一种基于增量式时间序列和最佳任务调度的Web数据聚类算法

为了实现Web服务请求数据的快速聚类,并提高聚类的准确率,提出一种基于增量式时间序列和最佳任务调度的Web数据聚类算法。该算法进行了Web数据在时间序列上的聚类定义,并采用增量式时间序列聚类方法。先通过数据压缩形式降低Web数据的复杂性,再进行基于服务时间相似性的时间序列数据聚类;最后针对Web集群服务的最佳服务任务调度问题,通过以服务器执行能力为标准来分配服务任务。仿真实验结果表明,相比基于网格的高维数据层次聚类算法和基于增量学习的多目标模糊聚类算法,该文的算法在聚类时间、聚类精度、服务执行成功率、聚类失真度上均获得了更好的性能。     

模糊c-均值聚类在多传感器数据配准中的应用

在分析了以前的多传感器空间数据配准算法的特点和不足之后，提出了一种新的算法——基于聚类的数据配准：在多目标的情况下，先采用模糊c-均值法对传感器同一单帧量测数据进行聚类，得到的聚类中心作为各目标点的理想位置参数，再将由各目标点计算出的某一传感器误差值进行平均得到此传感器的误差估计，然后将各帧得到的误差估计再进行平均实现传感器配准。这种算法优点是实时性较强，与配准模型无关。最后给出了的仿真结果与分析。     

基于自适应增量学习的时间序列模糊聚类算法

针对现存可用于时间序列的增量式模糊聚类算法往往需要设置多个控制参数的问题,本文提出了一种基于自适应增量学习的时间序列模糊聚类算法.该算法首先继承上一次聚类得到的簇结构信息以初始化当前聚类进程,然后在无需设置参数的情况下自适应地搜索当前数据块中的离群样本,并自动从离群样本创建新簇,最后检查空簇识别标识确定是否需要移除部分簇以保证后续聚类过程的效率.实验结果表明所提算法对等长和不等长时间序列均具有良好的聚类准确性及运行效率.     

基于改进KFCM聚类的数据关联算法

针对传统的基于模糊C-均值(FCM)聚类的数据关联算法存在的缺陷,提出了一种基于改进核函数模糊C-均值(KFCM)聚类的数据关联算法。该算法以改进的KFCM聚类为基础,通过放宽KFCM聚类的约束条件来增强系统的鲁棒性,并引入信息熵自动确定目标数以作为数据关联的前期准备,再将改进的KFCM聚类算法引入JPDA算法,通过避免对联合事件的概率计算和对确认矩阵的拆分,以实现数据的正确关联和对多目标的实时跟踪。仿真结果表明算法有效可行。     

UKF参数辨识的T-S模糊多模型目标跟踪算法

针对非线性系统中机动目标动态模型不确定性问题，提出了一种新的基于UKF参数辨识的T-S模糊多模型机动目标跟踪算法。在提出的算法中，用多个语义模糊集对目标特征信息进行模糊表示，构建一个通用的T-S模糊语义多模型框架。在T-S模糊语义多模型中，使用模糊C回归聚类算法实现对前件参数的辨识，同时，为了实现系统的非线性特征，引入无迹卡尔曼算法辨识后件参数。仿真结果表明，提出的算法跟踪性能优于传统的交互多模型算法和交互多模型无迹卡尔曼滤波算法，在被跟踪目标突然发生方向改变或目标的动态先验信息不精确等复杂情况时，能够有效地对目标进行精确跟踪。      

模糊c-均值聚类在多传感器数据配准中的应用

在分析了以前的多传感器空间数据配准算法的特点和不足之后,提出了一种新的算法———基于聚类的数据配准:在多目标的情况下,先采用模糊c-均值法对传感器同一单帧量测数据进行聚类,得到的聚类中心作为各目标点的理想位置参数,再将由各目标点计算出的某一传感器误差值进行平均得到此传感器的误差估计,然后将各帧得到的误差估计再进行平均实现传感器配准。这种算法优点是实时性较强,与配准模型无关。最后给出了的仿真结果与分析。     

基于模糊聚类分析的能源产业信息自动挖掘建模研究

针对当前能源产业信息挖掘结果完整性差的问题，提出一种基于模糊聚类分析的能源产业信息自动挖掘建模方法。在模糊聚类分析算法中引入核学习算法，添加Gaussian核函数，搭建核模糊分析算法。确定核模糊分析算法的初始聚类中心，利用粒子群优化算法优化初始聚类中心，根据优化的初始聚类中心建立能源产业信息自动挖掘的目标函数，获取适应度值。根据适应度值与目标函数选择最佳个体，求解最佳个体的聚类有效性函数，解码输出聚类有效性函数最大时所对应的最优聚类数量与对应的聚类中心，以此搭建能源产业信息自动挖掘模型。实验结果表明，该模型可有效挖掘能源产业信息，在数据集规模不同的情况下该模型的调整兰德系数均较高，挖掘结果的完整性较高，自动挖掘效果佳。     

