|
1.
|
基于免疫遗传的K-Means聚类算法分析 被引次数：2
|
|
|
|
|
|
|
王艳华 杨建雄 徐家宁《计算机工程与设计》,2008年第29卷第13期
|
|
|
聚类算法是数据挖掘中的一个重要研究领域,在所有的聚类算法中K.Means算法应用得最为广泛.针对K-Means算法容易陷入局部最优解的缺点,提出了基于免疫遗传的K-Means聚类算法来避免这个问题.理论分析和实验表明,该算法比传统的K-Means聚类有更好的效果.
|
|
2.
|
传感器网络分布式免疫遗传聚类算法研究
|
|
|
|
|
|
|
洪月华《微电子学与计算机》,2013年第3期
|
|
|
本文研究无线传感器网络数据的聚类分析问题.针对传统 k‐means 对初始聚类中心敏感和易于陷入局部次优解的缺点,提出一种基于传感器网络的分布式免疫遗传 k‐means 聚类算法.该算法将聚类中心作为染色体,通过遗传算法来优化传统 k‐means 聚类算法的初始聚类中心,将免疫算法的选择操作引入染色体的遗传进化中,使染色体的浓度和适应度共同对其在进化中被选择产生影响,实现了染色体种群的多样性保持机制和自我调节功能,将搜索工作引向全局最优,较好地解决了 k‐means 算法的早熟现象问题.实验结果证明,本文算法改进了数据的聚类划分效果,能够把聚类结果快速收敛至全局最优,聚类准确率较高.
|
|
3.
|
基于近邻传播算法的K-means聚类优化算法
|
|
|
|
|
|
|
朱兰 张晓焱《信息技术与信息化》,2015年第2期
|
|
|
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。
|
|
4.
|
基于密度的K-Means算法及在客户细分中的应用研究 被引次数：4
|
|
|
|
|
|
|
向坚持 刘相滨 资武成《计算机工程与应用》,2008年第44卷第35期
|
|
|
针对K-Means算法所存在的问题进行了深入研究,提出了基于密度的K-Means算法(KMAD算法)。该算法采用聚类对象区域空间的密度分布方法来确定聚类个数K的值,然后用高密度区域的质心作为K-Means算法的初始聚类中心。理论分析与实验结果表明了改进算法的有效性和稳定性,并将改进的算法应用于客户细分研究中。
|
|
5.
|
K-maxmins聚类算法 被引次数：2
|
|
|
|
|
|
|
王宇《计算机工程与设计》,2004年第25卷第11期
|
|
|
在分析K-means聚类算法和K-medians聚类算法的基础上，使用Tschebyshev距离(∞-范教)对数据对象集进行聚类分析，得到聚类中心恰为数据对象集的最大值与最小值的均值这一新颖结果，并进而提出了一个新的聚类算法，即K-maxmins聚类算法。给出了K-maxrnins聚类算法与传统K-means聚类算法和K-medians聚类算法的结果比较。
|
|
6.
|
基于蚁群聚类算法的组合算法
|
|
|
|
|
|
|
温超 阳海渝 江胜飞《洛阳理工学院学报(自然科学版)》,2013年第23卷第2期
|
|
|
基于信息熵的蚁群聚类算法是一种自组织聚类算法,具备健壮性、可视化等特点,并能生成一些新的有意义的聚类模式.基于信息素的K-means算法的K值和初始聚类中心是事先给定的,而往往两者的选择可以直接影响聚类的效果和速度(K-means算法的缺点之一).因此,在基于信息熵的蚁群聚类算法的基础上,结合基于信息素的K-means算法,提出了一种聚类组合算法.
|
|
7.
|
基于模糊K均值聚类和Sarsa(λ)算法的自适应爬壁机器人路径规划
|
|
|
|
|
|
|
《计算机测量与控制》,2014年第9期
|
|
|
针对现有爬壁机器人规划算法难以实现在线自适应高效规划的问题,设计了一种基于模糊K-Means算法和经典Sarsa(λ)算法自适应爬壁机器人规划算法;首先,对爬壁机器人的动力学模型进行了建模和分析,然后,对爬壁机器人规划中的状态进行自适应聚集从而实现值函数的近似,设计了K值可变的改进模糊K均值聚类算法对状态进行自适应地在线聚类,将聚类中心对应的值函数作为整个聚类所有数据对象的值函数的近似值,最后,对基于模糊K均值聚类算法和Sarsa(λ)算法的爬壁机器人在线规划算法进行了定义和描述,在MATLAB环境下对简单障碍物场景和复杂障碍物场景分别仿真实验,实验结果表明文中方法能有效地进行路径规划,随着情节数的增加,规划结果逐渐收敛到最优值,同时在环境变化时,收敛效果不受影响,具有较好的稳定性,是一种高效地实现爬壁机器人在线规划的方法。
|
|
8.
