大学生综合素质的灰色模糊聚类评价模型

学生综合素质评价是高校学生管理人员承担的一项重要而复杂的工作.针对高校教育中大学生综合素质评价相对薄弱的问题,建立大学生综合素质评价指标体系,依据灰色系统理论,确定不同灰数,通过白化函数生成灰色聚类矩阵获取对象所属灰类的信息,最后结合模糊聚类方法,以聚类行向量作为原始数据构造了模糊相似矩阵,通过聚类分析得到了对象间的关联信息.数据分析表明,评价结果客观,合理地反映出学生综合素质的优劣,方法切实可行     

零知识下的比特流未知协议分类模型

针对在零知识下识别比特流未知协议这一问题,提出了一种协议分类模型。该模型首先利用二进制流的固有特性来计算协议种类个数近似值K和初始聚类中心,然后使用改进的K-Means聚类算法指定K及初始聚类中心以进行聚类,最后使用基于信息熵的混杂度评价方法对聚类结果进行评价,可将评价结果较好的类簇作为一种协议类型进行标记,用于其他分析。使用林肯实验室发布的实验数据进行测试,结果表明该模型能以较高的准确率对未知协议进行分类,基于信息熵的类簇评价方法也具有一定实用性。     

双层结构的基因表达数据聚类算法

本文提出了一种双层结构的基因表达数据聚类算法,该算法针对基因表达数据量庞大且已知功能的基因较少的特点,将聚类过程分为两个层次,快速分析层和精确聚类层。聚类结果采用信息熵方法进行评价。实验结果表明该聚类方法对于聚类基因表达数据非常有效。     

应用分类方法进行聚类评价*

针对现有基于几何结构的聚类有效性指标不能有效解决不同结构数据的聚类结果评价问题,提出了一种使用分类对聚类结果进行评价的方法。该方法把聚类得到的对象类标志作为分类问题的已知类标志,使用交叉验证法对数据集重新分类,通过对比聚类结果与分类结果之间的差异来衡量聚类有效性。一个易于聚类的数据集的结构意味着也容易进行分类,对模拟数据和真实数据的实验和分析验证了该方法的可行性和有效性。     

基于模糊划分测度的聚类有效性指标

聚类有效性指标用于评价聚类结果的有效性。根据聚类的基本特性,提出了一个新的用于发现最优模糊划分的聚类有效性指标,该有效性指标采用模糊划分测度和信息熵两个重要因子来评价模糊聚类的有效性。其中,模糊划分测度用于评价聚类的类内紧致性与类间分离性,而信息熵则反映了模糊聚类划分结果的不确定性程度。实验结果表明,该聚类有效性指标能对模糊聚类结果的有效性进行正确的评价,特别是对于空间数据的聚类有效性评价,同其他有效性指标相比,它不仅能得到最优的模糊划分,而且对权重系数也是不敏感的。     

聚类有效性的组合评价方法

针对现有研究中给出的聚类有效性指标不能有效评价不同结构数据集的聚类结果问题,提出一种使用多个有效性指标进行聚类评价的组合方法。引入D-S（Dempster-Shafer）证据理论对多个有效性指标结果进行集成,并得到最终的聚类评价结果。仿真实验和分析验证了该方法的可行性与有效性。     

一个改进的模糊聚类有效性指标

聚类有效性指标既可用来评价聚类结果的有效性,也可以用来确定最佳聚类数。根据模糊聚类的基本特性,提出了一种新的模糊聚类有效性指标。该指标结合了数据集的分布特征和数据隶属度两个重要因素来评价聚类结果,提高了判别的准确性。实验证明,该指标能对模糊聚类结果进行正确的评价,并自动获得最佳聚类数,特别是对类间有交叠的情况能够做出准确判定。     

一种基于连通性的聚类有效性评价指标

针对现有的聚类结果中类内紧致性差异对有效性指标的影响和不能很好地评价任意形状聚类的问题,提出一种基于连通性的聚类有效性指标并进行了仿真研究。首先,将对整个聚类结果的评价建立在对单个类评价的基础上,以便处理类内紧致性差异大的问题。其次,利用连通距离对形状和大小的不敏感性,处理对任意形状聚类的评价问题。仿真实验结果表明,该方法可以对各类的类内紧致性差异较大的任意形状的聚类结果进行评价。该指标是一种有效的聚类评价指标。     

K均值聚类在高校教师评价分析中的应用研究

作为高校内部质量管理的重要环节及学校绩效考核的重要依据,高校教师评价问题一直以来都是研究的热点。当前对高校教师的评价,通常采用算术平均线性划分法,对隐含的信息没有进行深入挖掘,难以全面准确地反映教师的综合情况。运用K均值聚类算法对某高校某专业教师一学年的教学、科研和师德评价结果进行聚类,并对聚类结果进行详细分析。结果表明聚类算法能从评价数据中获取更多的有效信息,为教学管理者更加准确地掌握教师的特点,制定更为有效的培养策略,全面提高教师综合素质提供了大力的帮助。     

基于改进凝聚层次聚类的协议分类算法

在比特流未知协议识别过程中,针对如何将得到的多协议数据帧分为单协议数据帧这一问题,提出了一种改进的凝聚型层次聚类算法。该算法以传统的凝聚型层次聚类算法思想为基础,结合比特流数据帧的特征,定义了数据帧之间及类簇之间的相似度,采用边聚类边提取符合要求类簇的方式,能快速有效地对数据帧进行聚类;并且该算法能自动地确定聚类的个数,所得的类簇含有相似度评价指标。利用林肯实验室公布的数据集进行测试,说明该算法能以较高的正确率对协议数据帧进行聚类。     

基于类间距离参数估计的文本聚类评价方法

文本聚类评价算法运用统计学当中的参数估计方法,根据类间距离信息对其分布规律中的数字特征进行参数估计。基于估计的结果确定类间距离合理的取值范围,将不合理的聚类进行调整,并通过聚类有效性判断函数最终确认调整结果。该算法有效地提高聚类结果的准确性,井为聚类算法的选择与分析提供一种可行的方法。实验结果证明了其可行性与有效性。     

聚类算法在学生综合评价中的应用

聚类分析是数据挖掘的一个重要研究方向,将聚类算法应用在高校学生综合素质评价中,借助聚类算法对学生进行合理分类,并在此基础上给出学生的综合素质排名,可以减少人为主观因素对评价结果的影响.     

