堆石坝参数反演的蚁群聚类RBF网络模型

 将蚁群算法与径向基(RBF)网络相结合,提出一种用于堆石坝力学参数反演的蚁群聚类径向基网络模型。该模型用蚁群聚类算法搜索RBF网络基函数中心,模拟蚁群觅食聚类的概率转移特性,所得到的聚类结果类间离散度和比传统K均值聚类结果小,能够得到更合理的基函数中心,从而获得较准确的坝体参数和位移之间的非线性映射关系。在进行参数灵敏度分析的基础,对一座堆石坝的反演分析表明,蚁群聚类RBF网络模型可有效地求解堆石坝多参数反演问题,反演结果优于BP网络模型和K均值RBF网络模型。     

说话人模型聚类算法研究与分析

针对说话人确认识别率不高及实时性差的问题,在深入研究传统高斯混合模型以及K均值聚类算法的基础上提出两种基于说话人高斯混合模型的说话人聚类算法:KL散度聚类算法和巴氏距离聚类算法。根据不同的聚类算法,得到各个类的聚类中心模型,将其作为SVM的输入得出最终识别结果。仿真实验将两种聚类算法进行详细的分析比较,实验结果显示巴氏距离聚类算法具有较好的识别性能和抗噪性。     

灰狼优化的k均值聚类算法

针对k均值聚类算法对初始聚类中心位置敏感的问题,提出了一种基于灰狼优化的k均值聚类算法,通过灰狼优化算法对解空间的全局寻优能力得到α狼,实现对k均值聚类中心的初始化操作,并通过迭代更新α狼优化k均值聚类中心,直到达到最大迭代次数,以此改进k均值聚类算法。实验结果表明,在UCI(University of California Irvine)的4类数据集上,所提算法相比于传统的k均值聚类算法,获得了更好的聚类效果,其分类准确度平均提高10%左右,且算法较为稳定。     

一种基于蚁群聚类的图像分割方法

目前聚类技术已成为图像处理,计算机视觉,模式识别等研究邻域的重要方法。本文在群体智能理论和聚类算法的基础上,提出了一种基于蚁群聚类算法的图像分割方法。实验表明,该方法能够较好的分割图像,具有较好的聚类效果。     

仿射传播和谱聚类的船舶轨迹聚类

针对谱聚类算法中常用的K-means算法对特征向量空间进行聚类初始值敏感等问题,提出了一种新的基于仿射传播(AP)的谱聚类算法。首先,利用动态时间规整(DTW)距离度量各船舶自动识别系统(AIS)轨迹之间的结构相似性,得到距离矩阵;其次,使用快速AP聚类算法改进传统谱聚类算法,基于指定的类别数对内河桥区水域船舶AIS轨迹数据进行实例验证。仿真实验结果表明:本文算法在不增加时间复杂度的基础上,比传统谱聚类算法有更高的鲁棒性,且实验准确率提高5.24%。     

聚类分析算法的分析与评价

聚类方法大体可以分为基于层次聚类算法、基于划分聚类算法、基于密度聚类算法、基于网格聚类算法、基于模型聚类算法、基于模糊聚类算法等。本文对主要聚类方法进行分析,并且结合具体的聚类分析算法进行聚类评价。     

一种自适应AP算法的matlab实现

AP算法是Fey BJ.等人提出的一种聚类算法.与传统的K均值聚类算法相比,AP算法不需要选择初始的聚类中心点,因此,聚类结果更客观.但AP算法中相似度矩阵对角线上的偏向值需要人为设定,而这个值会影响到聚类数目;另外,当AP算法发生震荡时,算法无法自动退出震荡.为解决AP算法中的振荡问题及相似度矩阵对角线上元素值的确定问题,王开军等人提出了自适应AP算法,逐步改变偏向值p,得到不同的聚类结果,再根据聚类结果的Silhouette指标,找出最好的Silhouette指标对应的偏向值及聚类结果.当震荡发生时,逐步增加阻尼因子?值,直到算法退出震荡.使用MATLAB实现了自适应AP算法和Silhouette评价指标,为后续的研究工作打下基础.     

大数据聚类算法研究

随着大数据时代的来临,数据量不断地增加,对大数据环境下的数据进行有效的聚类已经成为现阶段的一个研究热点。文章围绕这一课题,从介绍大数据环境下的特点以及对算法的处理要求开始,对面向大数据的聚类算法的划分进行简单的介绍,指出其中的问题,并对大数据下的有效聚类算法的划分进行展望,希望能够借此加深对于聚类算法的理解。     

基于Web日志的数据挖掘聚类算法研究及应用

针对FCM算法主要应用于点数据聚类,不能直接处理关系型数据的缺点。本文提出了一种基于Web日志的数据挖掘聚类算法,首先对FCM算法进行改进使其能够处理关系型数据,并对算法进行了健壮性改进。然后针对传统FCM算法需要在没有先验知识的基础上,事先确定聚类类别数的缺点,引入了竞争凝聚算法(CA),与FCM算法相结合,形成了CAFCM算法,使之能够自动确定最佳分类类别数。实验表明,CA-FCM算法的挖掘结果与FCM算法的结果相近,在用户访问会话数量不太大时性能优于FCM算法。     

改进的FCM算法在医学图像分割中的应用

模糊C均值（FCM）算法是一种非监督聚类算法,该算法在图像分割中得到了广泛的应用。但是FCM算法有一定的缺陷,比如没有充分利用图像的空间信息、聚类数目无法自动确定、计算量大等问题。本文通过对直方图进行分析,采用峰点检测技术,自动确定聚类数目和各类的峰值,提出了一种适用医学图像分割的改进FCM算法,实验表明,该方法是一种具有自动分类能力的速度更快的模糊聚类图像分割算法。