两种聚类算法的比较与实现

基于统计的系统聚类分析是一种重要的数据挖掘算法。研究了一种多重系统聚类模型及其算法实现,把变量聚类和样本聚类相结合,并使用了两种方法赋值样本数据阵,使聚类结果更加直观。     

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。     

一种基于抽样的大规模混合数据聚类集成算法

混合数据聚类是聚类分析中一个重要的问题。现有的混合数据聚类算法主要是在全体样本的相似性度量的基础上进行聚类,因此对大规模数据进行聚类时,算法效率不高。基于此,设计了一种新的抽样策略,在此基础上,提出了一种基于抽样的大规模混合数据聚类集成算法。该算法对利用新的抽样策略得到的多个样本子集分别进行聚类,并将结果集成得到最终聚类结果。实验证明,与改进的K-prototypes算法相比,该算法的效率有了显著提高,同时聚类有效性指标基本相同。     

基于高斯混合聚类采样的不平衡数据处理方法

在处理不平衡数据时，为有效剔除多数样本内的冗余信息和合成有价值的少数样本，提出一种基于高斯混合模型的采样算法(MSGMM)。将多数类和少数类样本分别聚类，最佳聚类个数通过迭代确定。在迭代时，先初步选择聚类个数并用高斯混合模型聚类。对于多数样本的每一个聚类C的剔除比例为其聚类中心到SVM生成超平面的距离权重和其数量权重的加权；对少数类样本按聚类中心到超平面的距离来划分采样比例；并用Random-SMOTE算法合成新样本，以此达到样本数量之间的平衡。实验表明该算法相较于传统算法，精度有1%～16%的提升，验证了该算法的有效性。     

结合密度比和系统演化的密度峰值聚类算法

密度峰值聚类算法（DPC）能够有效地进行非球形数据的聚类,该算法需要输入截断距离,人工截取聚类中心,导致DPC算法的聚类效果有时较差。针对这些问题,提出一种结合密度比和系统演化的密度峰值聚类算法（DS-DPC）。利用自然最近邻搜索得出各样本点的邻居数目,根据密度比思想改进密度计算公式,使其能够反映周围样本的分布情况;对局部密度与相对距离的乘积进行降序排列,根据排序值选出聚类中心,将剩余样本按照DPC算法的分配策略进行聚类,避免了手动选择聚类中心的主观性;利用系统演化方法判断聚类结果是否需要合并或分离。通过在多个数据集上进行实验,并与其他聚类算法进行比较,实验结果表明,该算法具有较好的聚类效果。     

基于高斯分布随机样本生成的小样本聚类算法

针对传统聚类算法在小样本数据集上聚类效果不理想的问题,该文提出了一种基于高斯分布随机样本生成的小样本聚类算法。该算法首先对小样本数据中的每一个样本,构造高斯分布。然后根据该高斯分布在原始样本周围生成一定数目的高斯随机样本,并在随机样本的辅助下进行聚类。最后将随机样本去除得到最终的聚类结果。在UCI标准数据集上的仿真实验,显示本文算法较传统聚类算法具有更好的小样本聚类效果。     

基于量子聚类的异常入侵检测研究

研究提出了一种混合属性样本的量子聚类算法,并应用于入侵检测的研究。通过给出一种新的混合属性的相异性度量方式和挖掘样本中的结构信息,并用量子势能确定聚类中心,提出了一种新的距离量子聚类MDQC(Weighted Mahalanobis Distance_based Quantum Clustering)算法,该算法具有自学习能力。并基于该算法提出了一种新的异常检测方法。仿真实验表明,该检测方法是有效的,有一定的实用价值。     

基于成对约束的半监督凝聚层次聚类算法

半监督聚类就是利用样本的监督信息来帮助提升无监督学习的性能。在半监督聚类中,成对约束(must-link约束和cannot-link约束)作为样本的先验知识被广泛地使用。凝聚层次聚类(AHC)也叫合成聚类,是层次聚类法的一种。提出了一种基于成对约束的半监督凝聚层次聚类算法(PS-AHC),该算法利用成对约束来改变聚类簇之间的距离,使聚类簇之间的距离更真实。在UCI数据集上的实验表明,PS-AHC能有效地提高聚类的准确率,是一种有前景的半监督聚类算法。     

