空间聚类算法在设施选址优化决策中的应用探讨

本文对空间数据挖掘技术和空间聚类分析算法进行了概述。以设施选址为分析对象,运用图论和模拟退火理论对传统算法进行了探索性的改进,从而优化了聚类结果。     

模糊聚类遗传算法在军事装备物流中心选址中的应用

在分析军事装备物流中心选址问题基础上,构建了模糊聚类和遗传算法的混合算法模型,核心技术是把模糊聚类网络模型融合到遗传算法种群构建中,可以有效地避免遗传算法易出现早熟的现象,验证了算法具有很好的鲁棒性和可信度,仿真结果能够为决策者科学正确的选址提供一定的参考.     

密集簇中心二次模糊聚类算法

针对模糊C-均值聚类算法偏好发现球形簇,以及对孤立点非常敏感的问题,提出了密集簇中心二次模糊聚类算法,其中引入聚类有效性度量函数,并进行了有效的孤立点处理,最终的模糊簇由多个代表点共同表示,故算法可有效发现数据集中的自然簇数目,对簇的大小和形状没有偏好性,且在孤立点的处理上具有较好的健壮性.另外,随机采样过程方便地实现了上述算法在大型数据集上的扩展;与模糊C-均值聚类算法的实验结果比较也表明了该算法的优越性.     

层次聚类算法在空间数据分类上的研究及仿真

当前众多聚类算法忽略了对样本的噪点数据处理,影响了分类结果.为提高聚类算法对空间数据的处理能力,减少噪点影响,对聚类算法中的凝聚嵌套算法(AGNES)进行研究与分析,提出一种带降噪预处理的AGNES,箅法使聚类后每一个类的元素个数满足用户预先定义的标准,将改进后的算法应用于空间数据分类,可以有效解决边缘噪点对全局分类干涉严重的问题,最后,利用VC++语言和基于COM的MapObjects组件技术实现了基于上述改进算法的仿真软件CityCls,以验证算法的可行性与有效性,并从实验结果中得出了一些有益的结论.     

基于BIRCH聚类的物流配送设施选址算法

物流配送设施的选址对于物流成本、在途时间影响巨大.其特点包括：配送设施选址和配送路线交互影响、多层级选址、配送设施存件数量均衡性等.本文通过分析物流配送设施选址的特点设计了一个基于BIRCH聚类的物流配送设施选址算法,融合了BIRCH聚类算法和基于Dijkstra距离的重心法,为物流配送设施选址提供了更好的方案,大幅节约长期运营成本.     

聚类方法在公共设施选址中的应用研究

对空间数据挖掘聚类技术及其在公共设施选址方面的传统应用方法进行了综述,分析了传统应用方法中有待解决的关键问题,对空间距离代价的表示问题和传统方法的算法时间复杂度进行了初步探讨,运用模拟退火算法和图论对传统方法进行了改进,实现了算法时间复杂度的降低和聚类结果的优化。     

基于GIS的空间聚类算法研究

面对目前的聚类方法的局限性和空间聚类的特殊性,从基于目标函数聚类的概念出发,以GIS的空间数据管理和空间分析为技术支持,探讨了空间样本间直接可达距离、间接可达距离和可达成本的计算方法。随机选择k个样本作为聚类中心点,以空间样本到各聚类中心点的可达距离为样本划分依据,以空间样本到其聚类中心点的可达成本的总和为聚类目标函数,引入遗传算法,提出一种基于GIS的空间聚类算法。最后,通过实例进行了算法测试。     

聚类评价在聚类算法选择中的应用研究

聚类分析是一种无监督的机器学习方法,聚类结果完全取决于所用聚类算法,不同的算法会得到不同的聚类结果,因此面对待挖掘数据选择合适的算法很重要。如何判断哪个聚类算法最合适,或者哪个算法的聚类结果最优,就需要用到聚类评价方法。本文选择各类聚类算法中的经典算法对某汽车4S店顾客消费数据进行聚类分析,最后用两种评价指标对各聚类结果进行评价进而选择出最优的聚类算法。     

初始中心优化的K-Means聚类算法

1.引言聚类分析(clustering)是人工智能研究的重要领域。聚类方法被广泛研究并应用于机器学习、统计分析、模式识别以及数据库数据挖掘与知识发现等不同的领域。各种聚类方法中,基于目标函数的K-Means聚类方法应用极为广泛,根据聚类结果的表达方式又可分为硬K-Means(HCM)算法、模糊K-Means算法(FCM)和概率K-Means算法(PCM)。各种K-Means算法都以确定的目标函数来测度聚类的效果,最佳的聚类效果对应于目标函数的极值点。由于目标函数局部极小值点的存在以及算法的贪心性,导致聚类结果对初始中心敏感,往往达不到全局最优。     

