一种基于密度和约束的数据流聚类算法

文章在传统聚类算法的基础上,提出了一种基于密度和约束的数据流聚类算法——C-DBDStream(Constraint and Density Based Clustering of Data Stream)。该算法使用数据流聚类在线和离线两阶段框架。在线聚类阶段使用衰减窗口模型,对数据流中的数据对象进行初步的聚类,应用约束条件生成微簇,并将实例级的约束扩展到了微簇级,并将结果以快照的形式保存下来为下一阶段做准备;离线聚类阶段则利用微簇级约束规则聚类,采用DBSCAN算法中的密度可达寻找密度连通区域以产生最终结果。经实验证明,与Clu Stream算法的对比中,C-DBDStream算法提高了聚类效果。     

一种基于词嵌入与密度峰值策略的大数据文本聚类算法

提出一种基于词嵌入与密度峰值策略的文本聚类算法,并将其应用于大数据网络文本数据中。通过对文本数据进行预处理转化为词嵌入表示的实数向量,并进一步采用密度峰值聚类算法实现文本聚类。实验表明该方法在准确率、召回率以及F值等指标上均优于传统文本聚类算法。     

基于聚类融合的异常检测算法

针对任意形状聚类算法用于异常检测时参数设置困难的问题,提出一种基于聚类融合的异常检测算法:设置不同的半径阈值进行多次聚类,统计每次聚类中标记为异常的簇频率,将频率高的簇作为真正的异常.在UCI数据集上对该算法进行实验,结果表明:本算法可降低直接将小簇作为异常的高误报率,并且能提供给用户更为友好的操作.     

基于蚂蚁孵化分类行为的聚类算法

提出了一种基于蚂蚁孵化分类行为的聚类算法：预先定好簇数,把数据随机放入簇中,通过蚂蚁把混乱无章的簇整理成有序.该算法与传统蚂蚁聚类算法相比,模型更直观,操作更简单.对Iris等真实数据的实验结果证明,该算法快速而且有效.     

一种基于SOM改进的PCM聚类方法

针对PCM算法在聚类计算过程中存在的初始聚类中心随机选取,聚类结果可能陷入局部最优解等问题,提出一种改进策略.利用SOM网络对数据进行初步处理,得到PCM算法的初始聚类中心,使得算法聚类效果得到明显提升.     

基于纹理滤波和颜色聚类的提花织物纹样自动提取方法

为了提高提花织物纹样提取的准确性,消除织物组织结构对提取结果的干扰,文章提出了一种基于纹理消除滤波算法和密度峰聚类算法的纹样提取方法。通过统计图片区域梯度信息分离提花织物组织纹理区域和图案边缘结构,并利用非极大值抑制获得纹样边缘结构作为滚动引导滤波器的引导图,经过多次迭代计算实现织物纹理滤波。然后将图片从RGB颜色空间转换为CIELab颜色空间,利用密度峰聚类算法对织物色彩空间分割聚类,最终提取出织物纹样。实验结果表明,文章提出的方法快速准确地实现了提花织物纹样的自动分割与提取。     

基于K-means聚类和蚁群算法在WSN粮情测控中的研究

结合无线粮情测控中粮仓环境数据采集,以及WSN(无线传感器网络)供电能量有限等特点,提出一种基于LEACH协议、K-means聚类和蚁群算法的WSN改进路由算法。首先在预处理阶段利用K-means聚类算法将散布的节点分成多个簇,通过聚类减少数据发送量。其次,利用蚁群算法支持多路径的特点,在数据传输阶段形成簇首间多跳路由机制。仿真结果表明:所用算法能够有效减少数据传输时的能量消耗,延长节点的网络生命周期。     

关于结合层次聚类和K-means算法进行聚类的研究

为了解决进行K-means聚类时类数的自动选择和Hierarchical聚类在处理大量高维数据时时间效率低的问题,在Kmeans聚类算法的基础上结合Hierarchical聚类算法,提出了一种基于集体智慧编程方法的用于处理大量数据时动态选取K值的聚类模型。实验结果表明该算法比K-means聚类具有更好的聚类效果,同时解决了Hierarchical聚类方法时间效率低的问题。本模型通过K-means聚类生成适量的类簇,再利用Hierarchical聚类对这些类再进行聚类,最后经过剪枝得到合适的聚类结果,以此实现动态选取K值。     

基于LBP特征的面部表情识别方法

如今,人的表情识别在智能人机交互中发挥着越来越重要的作用。本论文提出一种全自动识别人脸七种基本表情的方法,该方法首先利用局部二值模式提取面部表情特征,然后用C均值聚类的方法对样本聚类得到表情模板,最后使用K近邻算法进行表情图像的识别。通过采用日本的JAFFE表情数据库来检测算法的性能,验证了方法的有效性。     

基于谱聚类算法的复杂机械产品模块划分方法

针对复杂机械产品系统维数高、单元数量大所引起的多维度强耦合设计制造难题,提出了一种基于谱聚类算法的模块划分方法.该方法基于功能-流-结构分解法实现了对产品的层次化分解,应用模糊数学定义特征元素之间的相关性,在此基础上构建了基于数值型设计结构矩阵的产品零部件关联关系模型,通过引入谱聚类算法将零部件聚类问题转化为图的最优划...     

基于分布式聚类的无线传感器网络数据传输方法研究

为了解决无线传感器网络中传感器节点数据传输效率低、数据延迟较高的问题,提出了一种基于分布式聚类的无线传感器网络数据传输方法.该方法通过节点聚类的方式,将无线传感器网络划分为多个分簇,根据每个分簇中传感器节点的剩余电量选取簇头节点,分簇内其传感器节点将收集的数据传输给簇头节点,再由簇头节点传输给基站.仿真结果表明,该方案能够有效提高无线传感器网络的数据传输效率,降低数据延迟,同时延长网络的生命周期.     

