概况以及K均值算法及其扩展版本。接着描述了基于扩展K均值算法的入侵检测模型。最后,通过实验仿真利用KDD Cup1999数据集对模型的效能进行了验证。     

改进的二分K均值聚类算法

K均值算法是一种常用的基于原型的聚类算法。但该算法要求用户随机选择初始质心,使得K均值算法受初始化影响较大。二分K均值算法虽然改善了这个问题,但仍然要求用户指定聚类个数,影响了聚类效果。用层次聚类对二分法进行改进,解决了二分K均值算法受用户指定的聚类个数的影响的问题。并结合Chameleon算法,合并划分过细簇,优化聚类结果。仿真实验证明改进的聚类算法的抱团性和分离性优于二分K均值聚类算法。     

基于模拟退火的K调和均值聚类算法

K均值算法是最通用的划分聚类算法,然而它有高度依赖初始值和收敛于局部最小的缺点,K调和均值算法采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,解决了K均值算法对初值敏感的问题。这样虽然解决初始值敏感问题,局部最小收敛问题仍然存在。为了获得全局最优解,提出一种新的算法：基于模拟退火算法的K调和均值聚类。该算法将一种优秀的随机搜索算法——模拟退火算法引入K调和均值聚类,来解决局部最小收敛的问题,并将改进后的算法用于IRIS数据集的聚类分析,聚类结果与K均值算法结果对比,证明了改进算法的优越性。     

基于模拟退火与K均值聚类的入侵检测算法

K均值聚类算法时初始值的选取依赖性极大,易陷入局部极值.为此,结合模拟退火算法和K均值聚类思想,提出一种新的入侵检测方案.算法利用模拟退火算法时聚类分析中的聚类准则进行优化,以获得全局最优解,并进一步开拓模拟退火算法的并行性以加快算法收敛速度.在KDD CUP 1999上进行了仿真测试,实验结果表明该方案优于基于K均值聚类的入侵检测算法,有较低的误检率与虚警率.     

基于模拟退火和半监督聚类的入侵检测方法

由于缺少监督数据,传统的基于聚类算法的入侵检测系统存在误报率高、检测率低等问题。针对这种情况,提出基于模拟退火和半监督K均值聚类的入侵检测方法。该方法首先利用少量标记入侵类型的网络数据改进聚类初始化过程,在K均值聚类算法中引入半监督学习,然后利用模拟退火算法跳出局部极值的能力与半监督K均值聚类算法结合以得到全局最优聚类,最后根据标记数据确定聚类类别,并应用于入侵行为的检测。基于KDDCUP99的对比实验表明,该方法利用监督数据和模拟退火算法改进了聚类算法,能够有效提高入侵检测的准确率。     

基于遗传算法的K均值聚类分析

传统K均值算法对初始聚类中心敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优值。针对上述问题,该文提出一种基于遗传算法的K均值聚类算法,将K均值算法的局部寻优能力与遗传算法的全局寻优能力相结合,在自适应交叉概率和变异概率的遗传算法中引入K均值操作,以克服传统K均值算法的局部性和对初始中心的敏感性,实验证明,该算法有较好的全局收敛性,聚类效果更好。     

一种用于网络入侵检测的杂交聚类算法研究

针对K均值聚类算法在全局优化中的不足，提出了基于粒子群的K均值(PSO-KM)聚类算法。粒子群优化算法作为一种基于群智能方法的演化计算技术，有很好的全局搜索能力。通过理论分析及实验证明，该算法有较好的全局收敛性，能有效地克服传统的K均值算法易陷入局部极小值的缺点。对KDD-99数据集的仿真实验结果表明，该算法在入侵检测中能获得令人满意的检测率和误检率。     

一种改进的遗传K－均值聚类算法

文章提出一种基于改进遗传算法的K－均值聚类算法。主要对算法遗传算子进行改进：交叉操作通过交换两条染色体问的聚类中心进行重组,将一次K－均值方法当作变异操作,并加入跨世代精英选择机制。通过实验证明：该算法比传统的K－均值算法具有较好的性能,同时比其他基于遗传算法的K－均值算法具有更高的效率且更适用于规模较大的数据集。     

基于微粒群优化的图像分类方法研究

论文提出了一种新的图象分类算法--基于微粒群的图象分类算法.将此算法和K均值聚类算法分别应用于MRI人脑图象的分类,并进行了比较.实验结果表明：基于微粒群的图象分类算法具有较好的全局收敛性,不仅能有效克服K均值算法易陷入局部极小值的缺点,而且全局收敛性能优于K均值算法.     

