基于近邻传播算法的K-means聚类优化算法

K-means聚类算法在随机选择的初始聚类中心的基础上进行聚类,其聚类效果会因为初始聚类中心的不确定性而不稳定。为了优化其聚类效果,提出了基于近邻传播算法(AP算法)的K-means聚类优化算法(APK-means)。该算法首先通过近邻传播算法生成若干个初始聚类,然后依序选择k个聚类规模最大的聚类中心作为K-means聚类算法的初始聚类中心,接着运行K-means聚类。算法有效性分析和实验结果验证了该算法有效优化了K-mean算法的聚类稳定性和有效性。     

基于K-means聚类算法优化方法的研究

针对传统K-means聚类中存在的一系列问题,文中提出了一种基于K-means聚类的改进算法。该算法首先利用K-means++聚类从数据中选择K个距离尽可能远的对象作为初始聚类中心,然后利用K-mediods聚类选择数据样本的中位数作为聚类中心的对象,最后与两步聚类结合。通过对几个常用UCI标准数据集进行仿真实验,结果表明该算法比传统算法更优。     

基于动态粒子群优化与K-means聚类的图像分割算法

为了解决K-means聚类算法图像分割质量过度依赖于初始聚类中心选取,且易于陷入局部最优解等问题,提出一种基于动态粒子群优化(DPSO)与K-means聚类的图像分割算法(DPSOK)。通过动态调整惯性系数与学习因子来增强PSO算法的性能;然后计算粒子群适应度方差,找准切换至K-means算法时机;随后,将DPSO输出结果用来初始化K-means聚类中心,使其收敛至全局最优解;最后,通过最小化目标函数的多次迭代,使K-means的聚类中心不断更新,直到收敛。实验结果表明,DPSOK能有效提高K-means的全局搜索能力,在图像分割中它比K-means,PSO获得了更好的分割效果,且与粒子群优化和K-means算法相比,DPSOK算法具有更高的分割质量与效率。     

一种针对名义尺度变量的优化聚类算法

经典的聚类分析技术如系统聚类法和K-means等主要是处理间隔尺度的变量，而对于名义尺度变量则不适合。文章借鉴认知心理学和优化学习的思想，对名义尺度变量的聚类问题进行了研究，定义了名义尺度变量的距离度量——翻转距离，在此基础上，提出了一种目标函数优化制导的聚类算法，并演示了对名义尺度变量进行聚类的过程。实验表明，我们的算法结果可以得到合理的解释。     

优化初始聚类中心的K-means算法

从传统K-means算法对初始中心的敏感性分析出发,提出了一种优化初始聚类中心的算法.该算法结合一种改进的遗传算法和网络中心数学模型对初始中心进行优化,有效地解决了算法对初始聚类中心的敏感性问题,取得了较好的实验结果.     

基于微正则退火算法对K-means聚类算法的优化

K-means算法是经典的基于划分的聚类算法,但该算法存在依赖于初始聚类中心、容易陷入局部最优解等缺点,针对这些缺点,本文提出了基于微正则退火K-means聚类算法,通过继承微正则退火算法的高效全局寻优特性,可以避免陷入局部最优解。实验结果表明,改进的算法能够有效的减少原算法对初始聚类中心点的依赖,提高算法的稳定性,摆脱原算法容易陷入局部最优解的缺点。     

基于密度的K-means初始聚类中心选取算法

传统K-means算法的初始聚类中心从数据集中随机抽取,聚类结果会随着初始聚类中心的不同而产生波动。针对这一问题,提出一种基于密度的优化初始聚类中心选取算法,通过计算每个数据对象的密度参数和邻域距离,选取k个处于高密度分布的点作为初始聚类中心。在聚类类别数给定的情况下,使用标准的UCI数据库进行对比实验,发现改进后的算法较传统算法有相对较高的准确率和稳定性。     

基于PSO算法的系统可靠性优化分析

提出了将粒子群优化算法(Patticle Swarm Optimization Algorithm,PSO)用于求解系统可靠性优化问题,建立了系统的可靠性模型,分别采用遗传算法(Genetic algonthm,GA)和PSO算法进行了优化仿真,结果表明采用PSO算法和GA算法都能实现系统可靠性优化,但是相比之下PSO算法的计算精度和求出最优解的概率更高,需较少的迭代次数,能更稳定的求解最优解,而且没有求解早熟的弱点,因此PSO算法更适合于系统可靠性优化。     

基于划分的数据挖掘K-means聚类算法分析

为提升数据挖掘中聚类分析的效果,在分析数据挖掘、聚类分析、传统K-means算法的基础上,提出一种改进的K-means算法。首先将整体数据集分为k类,然后设定一个密度参数为■,该密度参数反映数据库中数据所处区域的密度大小,■值与密度大小成正比,通过密度参数优化k个样本数据的聚类中心点选取;依据欧几里得距离公式对未选取的其他数据到各个聚类中心之间的距离进行计算,同时以此距离为判别标准,对各个数据进行种类划分,从而得到初始的聚类分布;初始聚类分布得到之后,对每一个分布簇进行再一次的中心点计算,并判断与之前所取中心点是否相同,直到其聚类收敛达到最优效果。最后通过葡萄酒数据集对改进算法进行验证分析,改进算法比传统K-means算法的聚类效果更优,能够更好地在数据挖掘当中进行聚类。     

基于PSO优化空间约束聚类的SAR图像分割

相干斑噪声的存在使得合成孔径雷达(SAR)图像的分割问题变得非常复杂.本文提出一种具有鲁棒抗噪特性的SAR图像分割方法,该算法通过将多尺度条件下的边缘信息以及相邻像素的相对位置和强度信息所构成的空间信息融入模糊C-均值(FCM)聚类算法的相似性测度中,增强了分割方法的抗噪性.空间信息对FCM聚类算法的调控由粒子群优化(PSO)算法完成,优化的调控参数有助于获得良好的分割结果.该算法对初始分割不敏感,并具有鲁棒的抗噪性能.MSTAR数据的分割实验结果表明:该算法能够有效地分割SAR图像,与通过改进型FCM(IFCM)算法获得的分割结果比较,分割结果明显改善.     

