基于约束的混合属性增量聚类算法

为解决大规模数据集聚类过程中内存容量受限问题,提出了一种基于聚类个数约束的快速聚类算法,只需扫描一趟原始数据集,半径阈值随聚类过程动态变化;同时定义了一种包含分类属性取值频率信息的类间差异性度量,可用于混合属性数据集,时间复杂度与空间复杂度同数据集大小,属性个数近似成线性关系.在KDDCUP99数据集上的实验结果表明,提出的算法输入参数少,具有良好的聚类特性,可用于大规模数据集.     

一种基于遗传聚类的报警聚合方法

提出了一种基于遗传聚类算法对入侵检测系统（IDS）报警进行聚合的方法。将报警间属性的相异程度转换到值域区间[0.0,1.0]上,两报警间的相异程度用一个相异度矩阵表示;利用遗传算法的自适应优化特性选取较优的聚类中心,根据报警间的相异度矩阵将相似的报警进行聚类;在此基础上,分别对每一类中的报警采用凝聚层次的聚合方法进行聚合。实验结果证明,该方法能够有效地减少重复报警。     

基于相异度矩阵的混合属性数据流聚类算法

数据流的聚类是数据流挖掘的一个重要问题。提出一种针对混合属性的数据流聚类算法,它采用相异度来代替普通的聚类距离,并将等价相异度矩阵引入聚类过程。基于真实数据集的实验表明该算法比基地同类算法具有更好的聚类性能。     

基于新相异度量的模糊K-Modes聚类算法

提出了一种基于新相异度量的模糊K-Modes算法。该算法假定不同属性对聚类结果有不同程度的影响,定义了新的属性值函数,以基于划分相似度的聚类精确度作为聚类结果的评价准则。通过真实数据的实验结果表明,新的基于相异度量的模糊K-Modes算法比传统的模糊K-Modes算法有更好的聚类效果。     

The analysis and applications of adaptive-binning color histograms

Histograms are commonly used in content-based image retrieval systems to represent the distributions of colors in images. It is a common understanding that histograms that adapt to images can represent their color distributions more efficiently than do histograms with fixed binnings. However, existing systems almost exclusively adopt fixed-binning histograms because, among existing well-known dissimilarity measures, only the computationally expensive Earth Mover’s Distance (EMD) can compare histograms with different binnings. This paper addresses the issue by defining a new dissimilarity measure that is more reliable than the Euclidean distance and yet computationally less expensive than EMD. Moreover, a mathematically sound definition of mean histogram can be defined for histogram clustering applications. Extensive test results show that adaptive histograms produce the best overall performance, in terms of good accuracy, small number of bins, no empty bin, and efficient computation, compared to existing methods for histogram retrieval, classification, and clustering tasks.     

一种网格资源的语义相关性表示方法

网格技术是高性能计算机研究的热点。网格资源的表示是网格研究的重要部分。针对不同的网格资源，提出了一种二元变量法。以二元变量法为基础，通过计算网格资源之间的相似度和相异度来刻画不同网格资源之间的相关性，并且通过阀值来进一步对网格资源进行聚类。最后讨论该方法在网格中的具体应用。     

聚类方法在图像识别中的应用

文中将聚类方法应用于图像识别系统中。由于光照、几何形变、摄像头角度等原因，在对拍摄得到的图像进行模板匹配的过程中发现图形的几何中心不唯一。为了解决这一问题，利用改进的聚类方法，对匹配中心进行聚类，从而得到图形唯一的几何中心。     

The residential location of recently arrived Bosnian, Afghan and Iraqi refugees and humanitarian entrants in Sydney, Australia

A survey of Bosnian, Afghan and Iraqi humanitarian entrants to Australia showed that the location of public accommodation and of sponsors crucially determined initial and secondary migration locations and reinforced the concentration of non-English speakers in certain areas. The lack of access to priority public housing causes severe housing stress for such emerging communities.     

一种新的基于记忆的归纳学习算法

一种新的基于记忆的归纳学习算法王正欧，林燕（天津大学系统工程研究所天津３０００７２）关键词基于记忆的推理，归纳学习，不相似量度，分类树．１引言归纳学习是一种研究得较多的机器学习算法，其中Ｍｉｃｈａｌｓｋｉ的方法［１］是有代表性的．但正如文［２］中指出...     

基于层次与划分方法的聚类算法研究

针对在层次聚类算法中,一个分裂或合并被执行,就不能修正,其聚类质量受到限制的缺陷,提出了利用簇间相异度及基于信息熵或整体相似度的聚类质量评价标准,在簇分裂过程中动态的进行簇的合并与分裂的算法。仿真实验结果证明,该算法具有使结果簇更紧凑和独立的效果,具有更好的聚类质量。