一种新的半监督入侵检测算法

针对无监督学习的入侵检测算法准确度不高、监督学习的入侵检测算法训练样本难以获取的问题,提出了一种粒子群改进的K均值半监督入侵检测算法,利用少量的标记数据生成正确样本模型来指导大量的未标记数据聚类,对聚类后仍未能标记的数据采用粒群优化的K均值聚类,有效提高分类器的分类准确性,并实现了对新类型攻击的检测。实验结果表明,算法的整体检测效果明显优于基于无监督学习和监督学习的检测算法。     

电路板图像分割的K均值聚类算法研究

对电路板的图像进行分割,可以提取电路板中的目标物,以对电路板进行检测。文章使用K均值聚类算法完成对电路板图像的分割,针对传统的K均值聚类算法的不足,提出了使用直方图波形的有效波峰个数来确定K值的大小,并通过使用一种比传统的绝对误差的表示更简洁的表达式,达到了快速分割的目的。对一些电路板图像分割的实验结果表明,文章的方法能够根据目标物的数目有效的确定K值的大小,且比传统的K均值算法减少了运算量及计算时间。     

遗传优化的K均值聚类算法①

在K均值聚类算法中,K值需事先确定且在整个聚类过程中不能改变其大小,而按照经验K值划分所得的最终聚类结果一般并非最佳结果。通过求解所构造适应度函数的值,在变异操作中实现最佳聚类数K值的自动寻优,同时借助遗传操作完成聚类中心点的优化选取并利用遗传算法的全局寻优能力克服了K均值聚类算法的局部性。通过对Iris等数据集的实验分析,证明该算法具有良好的全局收敛性,且通过K值的自动调整,有效提高了聚类结果的划分。     

基于改进K均值算法的螺丝锁附结果分类研究

为解决手机螺丝自动化锁附过程中的锁附结果检测问题,该文提出一种基于加权核K均值分类算法的改进算法。由于加权径向基核函数的K均值算法的计算速度较慢,文章将径向基核函数进行泰勒展开并取前三项进行简化,提高了计算速度。另外,采用软最大决策规则,保证每次迭代的高收敛速度和低计算复杂度。改进的算法较传统的核K均值算法在解决螺丝锁附结果分类问题上具有相同的精度但是计算速度更快。     

结合颜色和纹理的改进K均值遥感图像聚类

提出一种改进的基于遥感图像的颜色和纹理特征进行聚类的K均值算法。该算法通过统计图像色度直方图的峰值,来获得三组聚类个数和初始聚类中心,并结合色度和基于灰度共生矩阵的纹理特征形成图像聚类特征,然后进行改进的K均值聚类,最后选择silhouette均值最大的一组作为最佳聚类结果。该方法的随机性和聚类误差比传统K均值算法小,实验结果证实了该方法的可行性和有效性。     

结合蚁群算法的改进粗糙K均值聚类算法

粗糙集理论是一种处理边界对象不确定的有效方法。将粗糙集与K均值结合的粗糙K均值聚类算法,具有简单高效且可处理聚类边界元素的特点,但同时存在缺陷。针对粗糙K均值聚类算法对初始点敏感,经验权重设置忽略数据差异性,阈值设置不合理导致聚类结果波动性大的缺陷,本文提出结合蚁群算法的改进粗糙K均值聚类算法,改进的算法中使用蚁群算法中随机概率选择策略和信息素更新的正负反馈机制,以及采用动态调整算法阈值和相关权重的方法,对粗糙K均值聚类算法进行优化。最后采用UCI的Iris、Balance-scale和Wine数据集分别对算法进行实验。实验结果表明,改进后的粗糙K均值聚类算法得到的聚类结果准确率更高。     

基于动态混沌扰动的粒子群优化及其应用

针对混沌粒子群算法中存在的盲目搜索问题,提出基于动态混沌扰动的粒子群优化算法。对标准粒子群优化引入动态混沌扰动,在最优值改变时进行较小扰动,在多次不变时进行动态扰动范围的混沌扰动,减少混沌粒子群算法中存在的盲目搜索,提高搜索速度和效率,使有限的时间用在最有效的搜索上。将该算法应用到K均值算法中,可以克服K均值算法的局部最优和对初值和孤立点敏感的缺点,使K均值算法得到全局最优解。通过仿真实验证实该算法的高效性和稳定性。     

基于人工蜂群优化的K均值聚类算法

为了改善K均值聚类算法对初始聚类中心敏感和易于陷入局部最优的不足,提出人工蜂群算法和K均值聚类算法相结合的想法,即基于人工蜂群优化的K均值聚类算法。通过全局寻优能力强的人工蜂群算法初始化K均值的聚类中心并优化聚类中心的位置,从而帮助K均值跳出局部极值,优化聚类效果。将混合聚类算法用Iris、Red Wine和New Red Wine数据集做聚类测试,结果表明该算法既克服了原始K均值聚类算法容易受初始聚类中心影响和不稳定的缺点,又具有良好的性能和聚类效果。     

一种基于改进K均值算法的跳频信号分选方法

为了在估计聚类数目的同时避免收敛到局部极小值,提出了一种改进的初始聚类中心选取算法。该算法通过形态学处理搜索统计直方图的峰值,根据合并门限正确估计聚类中心的数目和初始位置。将其与传统的K均值算法相结合,可用于跳频信号分选。实验结果表明,与其他K均值算法相比,该改进K均值算法能够以很高的正确率分选跳频信号。