一种基于网格密度聚类的雷达信号分选

本文提出一种基于网格密度高效聚类的未知雷达辐射源信号分选算法。该方法通过改进的距离法对待分选对象集中的噪声和孤立点进行移除,再将剩余的PDW流映射至各网格单元中,并以网格密度为依据进行聚类,从而实现PDW流的分选。仿真结果表明,该算法能正确的分选出未知雷达信号。     

一种基于孤立点挖掘的网络入侵系统

本文设计了一种利用基于误用检测和异常检测相结合的入侵检测模型,文中介绍了系统的工作过程,用来自主机的审计数据和来自网络的数据包来训练数据,建立正常特征和入侵特征的规则库。在异常检测中,提出了一种基于模糊聚类的孤立点检测方法,利用此种方法建立孤立点发现引擎,文中设计了算法步骤,检测系统具有实时性和适应性,并且有效提高了检测的准确率,降低了漏报率。     

一种基于孤立点挖掘的网络入侵系统

本文设计了一种利用基于误用检测和异常检测相结合的入侵检测模型,文中介绍了系统的工作过程,用来自主机的审计数据和来自网络的数据包来训练数据,建立正常特征和入侵特征的规则库.在异常检测中,提出了一种基于模糊聚类的孤立点检测方法,利用此种方法建立孤立点发现引擎,文中设计了算法步骤,检测系统具有实时性和适应性,并且有效提高了检测的准确率,降低了漏报率.     

一种基于双层架构的流数据聚类算法

针对流式数据的动态聚类问题,提出了一种基于变长滑动窗口和遗传算法相结合的流数据聚类算法.在给出微簇、变长滑动窗口模型和流数据项衰减函数等定义的基础上,给出了在线部分使用的基于变长滑动窗口进行微聚类的算法描述,进而结合遗传算法设计了离线部分采用的宏聚类算法.实验结果表明,算法不仅解决了传统聚类具有的初始中心敏感性问题,而且具有较小的内存开销和良好的聚类质量.     

一种基于高维空间聚类的离群数据发现算法

针对高维稀疏聚类CABOSFV算法仅能解决二态变量高维稀疏聚类问题而对其他类型变量算法将失效的情况，通过定义“属性绝对值距离”解决了CABOSFV算法固有的这一缺陷。另外，针对聚类后产生伪孤立点问题，提出相应的异常数据处理策略，从而得到较为精确的离群数据。     

一种对孤立点不敏感的新的K-Means聚类算法

针对传统K-Means聚类算法的不足,提出一种新的对孤立点不敏感的K-Means聚类算法。首先,采用孤立点移除算法消除数据集中存在的孤立点;然后,对不包含孤立点的数据集进行传统K-Means聚类,再引入轮廓系数并选择轮廓系数最大值对应的簇类数作为数据集中簇的最优选择数目K;最后,通过自定义的聚类有效性评价函数评估聚类效果。实验结果表明,相对于传统K-Means聚类算法,对孤立点不敏感的新的K-Means聚类算法能够消除孤立点对数据集整体的影响,并优化了聚类中心的选择。     

一种基于图像去噪的多密度网格聚类算法

针对传统网格聚类算法仅能够去除空网格的问题,提出一种基于图像分割思想来剔除稀疏数据的多密度网格聚类算法.该算法对原始数据进行网格划分和数据映射,计算网格密度,将每个网格看作图像中的一个像素点,采用Otsu算法确定合适阈值,并给出了阈值应用于网格聚类算法时的阈值折合公式,完成稀疏单元的剔除.在聚类过程中考虑到网格单元内部特征,通过两个网格的相对密度及边界特征得到了相邻网格的相似度度量公式,弥补了网格聚类算法无法应对多密度数据的缺点.在Matlab中进行仿真实验,该算法在聚类之前对网格剔除率为69％,且不需要人工干预,而GAMD和SNN算法未剔除网格.当数据维度增加时,GAMD算法时间远远高于本算法.实验证明,该算法具有较好的数据过滤效果,聚类结果与数据输入顺序无关,在得到任意簇的同时,保证了较高的时间效率且能够广泛应用于各种数据集.     

基于网格技术的高维大数据集离群点挖掘算法

本文主要分析了离群点挖掘方法是针对小模式数据进行挖掘,其目的是找出大数据集中那些与正常数据相比差别比较多,远离正常数据的数据,以供参考.     

一种基于概率统计的自适应网格聚类算法

针对固定网格划分技术存在的维度可扩展性差,而自适应网格划分技术未充分考虑数据集分布特征等问题,提出了一种基于概率统计理论的自适应网格聚类算法.采用概率统计和图覆盖技术,且能识别任意形状和大小的聚类,时间复杂度是数据集大小和数据维度的线性函数.实验结果表明该聚类是有效的.     