|
一种改进的K-means算法 被引次数：22
|
|
|
|
|
|
|
张玉芳 毛嘉莉 熊忠阳《计算机应用》,2003年第23卷第8期
|
|
|
聚类分析在科研和商业应用中都有着非常重要的应用，K-means算法是聚类方法中常用的一种划分方法。随着数据量的增加，K-means算法的局限性日益突出。基于取样的划分思想，提出了一种改进的K-means算法，在一定程度上避免了聚类结果陷入局部解的现象，减少了原始K-means算法因采用误差平方和准则函数而出现将大的聚类簇分割开的情况，仿真实验结果表明：改进后的K-means算法优于原始算法，并且稳定性更好。
|
|
9.
|
改进的K-means聚类算法及应用
|
|
|
|
|
|
|
唐波《软件》,2012年第3期
|
|
|
传统的K-means算法需要事先确定初始聚类中心,聚类精确程度不高。针对以上问题,本文结合熵值法和动态规划算法来对传统的K-means算法进行改进,提出了基于熵值法及动态规划的改进K-means算法。熵值法用来修订算法的距离计算公式,以提高算法的聚类精确程度,动态规划算法用来确定算法的初始聚类中心。将改进算法应用于矿井监测传感器聚类中,结果显示较传统的K-means算法,改进算法效率有了明显提高,聚类精确程度有较大增强。
|
|
10.
|
个性化服务中的并行K-Means聚类算法 被引次数：1
|
|
|
|
|
|
|
张望 王辉《微电子学与计算机》,2007年第24卷第10期
|
|
|
K-Means聚类算法在基于Web日志的个性化服务领域得到广泛的应用,但是在处理海量数据过程中,传统的(单机)K-Means聚类算法存在着可扩展性差、效率低下、运行时间长等缺点,在充分研究传统K-Means聚类算法的基础上,发现K-Means聚类算法中蕴含的并行性,提出了一种基于用户的并行处理K-Means聚类算法,并将该并行算法应用到个性化服务中对网站用户进行聚类,有效地缩短了用户聚类的时间。
|
|
11.
|
基于模糊K-harmonic means的谱聚类算法 被引次数：1
|
|
|
|
|
|
|
汪中 刘贵全 陈恩红《智能系统学报》,2009年第4卷第2期
|
|
|
谱聚类作为一种有效的方法广泛应用于机器学习。通过分析谱聚类初始化敏感的实质，引入对初值不敏感的模糊K-harmonic means算法来克服这一缺点，提出一种基于模糊K-harmonic means的谱聚类算法（FKHM-SC）。与传统谱聚类算法以及对初值敏感的K-means、FCM算法相比，改进算法不仅可以识别有挑战性的人工数据，并且可以得到稳定的聚类中心和聚类结果，同时提高了聚类的精确度。实验结果表明了该算法的有效性和可行性。
|
|
12.
|
基于改进粒子群的K-means聚类算法
|
|
|
|
|
|
|
吴涤单《数字社区&智能家居》,2014年第6期
|
|
|
针对传统的k-means算法处理离散型数据的不足以及选取初始聚类中心的随机性等缺点,提出了一种基于改进的粒子群优化k-means算法,根据文中提供的优化算法寻找初始聚类中心后,在阀值范围内进行数据样本间的迭代更新,直至聚类中心稳定。经过实验结果验证分析表明,经过改进的粒子群优化k-means算法与传统的k-means算法相比,更具有良好的聚类收敛效果,聚类效果也相对稳定。
|
|
13.
|
k-means算法的研究与改进 被引次数：1
|
|
|
|
|
|
|
周鑫 张化祥《微计算机信息》,2008年第24卷第30期
|
|
|
本文在分析聚类划分方法的基础上,重点讨论了时k-means聚类方法的改进,针对k-means算法,提出了一种新的基于数据样本分布选取初始聚类中心的方法,提高了k-means算法的聚类准确率.