基于计算智能的聚类技术及其分析研究

聚类属于无监督学习,是将数据集中的数据对象分成多个簇或者类,使得在同一个簇中对象相似度高,而在不同簇中对象的相似度低,因此,对空间数据对象的聚类可通过基于聚类目标函数的优化问题来解决。从这一思路出发,将自适应能力及鲁棒性较高的计算智能技术应用于聚类分析,产生了很多基于计算智能技术的聚类分析模型。基于计算智能的聚类分析成功解决了数据的聚类问题,对处理目标的特性有良好的适应能力,弥补了传统聚类方法的不足,取得了良好的效果。     

基于改进MRF的凝胶图像分割算法

为了得到更好的凝胶图像分割效果,文章提出了一种基于马尔科夫随机场(MRF)模型分割算法的改进算法,首先用非局部均值(NL-means)对图像进行滤波,然后通过模糊c均值算法(FCM)实现了图像的初始聚类分割,进一步通过二阶逻辑模型(MLL)模糊聚类作为先验知识获取其先验概率并因此得到后验概率,在此过程中引入了灰度点密度权值来实现聚类和均值方差的更新,最终实现凝胶图像的最优化分割。     

织物变形舒适性的双群粒子群聚类研究

 针对传统聚类方法存在的一些问题,提出了一种具有个体交换策略的双群粒子群聚类方法,群1根据一个基于适应度的非线性公式动态更新惯性权重,群2采用固定权重,每进化一代,2群交换部分个体。将该方法应用于织物变形舒适性聚类中,以聚类中心作为粒子位置,通过粒子群优化算法获得最优聚类中心,采用最小距离准则对样本进行聚类。最后与模糊聚类做了简单比较,结果表明该方法结论合理,便于应用,为选择服装面料和评价织物性能提供了一种新手段。     

基于网格和密度的数据流聚类算法

针对数据流的特点,提出了一种新的网格密度结合的GCTS算法.该算法采用双层架构,在线层实现了网格密度参数的自设定,离线层以网格单元的重心为中心点,建立一个最大的子网格,使候选网格中的局部密集区域转化成了密集网格.使用最小生成树的算法生成聚类结果,提高了聚类效果.     

基于核的模糊C均值聚类的TSK模糊模型

为了克服传统模糊聚类方法存在的维数问题,本文采用基于核的模糊C均值聚类方法(KFCM)构造了一阶TSK模糊模型.该算法由两个阶段组成:在第一个阶段,通过KFCM获得先行模糊集,给出了具有不同核函数的KFCM集群原型在原始输入空间中的表达式.使用集群有效性指标是确定数据集中聚类数的标准方法,但集群有效性指标要求对不同的聚类数重复运行的聚类算法.因此,为了降低计算复杂度和消除异常值,提出了一种自动指定聚类数的新方法;在第二阶段,采用最小二乘法对后续参数进行辨识.实验结果表明,与传统方法相比,该方法提高了模糊模型的泛化能力和鲁棒性.     

基于类内K-means聚簇的KNN改进算法

传统的KNN算法的时间复杂度与训练样本集的数量成正比,大规模数据下其分类效率显著下降,因此它不适用于大规模数据的在线实时处理。为此,本文提出了一种基于类内K-means聚簇的KNN改进算法。该算法先对训练样本集内各个类别的样本分别进行K-means聚簇,得到各个样本所属的簇标签,与各个簇标签所对应的簇中心向量。在进行KNN分类时对于每个测试样本先计算它与各个簇中心向量的相似度,选出排名前的一定个数的簇标签,随后以这些簇所含的样本集作为该测试样本的训练样本集进行传统的KNN分类。改进算法通过这种选择训练样本集而缩小了比对范围,减少了大量计算量。实验表明,改进的KNN分类算法在分类的准确率没有明显变动下,运行效率得到了明显的提升。     

改进的支持向量机算法在人脸识别上的应用

支持向量机算法作为一种新的机器学习方法,在处理小样本分类问题上具有明显优势,但核函数和参数的选取直接影响支持向量机算法的性能.针对该问题,文中通过组合全局核函数和局部核函数的混合核函数方法,建立了基于粒子群算法的混合核支持向量机算法,并将其用于ORL人脸数据库的人脸识别测试.结果表明,该改进算法较标准的支持向量机算法具有更高的识别率.     

加权平均值的改进k-means算法

传统的k-means算法对噪声和孤立点数据是敏感的,少量的该类数据将会影响聚类结果的精度。针对此算法存在的问题,本文提出一种改进的k-means算法,该算法使用基于加权的改进k-means方法确定类中心。实验证明,改进算法大幅度地降低了聚类结果对噪声和孤立点数据的敏感性,提高了聚类正确率。     

基于密度最大值聚类的奶酪风味鉴别模型

针对传统的食品风味鉴别方法具有的局限性、食品种类比较单一,并不能覆盖所有食品类别,主成分分析方法在奶酪样本上表现效果较差,无法准确快速区分不同风味奶酪,本研究基于密度最大值聚类算法提出了一种鉴别奶酪风味的模型,该模型首先用改进的密度最大值聚类算法对风味物质进行聚类,自动获取聚类中心形成具有风味表征的特征,然后利用支持向量机算法进行分类鉴别。结果表明,通过改进的密度最大值聚类算法得到风味物质特征后,分类器模型更加稳健,均适用于切达奶酪和马苏里拉奶酪的类别鉴定,准确率均在95%以上,高于原始特征、DBSCAN聚类特征、K-means聚类特征的分类结果。