基于K-means聚类的车牌图像去污算法

目前常见的车牌识别算法有神经网络算法,模板匹配算法等,无论何种车牌识别算法,在车牌发生污损情况时,其正确识别率均有较大程度的下降。为解决这一问题,提出了一种基于K-means聚类算法的车牌去污算法。采用人为控制车牌污损程度的方法定量研究本算法的去污有效性,最终发现采用该算法恢复的污损车牌图像相比于恢复前上升近一倍。在污损程度较小时,采取该算法去污后CNN网络识别正确率可以提升约50%;在污损程度较大时,采取该算法去污后CNN神经网络识别正确率可以上升一倍。     

对K-means算法初始聚类中心选取的优化

针对传统K-means算法对初始聚类中心选取的问题,提出了基于数据样本密度和距离来选取初始聚类中心的改进K-means算法,该算法保证了初始中心点集的第一点为确定的(最大密度点),在基于距离最远的其他中心点搜索过程中,得到的中心点也基本上是确定的,消除了初始中心点选择的随机性,同时保证了获得较高质量的初始中心点。理论分析和实验结果表明:改进的k-means算法是一种有效的入侵检测方法,根据此方法设计的入侵检测系统是有效可行的。     

K-means聚类算法研究综述

总结评述了K-means聚类算法的研究现状,指出K-means聚类算法是一个NP难优化问题,无法获得全局最优。介绍了K-means聚类算法的目标函数、算法流程,并列举了一个实例,指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法,指出了K-means聚类的进一步研究方向。     

基于K-means聚类算法的等级测评数据分析

随着等级测评工作的定期进行,等级测评过程中会不断产生并积累海量的测评数据,但是从以测评报告形式存在的测评数据中无法有效地提取出有价值的信息,无法为后续的等级保护工作形成参考指导。利用K-means聚类算法对等级测评数据进行了分析。首先,介绍了等级测评的概念及基本内容;然后,阐述了K-means聚类算法理论;最后,详细地介绍了基于K-means聚类算法的等级测评数据分析的具体流程,为等级测评数据的充分利用提供了一定的参考。     

基于Spark的聚类算法优化与实现

在数据挖掘中,针对聚类过程中数据存在的稀疏性问题,如果仍用传统的欧氏距离作为聚类指标,聚类的质量和效率将会受到一定的影响。受到信息论中KL散度的启发,文中提出一种基于Spark开源数据框架下利用KL散度的相似性度量方法,对目前使用的聚类算法进行优化。首先,通过预聚类,对数据的整体分布进行分析;然后,借助KL散度作为聚类的距离指标,充分利用数据集中元素提供的信息来度量不同数据集的相互关系,指导数据的聚类,在一定程度上改善了数据分布稀疏性的问题。整个过程基于Spark分布式数据处理框架,充分利用集群的能力对数据进行处理,提升数据处理的准确度和算法的时间效率;同时利用KL散度作为数据聚类距离指标,以充分考虑数据内部蕴藏的信息,使得聚类的质量得到了提升。最后通过一个实验来验证所提算法的有效性。     

一种改进的特征加权K-means聚类算法

提出了一种改进的特征加权K-means聚类算法.该算法首先基于数据样本分布选取初始聚类中心,然后设计特征加权的K-means聚类算法.实验结果证明,该算法能产生质量较高的聚类结果,并且能处理数值、符号两类数据.     

对数据挖掘中K-means聚类算法的改进研究

本文对传统的K-means聚类算法进行了深入的分析研究,发现了算法当中的一些缺陷和漏洞,并且找出可以改进K-means聚类算法的方法,使聚类分析的结果更具有实际意义,保证了聚类结果的高质量。     

基于改进PSO的无线传感器网络数据自适应聚类算法

为解决无线传感器网络数据类项过于繁杂的问题,将相似信息参量整合成独立的簇类对象集合,提出基于改进PSO的无线传感器网络数据自适应聚类算法。按照改进PSO算法的作用机制,确定欧氏距离指标的计算数值,实现对网络数据的处理。在无线传感器网络体系中定义聚类排序原则,结合相关数据样本求解自适应期望熵,完成无线传感器网络数据自适应聚类算法研究。实验结果表明,在改进PSO算法作用下,无线传感器网络数据经过整合后的簇类对象集合数量由20个减少到6个,能够解决无线传感器网络数据类项过于繁杂的问题,满足按需整合相似信息参量的实际应用需求。     

GWO与ABC的混合优化算法及其聚类优化

灰狼优化算法（Grey Wolf Optimizer,GWO）和人工蜂群算法（Artificial Bee Colony,ABC）是两种流行且高效的群智能优化算法.GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法（Hybrid GWO with ABC,HGWOA）.首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题.