基于谱聚类的高阶模糊时序自适应预测方法

结合数据特征及分布特点提出一种基于谱聚类的模糊时间序列自适应预测方法。首先基于谱聚类的思想,根据样本数据特征获取其所属论域的个数及范围,实现向模糊时间序列的自适应转化;然后基于Markov概率模型表示模糊时间序列中的模糊关系,从而对多步模糊关系、高阶模糊关系及模糊关系的稳态进行求解;最后获取预测值的可能模糊状态,进而利用去模糊化方法将其还原为预测值。在真实以及人工时间序列数据上的实验表明了所提方法的合理性与有效性。     

多分辨率图像锥的FCM聚类图像分割算法

模糊C-均值（FCM）聚类算法是一种基于像素分类的图像分割方法，在分割的过程中，仅仅利用了像素点的灰度信息，但在灰度密度丰富变化和图像的对比度不明显的情况下，物体和背景的分布将相互重叠而密不可分，往往得不到满意的分割效果。为了解决上述问题，现提出了一种基于多分辨率图像锥的模糊C-均值聚类图像分割算法。该方法利用多分辨技术产生多分辨率图像锥，将图像从空间信息引入，考虑图像的局部特性，使分割算法局限于图像的子图像中，物体和背景比单纯运用FCM更容易区分，且算法稳定性高，速度快。     

无源时差定位系统的静止目标聚类检测算法

利用时差定位系统的定位误差特性,基于蚁群优化算法,提出了一种蚁群聚类检测算法,在不需要先验信息的情况下,实现了对静止目标的检测。实际数据测试结果表明蚁群聚类检测算法能够有效检测静止目标并估计目标位置,系统对静止目标的定位精度得到了显著改善。     

SOM＋K-means两阶段聚类算法及其应用

在众多聚类算法中,K-means和自组织神经网络（SOM）是较为经典的2个。在分析2种算法优缺点的基础上,提出基于SOM的K-means两阶段聚类算法,该算法根据SOM算法自动聚类的优点得到初步聚类数目和各类中心点,以此作为K-means算法的初始输入进一步聚类,从而得到精确的聚类信息。最后,应用该算法对某地区电信家庭客户数据进行分析,结果表明该算法有较好的聚类效果。     

基于最小生成树的并行分层聚类算法

分层聚类技术在图像处理、入侵检测和生物信息学等方面有着极为重要的应用,是数据挖掘领域的研究热点之一.针对目前基于SIMD模型的并行分层聚类算法存在的无法解决存储冲突问题,提出一种基于最小生成树无存取冲突的并行分层聚类算法.算法使用O(p)个并行处理单元,在O(n2/p)的时间内对n个输入数据点进行聚类,与现有文献结论进行的性能对比分析表明,本算法明显改进了现有文献的研究结果,是一种无存储冲突的并行分层聚类算法.     

An efficient clustering and load balancing of distributed cloud data centers using graph theory

The prime focus of the Cloud Service Providers is enhancing the service delivery performance of the distributed cloud data centers. The clustering and load balancing of distributed cloud data centers have significant impact on its service delivery performance. Hence, this paper models distributed cloud data center environment as a network graph and proposes a two‐phase cluster‐based load balancing (CLB) algorithm based on a graph model. The first phase proposes a Cloud Data Center Clustering algorithm to cluster the distributed cloud data centers based on their proximity. The second phase proposes a Client‐Cluster Assignment algorithm to perform uniform distribution of the client requests across the clusters to enable load balancing. To assess the performance, the proposed algorithms are compared with other K‐constrained graph‐based clustering algorithms namely, graph‐based K‐means and K‐spanning tree algorithms on a simulated distributed cloud data center environment. The experimental results reveal that the proposed CLB algorithm outperforms the compared algorithms in terms of the average clustering time, load distribution, and fairness index and hence improves the service delivery performance of the distributed cloud data centers.     

