基于谱聚类的自加权多视图聚类算法研究

针对多视图聚类中如何更好地融合不同视图之间信息的问题,提出了一种多视图聚类算法。采用谱聚类中的归一化割算法,得到每个单视图的嵌入矩阵。通过最小化最终的全局图与各单视图之间的差距来学习最终的全局图。考虑到不同视图的重要性不同,使用了一种自加权的方式为每个视图添加权重。利用秩约束的方式控制全局图的连通分量个数。聚类结果可以从最终学习得到的全局图中直接得出,每个连通分量即为一个簇。通过在两个真实数据集上进行实验,对比该算法与其他类似算法在相同数据集上的聚类评价指标,得出该算法的聚类指标相比于对比算法有最大12%的提升。     

自适应图近邻的张量低秩表示多视图聚类

本文在基于张量的多视图聚类算法中引入自适应近邻约束,提出了一种自适应图近邻的张量低秩表示(LRTRAGN)模型,使得该模型既能利用视图间的空间高维信息,又能较好地利用局部图的特征。随后,本文对该模型的优化提出了一种迭带算法。最后,该方法在多个真实数据集上与多种先进算法就聚类表现进行对比,表现出了该方法的优越性。     

基于双目立体视觉的场景分割方法

提出一种基于双目立体视觉的场景分割方法:首先根据双目立体视觉系统提供的左右视图进行三维场景重构,得到场景的几何深度图,同时利用左视图进行RGB颜色空间到CIELab均匀颜色空间的转换以得到颜色信息;然后将颜色与几何信息构造生成六维向量;最后再将六维向量给到聚类算法中进行分割并对分割的伪影进行消除,得到最终的分割结果.对Middlebury数据集样本场景baby 2实验了6种立体视觉算法和3种聚类技术的不同组合进行的场景分割,从实验结果来看,不同的组合应用所提方法都比传统方法具有更好的分割效果.     

基于K-均值聚类的软件测试数据生成算法

利用K-均值聚类算法提高数据生成效率,从而可以保障软件测试工作平稳进行。为此,文章引进K-均值聚类算法,设计了一种针对软件测试数据的全新生成算法。为确保设计的数据生成算法可以生成适用于软件测试的数据集合与数据组,建立软件测试数据适应度函数,明确测试数据聚类方向,确保数据生成围绕软件测试适用范围展开;然后引进K-均值算法,对测试数据进行聚类,使具有相同特征或指向的数据聚合在一起,再利用PSO算法,通过对测试数据PSO参数的线性改进,实现对测试数据离散度的动态化处理,再提取通过离散度检验的数据,从而生成数据。对比实验结果表明：该算法的综合实用性更强,可以在提高数据生成效率的基础上,使生成数据中未完全覆盖的组合数据数目快速降为0。     

基于监督信息特性的主动半监督谱聚类算法

 半监督聚类是利用少部分监督信息辅助大量未标签数据进行非监督的学习,其聚类性能的改善依赖于监督信息,因此挖掘适合半监督聚类的监督信息非常关键.提出了一种基于监督信息特性的主动学习策略,即找出同一类中距离相对较远的数据对象对和不同类中距离相对较近的数据对象对组成监督信息,并将其引入谱聚类算法,构建新颖的主动半监督谱聚类算法ASSC（Active Semi-supervised Spectral Clustering）.利用该监督信息调整谱聚类中点与点之间的距离矩阵,使类内各点紧聚,类间散布.通过对UCI基准数据集以及人工数据集的实验结果表明,ASSC算法优于采用随机选取监督信息的谱聚类性能.     

一种降低激光雷达行人识别错误率的多算法组合的研究

针对2维激光雷达获取的点云信息,在类圆弧人腿形状识别算法的基础上,提出了一种可以降低行人识别错误率的多算法组合。该方法先采用高斯滤波算法降低噪声的影响,然后利用近邻聚类算法对数据进行聚类处理,再利用组合的聚类中心角算法和最小二乘圆拟合算法对聚类后的数据进行行人腿部检测,完成行人的识别。该算法混合利用LabVIEW和matlab 软件平台,并使用激光雷达对现场的行人进行了识别验证,该多算法组合与单一使用一种识别算法相比,行人识别的错误率由40%降低到了10%以下,充分说明该算法组合具有良好的性能。     

拉普拉斯加权聚类算法

 本文提出了一种用于聚类分析的加权聚类算法,通过利用拉普拉斯权,将聚类对象之间的结构信息自动转换为对象的权重.由于拉普拉斯权能够描述数据的邻域结构,从而能够更好的聚类.该加权聚类算法在性能上比经典聚类算法有较大改进,还具有对孤立点鲁棒、适合类别不平衡数据聚类、对聚类个数不敏感等优点.人工数据集以及UCI标准数据集上的实验证实了本文算法的可行性和有效性.     