基于均值与最大距离乘积的初始聚类中心优化 K-means 算法*

针对K‐means算法随机选择初始聚类中心所出现的样本聚类结果随机性强、稳定性低、容易陷入局部最优和得不到全局最优解等问题,提出一种基于均值与最大距离乘积的初始聚类中心优化K‐means算法。该算法首先选择距离样本集均值最远的数据对象加入聚类中心集合,再依次将与样本集均值和当前聚类中心乘积最大的数据对象加入聚类中心集合。标准数据集上的实验结果表明,与原始K‐means的算法以及另一种改进算法相比,新提出的聚类算法具有更高的准确率。     

基于平均差异度优选初始聚类中心的改进K-均值聚类算法

针对K-均值聚类算法对初始聚类中心存在依赖性的缺陷,提出一种基于数据空间分布选取初始聚类中心的改进算法.该算法首先定义样本距离、样本平均差异度和样本集总体平均差异度;然后将每个样本按平均差异度排序,选择平均差异度较大且与已选聚类中心的差异度大于样本集总体平均差异度的样本作为初始聚类中心.实验表明,改进后的算法不仅提高了聚类结果的稳定性和正确率,而且迭代次数明显减少,收敛速度快.     

基于流量工程的网络性能监测和控制系统

网络性能的监测和控制是网络得以正常运行的重要环节。网络流量工程提出了网络性能评价的原理、体系和方法。文章对CERNET（中国教育与研究计算机网）主干网、CERNET到国际互联节点、CERNET到国内八大网络节点,提出基于网络流量工程的性能监测和控制的实现方案,并实现了端到端网络性能的测量和分析,为基于MPLS的网络性能优化和控制提供了有利的依据。通过该系统的实施,可以在CERNET主干网上建立Q－Bone,为高速网络应用提供服务质量的保证。     

支持向量机在高炉铁水温度预测中的应用

铁水温度是高炉冶炼过程的关键参数,是影响高炉稳定顺行及节能降耗的重要指标。以高炉炉内热状态的重要指示剂-铁水温度为研究对象,在综合利用K-means 聚类和支持向量机方法的各自优势和互补情况下,提出一种基于K-means 聚类的支持向量机预测铁水温度的方法,该方法首先将训练样本数据分为m 类,建立m 个支持向量机回归预测模型,同时采用粒子群算法优化模型参数; 其次建立m 个判别函数,判别待预测样本数据属于哪一类;最后将待预测样本数据代入相应类的回归模型中进行预测。相比标准支持向量机预测,得到了较高的预测精度。     

Mining Short-Rule Covers in Relational Databases

An implication rule Q → R is a statement of the form "for all objects in the database, if an object has the attribute–value pairs Q then it has also the attribute–value pairs R ." This simple type of rule is theoretically interesting, because it supports reasoning, similar to functional dependencies in database theory, and it may be of practical significance because the size of the set of implication rules that hold in a relation can remain substantially high even when mining real data and considering only most general covers; i.e., covers containing rules with unredundant right and left sizes. Motivated by these observations, we focus on the extraction of short-rule covers, which cannot be efficiently mined by standard rule miners. We present an algorithm driven by "negative examples" (i.e., satisfy Q but not R ) to prune the rule-candidate lattice associated with each "positive example" (i.e., satisfies both Q and R ). The algorithm scales up quite well with respect to the number of objects and it is particularly suitable for databases with attributes described by large domains. Furthermore, a perfect hash function ensures extraction of short-rule covers even from databases containing a large number of attributes.     

Exponential quasi‐(Q,S,R)‐dissipativity and practical stability for switched nonlinear systems

In this paper, the problems of exponential quasi‐(Q,S,R)‐dissipativity and practical stability analysis for a switched nonlinear system are addressed. First, the concept of exponential quasi‐(Q,S,R)‐dissipativity for switched nonlinear systems without requiring the exponential quasi‐(Q,S,R)‐dissipativity property of each subsystem is proposed. Then, we show that an exponentially quasi‐(Q,S,R)‐dissipative switched nonlinear system is practically stable. Second, this exponential quasi‐(Q,S,R)‐ dissipativity property for a switched nonlinear system is obtained by the design of a state‐dependent switching law. Third, a composite state‐dependent switching law is designed to render the feedback interconnection of switched nonlinear systems exponentially quasi‐(Q,S,R)‐dissipative. This switching law allows interconnected switched nonlinear systems to switch asynchronously. Finally, the effectiveness of the results is verified by a numerical example.     