Shape-based time series similarity measure and pattern discovery algorithm

Pattern discovery from time series is of fundamental importance. Most of the algorithms of pattern discovery in time series capture the values of time series based on some kinds of similarity measures. Affected by the scale and baseline, value-based methods bring about problem when the objective is to capture the shape. Thus, a similarity measure based on shape, Sh measure, is originally proposed, and the properties of this similarity and corresponding proofs are given. Then a time series shape pattern discovery algorithm based on Sh measure is put forward. The proposed algorithm is terminated in finite iteration with given computational and storage complexity. Finally the experiments on synthetic datasets and sunspot datasets demonstrate that the time series shape pattern algorithm is valid.     

基于对称KL距离的用户行为时序聚类方法

网络用户随时间变化的行为分析是近年来用户行为分析的热点,通常为了发现用户行为的特征需要对用户做聚类处理。针对用户时序数据的聚类问题,现有研究方法存在计算性能差,距离度量不准确的缺点,无法处理大规模数据。为了解决上述问题,该文提出基于对称KL距离的用户行为时序聚类方法。首先将时序数据转化为概率模型,从划分聚类的角度出发,在距离度量中引入KL距离,用以衡量不同用户间的时间分布差异。针对实网数据中数据规模大的特点,该方法在聚类的各个环节针对KL距离的特点做了优化,并证明了一种高效率的聚类质心求解办法。实验结果证明,该算法相比采用欧式距离和DTW距离度量的聚类算法能提高4%的准确度,与采用medoids聚类质心的聚类算法相比计算时间少了一个量级。采用该算法对实网环境中获取的用户流量数据处理证明了该算法拥有可行的应用价值。     

时间约束NMF算法及其在脑动态功能网络降维中的应用

为了保证高维数据中的时间属性在降维过程中得以保持,提出了一种时间约束非负矩阵分解算法（Time constraint Non-negative Matrix Factorization,TNMF）。该算法通过融合时间序列信息、数据维度,分解误差等约束条件,共同构建时间属性约束模型,计算最优基矩阵维度,能在降维的同时最大限度地保留原始高维数据的空间结构和时间序列信息。将其用于脑动态功能网络降维的实验结果表明,该算法在时间特征提取、聚类可视化效果和聚类指标上明显优于目前常用的降维聚类算法。      

基于形状的时间序列相似性度量及模式发现算法

针对目前时间序列模式发现中使用的时间序列相似性度量易受尺度(scale)和平移的影响,不适应基于形状的时间序列模式发现,本文提出了一种重标和平移不变的时间序列相似性度量:Sh 度量,给出度量的性质及其证明。同时提出了基于Sh度量的时间序列形状模式发现算法,并对算法的有限次迭代终止性和时间复杂性进行了证明。论文最后通过对人工数据和太阳黑子数据的实验证明了本文提出的Sh度量及基于形状的时间序列模式发现算法的有效性。     

完全自适应的谱聚类算法

针对谱聚类算法self-tuning的局部尺度参数σ_i会受噪音点影响,进而影响聚类结果,及其所使用的K-means算法的不稳定,对聚类结果的影响,提出两种完全自适应的谱聚类算法SC_SD（Spectral Clustering based on Standard Deviation）和SC_MD（Spectral Clustering based on Mean Distance）,分别定义样本i的标准差、样本i到其余样本的距离均值,为样本i的邻域半径,统计邻域内的样本数,以样本i的邻域标准差为其局部尺度参数,避免样本i的局部尺度参数受噪音点影响,进而影响聚类结果;以方差优化初始聚类中心的SD_K-medoids算法代替K-means算法,克服K-means算法的不稳定,发现数据的真实分布.UCI数据集和人工数据集实验测试表明,提出的SC_SD和SC_MD算法能得到更优聚类结果,不受噪音点影响,有很好的伸缩性.提出的SC_SD和SC_MD能完全自适应地发现数据集的真实分布信息,尤其SC_MD算法很适合较大规模数据集的聚类分析.     

Robust Similarity Measure for Spectral Clustering Based on Shared Neighbors

Spectral clustering is a powerful tool for exploratory data analysis. Many existing spectral clustering algorithms typically measure the similarity by using a Gaussian kernel function or an undirected k‐nearest neighbor (kNN) graph, which cannot reveal the real clusters when the data are not well separated. In this paper, to improve the spectral clustering, we consider a robust similarity measure based on the shared nearest neighbors in a directed kNN graph. We propose two novel algorithms for spectral clustering: one based on the number of shared nearest neighbors, and one based on their closeness. The proposed algorithms are able to explore the underlying similarity relationships between data points, and are robust to datasets that are not well separated. Moreover, the proposed algorithms have only one parameter, k. We evaluated the proposed algorithms using synthetic and real‐world datasets. The experimental results demonstrate that the proposed algorithms not only achieve a good level of performance, they also outperform the traditional spectral clustering algorithms.