基于模糊聚类的智慧医院多源异构数据整合系统

为使医疗体系内非同种数据得到有效区分,从而为诊疗意见的生成提供可靠参考条件,设计基于模糊聚类的智慧医院多源异构数据整合系统。利用多源型处理电路,输出异构数据统筹元件与量化整合芯片连接所需的应用电子量,完成整合系统硬件执行环境的搭建。在此基础上,对模糊数据集合进行标定处理,借助相似模糊聚类矩阵,设置标准的数据整合函数,完成系统的软件执行环境搭建。结合相关硬件设备结构体系,实现基于模糊聚类的智慧医院多源异构数据整合系统的顺利应用。实验结果显示,与拆分型整合系统相比,模糊聚类型整合系统能够更好地应对多源异构医疗数据散乱分布的情况,在为诊疗意见的生成提供可靠参考条件的同时,可以有效区分医疗体系内的非同种数据信息。     

基于模糊C均值的数据流入侵检测算法

针对数据在性态和类属方面存在不确定性的特点,提出一种基于模糊C均值聚类的数据流入侵检测算法,该算法首先利用增量聚类得到网络数据的概要信息和类数,然后利用模糊C均值聚类算法对获取的数据特征进行聚类。实验结果表明该算法可以有效检测数据流入侵。     

基于子博弈完美均衡的启发式聚类算法

聚类是一种典型且重要的数据挖掘方法,但现有聚类算法大多需要人为指定聚类的数量,并且聚类结果对参数敏感.针对上述不足,本文提出一种基于子博弈完美均衡的启发式聚类算法（Heuristic Clustering algorithm based on Sub-game Perfect Equilibrium,HCSPE）.该算法充分挖掘数据点自身的分布特征信息,通过启发式方法得到自适应的参数值,从而使数据点局部密度属性值的得出具有客观性和普适性,降低了聚类结果对参数的敏感性.基于博弈的思想,综合局部密度和相对距离两个属性形成数据点的竞争力,依靠竞争机制完成聚类数量的自动计算以及聚类中心的确定.在多个规模和类型均不相同的数据集上的实验结果表明,本文所提出算法的性能指标整体优于其他算法,并且聚类结果更符合客观所需.     

基于标签传播的自适应图聚类算法

聚类算法在多种领域中发挥着统计分析数据的作用,是常见的机器学习方法之一。在针对只包含少量成对约束信息的数据时,以往的算法导致对此类先验信息利用不足。为此提出一种使用成对约束信息来提升聚类效果的算法。因为不能链接约束具有非传递性,成对约束中的隐藏信息一直未充分利用,论文将成对约束信息标签化以用来进行标签传播。此外,在只有成对约束信息时,以往的半监督聚类算法在对构造图的方法过于简单,会有离群数据影响构造图的情况。在学习图时,通过利用自适应图方法构建相似矩阵来保持数据的局部结构,并进一步利用样本自表征方法降低噪音点的影响,提升鲁棒性。最后在聚类方法上,运用拉普拉斯矩阵秩约束直接得到精确的聚类结果,避免以往谱聚类算法中会出现次优化问题。实验结果表明,通过在六个UCI数据集上的大量的实验,证明了文章提出的算法在调整兰德系数(ARI),聚类准确率(ACC)与标准化互信息(NMI)等多个指标下的聚类效果都优于其他六个经典的聚类算法。     

基于模糊层次聚类的大学生就业数据分类存储系统

文中研究基于模糊层次聚类的大学生就业数据分类存储系统,在总体设计上,通过模糊层次聚类技术构建系统框架,设计4个功能模块对应就业信息分类存储模式,满足大学生就业信息流转形式;以一一对应关系设置大学生就业信息数据分类存储结构,基于所属关系关联大学生的基本信息。在详细设计中,按照数据存储表和字典表两个类型构建大学生就业信息数据库;选择模糊层次聚类算法计算数据隶属值,设定信息数据聚类流程,实现大学生就业信息数据的分类存储,完成系统设计。实验结果表明：以多个专业的大学生就业人数作为数据样本,新系统即可实现不同专业类型大学生就业数据的精准存储,且分类存储时间能够保证在10 s之内,该系统具有很好的实际应用价值。     

