基于模糊聚类的高维划分策略研究

数据集的划分策略是影响高维数据库索引性能的一个关键因素。金字塔技术是一种较好的高维索引方法，但它只对均匀分布的数据集具有良好的性能。为此，提出了一种改进的基于模糊聚类的金字塔技术，并将其用于高维划分策略，先对数据集进行模糊聚类处理，然后针对每个聚类进行金字塔划分，从而较好地实现了对非均匀分布数据的高维划分。     

具有输入知识的高维数据聚类算法研究

针对目前聚类算法没有充分地利用输入知识，不便于知识的学习和增长的情形，提出在高维数据集的情况下，恰当地利用输入知识可以更准确有效地发现聚类，提出聚类的相关维集的概念，分析输入知识的特点，对带有输入知识的高维聚类算法进行研究，指导聚类的学习过程。     

子空间聚类在入侵检测中的应用

在高维数据聚类中,受维度效应的影响,现有的算法聚类效果不佳。在分析现有软子空间聚类算法不足的基础上,引入子空间差异的概念,结合簇内紧凑度的信息来设计新的目标优化函数,提出了一种新的k-means型软子空间聚类算海针对目前入侵检测实时性和准确性的要求,将离群点扫描技术嵌入新算法中。在KDDCup1999数据集上的试验表明,该算法能进行高效的特征选择,提高入侵检测的检测精度。     

动态免疫优化算法及其在背包问题中的应用

利用人工免疫系统的学习、记忆、识别等功能,提出一种动态免疫优化算法(DIOA),用于解决一类高维动态约束优化问题.其中对可行抗体进行克隆突变操作,非可行抗体按价值密度使用贪婪算法进行修正,环境识别模块借助记忆细胞产生新的环境初始群,从而加快算法收敛速度.利用DIOA求解不同环境下的高维背包问题,结果表明,与同类算法相比...     

子空间可能性聚类机制研究

可能性C-均值(PCM)聚类作为经典的基于原型的聚类方法,在处理高维数据集时性能骤降,无法检测出高维空间中嵌入的有效子空间。针对此不足,在PCM基础上引入子空间聚类机制,提出子空间可能性聚类算法SPC。该方法保留了PCM方法的优点,且对高维数据具有较好的适应性,能够有效检测各类所处的子空间。仿真实验验证了SPC算法的有效性。     

求解高维多模优化问题的正交小生境自适应差分演化算法

针对传统优化算法在求解高维多模态优化问题时存在收敛速度慢、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

基于共享策略的k-支配轮廓体的求解算法

现有的k-支配轮廓算法虽然可以对给定的高维数据集计算出不同k(k≤d)值对应的k-支配轮廓,但是,由于不能共享计算结果,会导致很多冗余操作.提出k-支配轮廓体的概念,即所有的k(k≤d)值对应的k-支配轮廓的集合,在此基础上,提出两种基于共享策略的k-支配轮廓体算法——由下列上算法(BTA)和由上到下算法(TBA).理论分析和实验验证表明,所提算法可有效的减少冗余操作.     

基于向量投影的KNN文本分类算法

针对KNN算法分类时间过长的缺点,分析了提高分类效率的方法.在KNN算法基础上,结合向量投影理论以及iDistance索引结构,提出了一种改进的KNN算法--PKNN.该算法通过比较待分类样本和训练样本的一维投影距离,获得最有可能的临近样本点,减小了参与计算的训练样本数,因此可以减少每次分类的计算量.实验结果表明,PKNN算法可以明显提高KNN算法的效率,PKNN算法的原理决定其适合大容量高维文本分类.     

高维映射的Hopf分叉分析及其在冲击振动系统中的应用

应用中心流形范式方法研究了高维映射方程在非共振和弱共振情况下的 Ｈｏｐｆ 分叉问题,计算了中心流形,给出了映射的降维过程和简化方程,将 Ｒ２ 映射的 Ｈｏｐｆ分叉理论推广到了高维映射。应用该方法分析了一类两自由度冲击振动系统周期运动 Ｈｏｐｆ 分叉的存在性,并用数值方法得到了该冲击系统的拟周期响应及其向混沌的演化过程     

一种求解高维数据最佳鉴别向量的新算法

针对线性鉴别分析LDA(Linear Discriminant Analysis)方法在高维人脸图像识别领域的应用,提出一种计算最佳鉴别向量的新算法,无需对高维图像数据进行降维预处理,直接计算最佳鉴别向量。算法得到的鉴别向量相互正交,与已有的算法得到的鉴别向量相比,具有更好鉴别性能。在ORL和VALID人脸数据库上的实验结果证明了本算法的有效性。