数据集成环境下基于相似度的数据库聚类算法

数据集成环境中的全局数据规划方法复杂度很高,且需要经历较长的周期。针对该问题,提出一种基于相似度集合运算的数据库聚类算法,利用自定义的相似数据库、数据库聚类和聚类距离描述数据库的聚类过程,并给出聚类效果的评价方法。实例分析结果证明,该算法简单且具有通用性。     

基于主题聚簇评价的论坛热点话题挖掘

热点话题挖掘是舆情监控的重要技术基础。针对现有的论坛热点话题挖掘方法没有解决数据中词汇噪声较多且热度评价方式单一的问题,提出一种基于主题聚簇评价的热点话题挖掘方法。采用潜在狄里克雷分配主题模型对论坛文本数据建模,对映射到主题空间的文档集去除主题噪声后用优化聚类中心选择的K-means++算法进行聚类,最后从主题突发度、主题纯净度和聚簇关注度三个方面对聚簇进行评价。通过实验分析得出主题噪声阈值设置为0.75,聚类中心数设置为50时,可以使聚类质量与聚类速度达到最优。真实数据集上的测试结果表明该方法可以有效地将聚簇按出现热点话题的可能性排序。最后设计了热点话题的展示方法。     

基于MapReduce框架下K-means的改进算法

针对海量数据背景下K-means聚类结果不稳定和收敛速度较慢的问题,提出了基于MapReduce框架下的K-means改进算法。首先,为了能获得K-means聚类的初始簇数,利用凝聚层次聚类法对数据集进行聚类,并用轮廓系数对聚类结果进行初步评价,将获得数据集的簇数作为K-means算法的初始簇中心进行聚类;其次,为了能适应于海量数据的聚类挖掘,将改进的K-means算法部署在MapReduce框架上进行运算。实验结果表明,在单机性能上,该方法具有较高的准确率和召回率,同时也具有较强的聚类稳定性;在集群性能上,也具有较好的加速比和运行速度。     

一种特征加权的聚类算法框架

为了考虑数据各维特征对聚类的不同贡献,并把有监督特征评价方法应用到无监督分类问题中,提出一种特征加权的聚类算法框架.该框架首先通过某种聚类算法对数据聚类,然后,根据聚类结果,采用有监督特征评价方法学习各维特征的权值,再根据特征权值重新聚类,之后再次学习特征权值,该过程反复迭代,直至算法收敛或达到指定的迭代次数.欧几里德空间内基于距离、基于密度的聚类算法均适用于本框架.基于本框架,采用模糊C均值聚类算法(FCM)、密度聚类算法(DBSCAN),并通过信息增益特征评价、ReliefF特征评价方法,对多个UCI数据集进行了实验,验证了该框架的有效性.     

Matlab在防护工程伪装效果评价中的应用

针对防护工程伪装效果优劣问题,给出了一种利用matlab来评价防护工程伪装效果的方法。通过分析防护工程伪装效果评价的总体架构,分别利用matlab的图像处理工具箱、统计学工具箱以及矩阵运算功能建立相关模块。实现了遥感数字图像处理、层次聚类构建指标体系、AHP确定指标权重和灰色聚类评价功能。最后通过一个实例证实运用该方法能较好满足防护工程口部伪装效果评价的需求。     

模糊中心聚类法在地下水污染评价中的应用

首先把聚类问题转化为带约束条件的非线性最优化问题,然后从递推计算的角度,提出了模糊中心聚类的无导师在线递推学习法,并将该方法应用于地下水污染的评价.把该方法与模糊相似关系的最大树法的分类结果进行比较,证明无导师在线递推学习法不仅能较好应用于小样本集和类与类之间有交叠数据的多维大样本集的聚类,而且更便于计算机上编程实现.     

灰色聚类算法的大学生心理健康智能测评

当学生心理复杂,对其心理健康进行测评具有一定的实际应用价值,为准确测评大学生心理健康,提出了基于灰色聚类算法的大学生心理健康智能测评方法.首先根据相关文献和研究构建大学生心理健康智能测评指标体系,并对指标评分进行量化,然后基于指标数据,采用灰色聚类算法构建大学生心理健康测评,最后进行了大学生心理健康状态测评实例分析,结果表明,灰色聚类算法可以准确描述大学生心理健康状态的变化特点,大学生心理健康状态测评结果有利于大学生心理疏导.     

MFASSC:基于间隔Fisher分析的半监督聚类方法

针对高维数据的聚类问题,提出一种基于间隔Fisher分析(MFA)的半监督聚类算法。该算法首先使用已标记样本进行MFA映射,得到投影矩阵W后,再利用求得的投影方法对未标记样本进行降维;然后在低维空间引入基于约束的球形K-means(PCSKM)算法对降维后的数据进行半监督聚类,根据第一次的聚类结果,交替进行降维与聚类操作,直到算法收敛为止。该算法利用监督信息有效地集成了数据降维和半监督聚类。实验结果表明,该方法能够有效处理高维数据,同时能提高聚类性能。