基于k-means的(1+ε)近似算法求解

针对Amit Kumar提出的求解k-means算法的1 ε近似求解随机算法,提出了一个改进措施用来提高每次取样的成功概率。当固定k和ε值时该算法为线性的。通过多次运行该算法能以较高的概率求出k-means算法的1 ε近似值。     

一种基于索引指针的可扩展IP包分类算法

设计并实现了一种基于索引指针的可扩展IP包分类算法.该算法通过分析源/目的端口号和协议类型字段在实际应用中的分布特性,将这3个字段映射到一个8比特元组上,压缩了分类维数;算法依据压缩后的8比特元组将分类规则集划分为256个子集,并为每个子集建立一个索引指针,指向该子集的存贮起始地址;算法通过计算IP包中"源/目的IP地址联合字段"中各个比特的信息熵值,找出最优的比特序列作为根和子节点,为每个规则子集建立一棵Tries查找树,既保证了存贮空间和查找时间最小,而且不存在回溯问题.实验结果证明,该算法分类效率高.     

结合孤立森林和鲸鱼优化算法的三支k-means

针对k-means算法的聚类结果对初始聚类中心的选取较为敏感、选择聚类数目存在一定的主观性以及离群数据影响的问题,提出了一种结合孤立森林和鲸鱼优化算法的三支k-means算法（iF-W-TWKM）。首先利用孤立森林算法对数据集进行清洗,将数据集划分为两个子集：正常数据子集和异常数据子集。使用正常数据子集进行后续算法步骤,待算法结束后使用得到的聚类中心将异常数据子集中的样本划分到各类簇的边界域。利用鲸鱼优化算法建立以STDI为目标函数的优化问题进行全局寻优实现聚类中心的选取,避免局部最优。实验结果表明,改进后的算法在ACC、AS、DBI指标上整体优于k-means和TK-means,具有更好的聚类表现。     

一种基于D~2权重的核k-means聚类算法

核k-means算法是标准k-means算法的扩展,提高了k-means聚类中对非线性不可分数据的聚类效果.传统核k-means算法的初始中心是随机选取的,导致出现聚类时间较慢、聚类性能低等问题.文中提出了一种基于D2权重的核k-means算法,它根据点对簇内距离的贡献,选取对其贡献最大的点为簇中心,然后在核空间内进行相应的聚类.在UCI数据集上进行实验,实验结果表明,新算法相对于传统的核k-means算法,可以有效地缩短聚类时间,并提高聚类的质量,新算法性能优于传统的核K-means算法.     

一种用于表情识别的局部判别简

 在判别分量分析算法的基础上,提出了一种针对人脸表情识别任务的局部判别分量分析算法.首先该算法为每个测试样本选取了一组近邻训练样本,获取了训练集的局部样本结构.然后在最大化判别样本子集协方差的同时,最小化样本子集内所有数据的协方差,从而有效地提取了测试样本的表情特征.在多个人脸表情数据库上的实验结果表明,该算法不但提高了判别分量分析算法的表情识别率,而且具有较强的鲁棒性.     

一种用于表情识别的局部判别分量分析算法

在判别分量分析算法的基础上,提出了一种针对人脸表情识别任务的局部判别分量分析算法.首先该算法为每个测试样本选取了一组近邻训练样本,获取了训练集的局部样本结构.然后在最大化判别样本子集协方差的同时,最小化样本子集内所有数据的协方差,从而有效地提取了测试样本的表情特征.在多个人脸表情数据库上的实验结果表明,该算法不但提高了判别分量分析算法的表情识别率,而且具有较强的鲁棒性.     

子集和问题的量子中间相遇搜索算法

子集和问题是NP完全问题,该问题是背包公钥的基础.现有最优的经典算法求解规模为n的子集和问题需要O(n2n/2)步运算.本文提出了基于时空折衷思想的量子中间相遇搜索算法,该算法可以在O(n2n/3)步求解规模为n的子集和问题,其存储复杂性为O(2n/3).由于NP完全问题可以在多项式时间内可相互归约,所以,在存储复杂性...     

支持向量机方法在文本分类中的改进

提出了一种应用于文本分类的KNN和SVM相结合的算法,将SVM近似看成每类只有一个代表点的1NN分类器,对于待识别样本,如果其离支持向量机的最优分界面较远,则用SVM分类;如果其离分界面较近,采用KNN对测试样本分类,将每个支持向量作为代表点,计算待识别样本和每个支持向量的距离对其作出判断.该算法综合了KNN和SVM在分类问题中的优势,既有效地降低了分类候选的数目,又提高了文本分类的精度.最后用实验验证了该算法的有效性.     

基于星座点特征的OFDM残留频偏跟踪算法

残留频偏会导致星座点发生旋转,而且这种旋转与时间有关,时间越长,旋转越大。若残留频偏长时间得不到校正,将会使星座点旋转到其他象限从而出现判决错误,使系统的性能急剧恶化。针对这个问题,提出了一种基于星座点特征的残留频偏跟踪算法。该算法要求在信道估计之后完成,并假定一个OFDM帧内的信道频率响应保持不变。该算法包括三个步骤,首先将每个OFDM符号的星座点划分为四个子集,然后对每个子集的均值求相位角获得相位误差,最后经环路滤波器输出一个校正量补偿时域频偏。由于残留频偏估计值的提取充分利用了所有数据子载波信息,并对每个子集进行了求均值处理,所以有效的改善了环路的输入信噪比。它适用于子载波为QPSK或QAM调制的OFDM系统,不同的子载波调制方式跟踪范围不同,最大跟踪范围为±0.05个子载波间隔。仿真表明:新算法性能要优于基于循环前缀的算法,与基于导频的跟踪算法性能相当。      

基于数据场的k-means改进算法

针对k-means算法需要人为给出聚类个数k、聚类结果严重依赖初始聚类中心的选等问题,提出一种基于数据场的k-means改进算法。该算法通过计算每个数据点的势值,根据聚类中心的势值比周围邻居的势值大,并与其它聚类中心有相对较大距离的特点,从而确定k个聚类中心;最后将其它数据点按k-means算法聚类。仿真实验表明,改进算法在不需要人为设定参数的情况下能准确找出聚类个数k以及初始聚类中心。