聚类算法在多变压器选址中的应用研究

为有效解决一定区域内多台变压器选址问题,提出了一种聚类算法下基于导线选型策略的多变压器选址优化模型。该模型根据电力负荷的分布情况和变压器数量,确定变压器的初始位置,再利用负荷点与变压器位置的远近进行聚类调整。通过对变压器的位置优化和供电范围进行合理分配,可以进一步降低线损及提高经济效益。在运用聚类算法的同时,还引入了实际情况下的电缆的选型策略,使它接近实际情况。将该算法应用到一个算例中,其计算结果与传统方法的比较结果表明,所提模型在多变压器优化选址和降低变压器线损方面均优于传统方法。     

人口GIS支持的零售单位布局空间分析

着重论述了人口地理信息系统在城市零售单位布局问题中的应用。提出零售单位与人口分布的一致性分析、零售单位辐射范围及吸引人口和零售单位选址三个模型 ,并介绍了天津市人口地理信息系统中模型应用实例。     

改进的聚类分析算法及其性能分析

提出了一种改进的聚类分析算法,该算法采用类似中间聚类与最终聚类分布的思想,先对密集区域进行聚类,形成了K个聚类,然后再对相对分散的自由数据进行K—means聚类,使聚类分析在迭代过程中始终沿着最优的方向进行,减小了迭代次数,提高了收敛速度。该算法融合了网格聚类与K-均值聚类的优点,并且引入了一种新的划分网格的算法和新的计算密度阀值的函数。理论分析以及实验证明,改进算法的聚类过程达到了令人满意的效果。     

一种基于马氏距离的可能性聚类方法

可能性聚类方法在数据分析和模式识别领域被广泛应用.本文通过选择马氏距离,构造一种特殊的基于马氏距离的可能性聚类方法.该方法在保持可能性聚类性能的同时,能有效地防止一致性采类的发生,依照最大最小概率原理,根据聚类的结果直接推断出聚类结果的误分下界,从而判断聚类的有效性.最后通过图像分割实验和标准数据集实验,验证了该算法的...     

常用聚类算法比较分析

数据挖掘是目前一种新的重要的研究领域,而聚类分析是其重要的方法.本文对常用聚类算法进行比较分析指出各自特点以便能更好的掌握和使用.     

各种聚类算法及改进算法的研究

该文详细阐述了数据挖掘领域的常用聚类算法及改进算法,并比较分析了其优缺点,提出了数据挖掘对聚类的典型要求,指出各自的特点,以便于人们更快、更容易地选择一种聚类算法解决特定问题和对聚类算法作进一步的研究。并给出了相应的算法评价标准、改进建议和聚类分析研究的热点、难点。上述工作将为聚类分析和数据挖掘等研究提供有益的参考。     

各种聚类算法及改进算法的研究

该文详细阐述了数据挖掘领域的常用聚类算法及改进算法,并比较分析了其优缺点,提出了数据挖掘对聚类的典型要求,指出各自的特点．以便于人们更快、更容易地选择一种聚类算法解决特定问题和对聚类算法作进一步的研究。并给出了相应的算法评价标准、改进建议和聚类分析研究的热点、难点。上述工作将为聚类分析和数据挖掘等研究提供有益的参考。     

基于形态学聚类算法图像配准仿真研究

研究图像配准精确度问题。由于两张图片几何关系及量度均有不同,要达到配准效果应有空间一致性。传统的聚类图像配准算法进行图像配准时,配准精度较低,算法复杂度高等不足。为了有效提高图像配准的精确度,提出了一种改进的数学形态学和聚类算法相结合的图像配准方法。算法首先改进的基于空间模式均值聚类对图像进行区域分块,并对分块的位置进行空间聚类,并准确计算出基准图像的最后的配准位置,并采用数学形态学方法对配准后的图像进行边缘处理,最后评估配准图像的质量。仿真结果表明,提出的改进的算法有效的提高了配准精确度,是一种可行性有效的图像配准算法,为图像配准提供了依据。     

一种改进的可能性聚类算法及其有效性指标

可能性聚类有两大缺陷:一致聚类中心问题和有效性指标失效问题。对于第一个问题,有人提出在目标函数中添加聚类中心排斥项,但这样会引入更多的参数。为此,本文提出了一种改进的可能性聚类算法,较好地解决了这个问题。对于第二个问题,本文通过对隶属度作适当变换,使修正的有效性指标适用于可能性聚类。实验结果表明,该算法的优越性明显,有效性指标估计更为准确。     

基于GIS的空间位置关系聚类研究与应用

聚类分析是空间数据挖掘的一种方法,聚类算法能从空间数据库中直接发现一些有用的聚类结构。为实现空间复杂地理对象的聚类分析,文中给出了GIS及空间聚类分析技术．介绍了一种基于GIS的空间位置关系聚类分析算法。该算法按照空间相邻关系,将空间相邻的空间目标聚类成一类。在具体应用实例中利用本聚类算法将空间上相邻的大片阵地地域连成整块地域,并去掉了不符合条件的小块地域,形成阵地聚类,取得了满意的效果．实现了能够发现任意形状、并满足特定约束条件的聚类。