区域信息驱动的多目标进化半监督模糊聚类图像分割算法

现有的多目标进化聚类算法应用于图像分割时,往往是在图像像素层面上进行聚类,运行时间过长,而且忽略了图像区域信息使得图像分割效果不太理想。为了提高多目标进化聚类算法的分割效果和时间效率,该文将图像区域信息与部分监督信息引入多目标进化聚类,提出图像区域信息驱动的多目标进化半监督模糊聚类图像分割算法。该算法首先利用超像素策略获得图像的区域信息,然后结合部分监督信息,设计融合区域信息和监督信息的适应度函数,接着通过多目标进化策略对多个适应度函数进行优化得到最优解集。最后构造融合区域信息与监督信息的最优解评价指标,实现从最优解集中选取一个最优解。实验结果表明:与已有多目标进化聚类算法相比,该算法不但分割效果有所提升,而且运行效率得以提高。     

大数据环境下基于狼群优化的聚类算法分析与研究

为了提高大数据环境下数据聚类的准确性,文中采用狼群优化算法实现数据聚类。对大数据集合进行狼群模拟训练,将数据结合中的多个数据采用狼群游走及围攻策略进行数据训练,不断更新数据在多维空间中的位置分布,根据数据所处位置与中心点的距离来判断数据所属类别,从而完成数据聚类。经过实验证明,相比于K-Means聚类算法和DBSCAN聚类算法,文中所提算法聚类优势明显。     

一种自适应分裂与合并的运动目标聚类分割算法

针对智能监控系统中多个运动目标进行图像分割这一问题,该文提出一种自适应分裂与合并的多运动目标聚类分割算法。该算法首先利用视频图像的时域信息,通过样本方差进行背景建模,分割出包含多个运动目标的前景图像。然后定义了像素点的空间连通率,并设计一种利用中垂线分割法,对初始聚类进行自适应分裂与合并。在无需事先设定聚类分割数目的条件下,自组织迭代聚类算法能完成多运动目标的分割。实验结果证明该算法对多运动目标分割效果好,分割结果与人眼视觉的判断一致。利用空间连通信息使得算法迭代收敛速度快,具有良好的实时性。     

一种基于改进谱聚类的雷达信号分选算法

针对雷达信号分选中辐射源数目不确定、脉冲数据分布形式复杂、对噪声影响敏感等问题,提出了一种基于改进谱聚类联合数据场理论的聚类分选算法。该算法首先利用数据场理论对数据进行预处理,根据势值大小实现干扰点的去除,并利用势心的数目确定初始聚类数,然后再利用网格密度划分得到合理的地标点,最后再基于地标稀疏表示的谱聚类算法完成聚类分选。通过设置两组类型不同的脉冲信号数据进行仿真实验,分选正确率均达到95%以上,验证了该算法具有较高准确率和鲁棒性。     

融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

一种新的半监督聚类入侵检测算法

针对基于监督学习的入侵检测算法所面临的标记数据问题,本文提出了一种基于主动学习的半监督聚类入侵检测算法,利用少量的标记数据,生成用于初始化算法的种子聚类,然后辅助聚类过程,并根据网络数据的特点,将主动学习策略应用于半监督聚类过程中,检测已知和未知攻击。     

基于并行聚类的物联网k-匿名算法

给出物联网可容忍空间粒度和可容忍时间粒度两个参数,建立适用于物联网环境的k-匿名模型.提出数据集分布序列的概念,以优化生成聚类种子,对数据进行并行聚类,使等价类含有多个节点的数据,具有布局特性的数据被划分到不同的等价类中,从而模糊数据的具体位置信息,消除标签的布局特性,设计适用于物联网环境的隐私保护k-匿名算法.实验结果表明,该算法在确保物联网数据可用的前提下,能够有效保护数据中的隐私信息,提高数据的安全性.     

基于公理化模糊子集的改进谱聚类算法

谱聚类算法通常是采用高斯核作为相似性度量,并利用所有可用的特征来构建具有欧氏距离的相似度矩阵,数据集复杂度会影响其谱聚类性能,因此该文提出一种基于公理化模糊子集(AFS)的改进谱聚类算法。首先结合AFS算法,利用识别特征来衡量更合适的数据成对相似性,生成更强大的亲合矩阵;再有效地利用Nystr?m采样算法,计算采样点间以及采样点和剩余点间的相似度矩阵去降低计算的复杂度;最后通过在不同数据集以及图像分割上进行实验,证明了提出算法的有效性。