基于聚类和PRI分选法结合的雷达信号分选方法

传统的信号分选算法在高密度信号环境下不能实时工作,且处于边界的脉冲信号不能很好地归类或与多种类别相吻合而可能造成模糊或错判。将广度优先搜索邻居(Broad First Search Neighbors,BFSN)的聚类算法和脉冲重复周期(Pulse Repetition Interval,PRI)分选法结合用于雷达信号分选的联合处理法,使雷达信号分选更加准确。仿真实验证明联合处理法是有效和实用的。     

一种基于网格聚类的4G覆盖价值区挖掘方法

传统基于覆盖场景的规划方法已难以适应4G网络精细化规划的需求,结合4G网络需求分析及工程实践,提出了一种基于网格空间聚类的4G网络覆盖价值区挖掘的评估模型及分析方法。从逆向视角出发,运用网格聚类的方法,理清4G网络规划中"用户"、"网络"、"业务"及"投资"四者的内在关系,盯紧4G目标用户的消费行为轨迹,建立了各层指标评估体系及评估模型,并在工程实践中予以验证,从而为后期4G网络精细化规划提供有益参考。     

基于云计算的大数据聚类挖掘算法研究

基于云计算的大数据聚类挖掘,需要结合改进粒子群算法、k-means算法的优势,提出基于改进粒子群优化（Particle Swarm Optimization,PSO）的k-means聚类算法,设置自调节惯性权重、云变异算子,根据数据集种群的进化程度,调整粒子群算法的全局搜索、局部搜索能力,追踪数据粒子的个体极值、全局极值,更新每个数据个体在解空间中的点位置、更新速度,并在数据种群进化到一定程度时进行变异操作,选择全局极值作为期望Ex来控制种群迭代次数,避免数据挖掘陷入早熟收敛、局部最优解的情况。     

局部网格动态聚类算法

针对传统网格聚类算法聚类精度较低,处理流数据效率较低等问题进行改进。提出局部网格动态聚类算法,算法引入维度半径概念进行增量动态网格划分,通过采用新的簇边界判定方法对簇边界进行判定,依据稀疏网格与其邻接密集网格的质心距离,将稀疏网格归并到相应网格簇中,对于不能归并的稀疏网格则采用局部网格划分方法对稀疏网格再次进行划分聚类,避免簇边界的误删,在一定程度上提高了聚类精确度。通过对比实验结果表明提出的算法具有更好的聚类时效性和聚类精度。     

云环境下基于群智能算法的大数据聚类挖掘技术

云计算从分布式存储和分布式计算两个方面为大数据处理提供了强力的支持,并逐渐成为大数据挖掘的主流平台。但是在处理云平台中的大规模数据集时典型聚类挖掘算法存在一定不足,因此,提出一种基于群智能算法的大数据K-means聚类挖掘算法。首先对云计算Hadoop框架的存储数据能力和采用的Map Reduce计算模型进行分析,然后采用群智能算法对传统数据挖掘K-means聚类算法进行改进,解决其容易陷入局部最优问题。实验结果表明,相比加权K-means聚类算法,提出的改进算法表现出更好的聚类精度和运行速度,可以适用于大规模数据的聚类挖掘。     

云环境下基于群智能算法的大数据聚类挖掘技术

传统的大数据聚类挖掘技术由于迭代次数过多,使其并行效率下降,为此,设计云环境下基于群智能算法的大数据聚类挖掘技术。在云环境下采用群智能算法初始化聚类中心,计算数据密度参数及类间距离,根据计算结果更新聚类中心,输出距离最小的最优解即为最优划分聚类,设计并行化聚类挖掘,以输出的最优解为依据,完成大数据聚类挖掘。实验结果表明,在数据集相同的情况下,与传统的两种聚类挖掘算法相比,文中设计的云环境下的群智能算法的大数据聚类挖掘算法随着迭代次数的增加,依然保持较高的并行效率,没有出现下降的趋势,说明该算法适合应用在实际项目中。     

基于数据加权策略的模糊聚类改进算法

该文提出了一种数据指数加权的模糊均值聚类策略,引入了指数权因子和影响指数,使得可以在聚类过程中差异化处理各个数据。新策略和现有的Gustafson-Kessel(G-K)算法相结合,提出了一种新的模糊聚类算法DWG-K用于提高聚类质量和挖掘离群点。数据试验表明DWG-K在提高聚类质量方面优于现有的G-K;在离群点挖掘方面,DWG-K对离群点的判定是全局的,离群点的物理意义清楚,且计算效率明显高于当前广泛采用的基于密度的离群点挖掘算法。     

一种基于改进网格聚类的雷达信号分选算法

将网格聚类算法用于雷达信号分选,针对传统网格聚类算法执行效率不高,聚类精度低等问题,对传统网格聚类算法进行了改进,最后通过仿真实验验证了改进算法有效性和先进性。     

基于遗传算法的基因微阵列数据聚类

微阵列基因数据用以挖掘特定的生物信息,聚类分析对于研究基因功能和基因调控机制有重要意义.结合改进的遗传算法对基因微阵列数据进行聚类分析,并且通过实验与K均值聚类进行比较.仿真实验表明,该算法可以有效改进基因微阵列数据的聚类准确率.     

一种基于密度的k-means聚类算法

针对k-means算法中对初始聚类中心和孤立点敏感的缺点,提出一种基于密度的改进k-means算法.该算法引入信息熵和加权距离,从近邻密度出发,去除孤立点对算法的影响,同时确定初始聚类中心,使得聚类中心相对稳定.实验表明,该算法在准确性、运行效率上均有10%以上的提升.