|
|
14.
|
基于免疫K-means聚类的无监督SAR图像分割
|
|
|
|
|
|
|
薄华 马缚龙 焦李成《模式识别与人工智能》,2008年第21卷第3期
|
|
|
利用图像纹理的信息熵特征,并结合空间矩阵的概念,提出一种基于免疫K-means聚类的无监督SAR图像分割算法.免疫规划的K-means聚类克服收敛结果易陷于局部极值的缺点,且保持K-means算法快速收敛的特点.信息熵的应用可有效抑制相干斑噪声的影响,空间矩阵的引入实现聚类过程中类别的自动合并.该算法执行复杂度不高,对噪声的影响有较强的鲁棒性,分割结果较好,是一种实用的SAR图像分割算法.
|
|
15.
|
基于遗传模拟退火的K-means聚类方法
|
|
|
|
|
|
|
邓森林 陈卫东《电子设计工程》,2014年第6期
|
|
|
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.
|
|
16.
|
基于多类合并的PSO-means聚类算法
|
|
|
|
|
|
|
林有城 符强 谢文斌 史马杰 童楠《计算机系统应用》,2014年第23卷第2期
|
|
|
针对传统K—means算法中对初始化聚类中心敏感，容易陷入局部极小值等缺点，提出了一种基于粒子群算法和多类合并方法的新型K-means聚类算法．该算法首先利用改进粒子群算法选取初始聚类中心，然后利用K—means算法进行优化聚类，最后根据多类合并条件进行聚类合并，以获取最佳聚类结果．实验结果证明，该算法能有效解决传统K—means算法存在的缺陷，具有更快的收敛速度及更好的全局搜索能力，聚类划分效果更优．
|
|
17.
|
一种基于SOM和K-means的文档聚类算法 被引次数：9
|
|
|
|
|
|
|
杨占华 杨燕《计算机应用研究》,2006年第23卷第5期
|
|
|
提出了一种把自组织特征映射SOM和K-means算法结合的聚类组合算法。先用SOM对文档聚类，然后以SOM的输出权值初始化K-means的聚类中心，再用K—means算法对文档聚类。实验结果表明，该聚类组合算法能改进文档聚类的性能。
|
|
18.
|
一种基于SOM和K means的文档聚类算法*
|
|
|
|
|
|
|
杨占华 杨燕《计算机应用研究》,2006年第23卷第5期
|
|
|
提出了一种把自组织特征映射SOM和Kmeans算法结合的聚类组合算法。先用SOM对文档聚类，然后以SOM的输出权值初始化Kmeans的聚类中心，再用Kmeans算法对文档聚类。实验结果表明，该聚类组合算法能改进文档聚类的性能。
|
|
19.
|
初始中心优化的K—Means聚类算法 被引次数：22
|
|
|
|
|
|
|
李飞 薛彬 黄亚楼《计算机科学》,2002年第29卷第7期
|
|
|
1.引言聚类分析(clustering)是人工智能研究的重要领域。聚类方法被广泛研究并应用于机器学习、统计分析、模式识别以及数据库数据挖掘与知识发现等不同的领域。各种聚类方法中,基于目标函数的K-Means聚类方法应用极为广泛,根据聚类结果的表达方式又可分为硬K-Means(HCM)算法、模糊K-Means算法(FCM)和概率K-Means算法(PCM)。各种K-Means算法都以确定的目标函数来测度聚类的效果,最佳的聚类效果对应于目标函数的极值点。由于目标函数局部极小值点的存在以及算法的贪心性,导致聚类结果对初始中心敏感,往往达不到全局最优。
|
|
20.
|
基于相关性加权的K-means算法
|
|
|
|
|
|
|
刘建生 吴斌 章泽煜《南方冶金学院学报》,2018年第1期
|
|
|
通过分析传统K-means聚类算法初始化随机和聚类结果难以体现对象间相关性的问题,提出了一种基于相关性加权改进的K-means算法.该算法通过引入能够反映对象间相关性程度的权衡因子皮尔逊相关性系数,利用经归一化后的相关性系数对欧式距离进行加权,对传统的K-means算法进行改进.实验结果表明:文中改进后的算法相比传统K-means算法和其它改进算法,在聚类质量上能获得更佳的聚类效果.
|