基于LQR的直升机最优控制系统的设计

设计了直升机LQR最优控制系统，并针对LQR控制中加权矩阵和难以确定的问题，进行了试验分析，从实际控制效果出发．找出了系统响应与和之间遵循的规律，为在利用该方法进行其它控制系统设计中和的选取提供了参考。     

基于多个损失厌恶型零售商的提前订购策略

在单周期易逝品供应链协调问题的研究中,常常借助于经典的报童模型,限制销 售商的订货机会只有一次。然而在实际中,对一些具有特定消费时间的易逝性商品( 如中秋 节月饼等) ,生产厂家为了更好地安排生产,通常提供提前购买价格折扣策略,销售商则在销 售期末进行再次订购。以单个风险中性的供应商与多个竞争的损失规避型零售商组成的两阶 段供应链系统为背景,在提前订购折扣( Advanced Booking Discount,ABD) 合约中考察竞争和 零售商的损失规避偏好对零售商的最优订购决策以及整个供应链协调性的影响。以博弈论为 基本研究方法,证明了该供应链博弈存在惟一的对称纯策略Nash 均衡,而且竞争使得零售商 的总订购量上升,而损失规避则使得总订购量下降,供应商通过制定提前订购折扣合约可以协 调整个供应链。最后通过算例,验证了提前订购折扣合约在协调供应链中的有效性。     

Exponentially incremental (Q,S, R)-dissipativity and incremental stability for switched time-varying nonlinear systems

Exponentially incremental (Q,S,R)-dissipativityand incremental stability for switched time-varying nonlinear systems are studied whose subsystems are not required to be exponentially incrementally (Q,S,R)-dissipative. The sufficient conditions for switched time-varying nonlinear systems to be exponentially incrementally (Q,S,R)-dissipative are presented by the design of state-dependent switching laws. Incremental stability for switched time-varying nonlinear systems are derived based on exponentially incremental (Q,S,R)-dissipativity. Exponentially incremental (Q,S,R)-dissipativity is shown to be preserved under feedback interconnection by the design of a composite state-dependent switching law. Two simulation examples are provided to show the effectiveness of the proposed approaches.     

Geometrically (Q,S, R)‐Incremental Dissipativity and Incremental Stability for Switched Time‐Varying Nonlinear Discrete‐Time Systems

This paper investigates geometrically (Q,S,R)‐incremental dissipativity and incremental stability for switched time‐varying nonlinear discrete‐time systems. A geometrically (Q,S,R)‐incremental dissipativity concept is proposed for switched nonlinear discrete‐time systems by using multiple storage functions and multiple incremental supply rate. Furthermore, the sufficient conditions of geometrically (Q,S,R)‐incremental dissipativity are given under the design of state‐dependent switching law. The incremental stability conditions are derived for geometrically (Q,S,R)‐incrementally dissipative switched systems. By designing of a composite state‐dependent switching law, the feedback interconnected switched systems are ensured to be geometrically (Q,S,R)‐incrementally dissipative. A numerical example is given to illustrate the validity of the proposed approach.     

浮点开方运算单元的电路设计

文章提出了一种基于逐位循环开方算法,"四位一开方"的浮点开方运算单元的电路设计方案,使限制周期时间的循环迭代部分的门级数降低到14级。按14级门延时为周期时间计算,完成一个IEEE单、双精度浮点数的开方运算分别需要15和29周期。同时,文章对目前开方运算所采用的两类主要的算法-逐位循环开方算法和牛顿－莱福森迭代开方算法进行了描述,其中包括数的冗余表示等内容。     

基于对数能量倒谱特征的端点检测算法

端点检测技术是语音识别的关键技术之一,为了克服传统倒谱距离语音端点检测算法在低信噪比下检测效果的不理想,将对数能量（LE）特征和倒谱（C）特征相结合,提出了一种新的对数能量倒谱特征（LEC）,采用模糊C均值聚类和贝叶斯信息准则（BIC）方法估计特征门限,得出了正确的语音端点判断,在三种典型噪声下,对信噪比从－5 dB到15 dB的带噪声语音进行仿真,结果表明LEC法的检测错误率仅为20.25%,明显低于倒谱法和对数能量法,能有效地确定语音的端点并改善语音识别效果。