共查询到19条相似文献,搜索用时 156 毫秒
1.
2.
基于分级神经网络的Web文档模糊聚类技术 总被引:2,自引:1,他引:1
给出了一种多层向量空间模型,该模型将一篇文档的相关信息从逻辑上划分为多个相对独立的文本段,按照不同位置的文本段确定相应的索引项权重.然后提出了一种简明而有效的基于分级神经网络的模糊聚类算法.与现有方法不同,该模糊聚类方法采用自组织神经网络和模糊聚类网络两部分组成的3层神经网络来实现.首先采用自组织神经网络从原始数据产生一个初始聚类结果,然后运用FCM方法对初始聚类的数目进行优化.实验结果表明,提出的Web文档聚类算法具有较好的聚类特性,它能将与一个主题相关的web文档较完全和准确地聚成一类. 相似文献
3.
由于非空间属性维数较高,空间聚类算法在处理非空间属性约束时难点首先在于如何为这些非空间属性设定参数,然后是哪些非空间属性在聚类中将起主要作用,并真正影响聚类的结果。对这些问题进行了讨论,并提出使用神经网络中自组织映射的方法来首先选择哪些非空间属性将被优先考虑,使用自组织特征映射(SOFM)方法对非空间属性聚类,最后把非空间属性和空间属性聚类进行合并得到最终的聚类结果的方法。 相似文献
4.
5.
自组织映射(SOM)聚类算法的研究 总被引:7,自引:0,他引:7
通过自组织映射神经网络实现的聚类算法能将任意维数的输入信号模式转变为一维或二维的离散映射,以拓扑有序的方式自适应实现这个变换.介绍自组织映射聚类算法的原理,通过实验进行仿真,结果表明自组织映射聚类算法是可行有效的. 相似文献
6.
文本聚类的核心问题是找到一种优化的聚类算法对文本向量进行聚类,是典型的高维数据聚类,提出一种基于自组织神经网络SOM和人工免疫网络aiNet的两阶段文本聚类算法TCBSA。新算法先用SOM神经网络进行聚类,把高维的文本数据映射到二维的平面上,然后再用aiNet对文本聚类。该方法利用SOM神经网络对高维数据降维的优点,克服了人工免疫网络对高维数据的聚类能力差的缺点。仿真实验结果表明该文本聚类算法不仅是可行的,而且具有一定的自适应能力和较好的聚类效果。 相似文献
7.
8.
模糊聚类是模式识别、机器学习和图像处理等领域的重要研究内容。模糊C-均值聚类算法是最常用的模糊聚类实现算法,该算法需要预先给定聚类数才能对数据集进行聚类。提出了一种新的聚类有效性指标,对聚类结果进行有效性验证。该指标从划分熵、隶属度、几何结构角度,定义了紧凑度、分离度、重叠度三个重要特征测量。在此基础上,提出了一种最佳聚类数确定方法。将新聚类有效性指标和传统有效性指标在6个人工数据集和3个真实数据集进行实验验证。实验结果表明,所提出的指标和方法能够有效地对聚类结果进行评估,适合确定样本的最佳聚类数。 相似文献
9.
10.
谱聚类方法的应用已经开始从图像分割领域扩展到文本挖掘领域中,并取得了一定的成果。在自动确定聚类数目的基础上,结合模糊理论与谱聚类算法,提出了一种应用在多文本聚类中的模糊聚类算法,该算法主要描述了如何实现单个文本同时属于多个文本类的模糊谱聚类方法。实验仿真结果表明该算法具有很好的聚类效果。 相似文献
11.
基于支持向量机回归的T-S模糊模型自组织算法及应用 总被引:2,自引:0,他引:2
结合模糊聚类算法和支持向量机回归算法提出了一种新的T-S模糊模型自组织算法. 该算法首先利用一种改进模糊聚类算法提取模糊规则和辨识前件参数,然后将T-S模糊模型后件变换为标准线性支持向量机回归模型,并利用支持向量机回归算法辨识后件参数. 仿真结果表明,相比现有的自组织算法,本文提出的T-S模糊模型自组织算法在规则数较少的情况下,仍然具有较高的辨识精度和较好的泛化能力. 最后,利用提出的T-S模糊模型自组织算法较好地建立了直拉硅单晶炉加热器和空气预热器的温度模型. 相似文献
12.
针对仿生自主学习系统的自组织和泛化能力问题,基于Skinner操作条件反射原理和模糊聚类算法设计了动态FOCPA(fuzzy operant conditioning probabilistic automaton)仿生自主学习系统。动态FOCPA学习系统不仅具有仿生的自学习和自组织能力,而且提高了学习的精度和速度。其在仅能获得环境微弱反馈信息的前提下,首先采用在线聚类的方法实现对输入空间的灵活划分,以确保映射规则的数目是最经济的;然后以取向值为评价信号,采用OC学习算法,在线自主学习输入状态到输出操作行为的最佳映射,并加入一个高斯噪声项对映射结果进行实时优化。此外,动态FOCPA学习系统还利用信息熵的评价能力,来验证自身的自学习和自组织能力。理论上分析了设计的OC学习算法的收敛性;通过对两轮柔性直立式机器人姿态平衡控制和速度控制的实验分析,验证了动态FOCPA学习系统的有效性。 相似文献
13.
关于模糊C-均值(FCM)聚类算法的改进 总被引:3,自引:0,他引:3
针对模糊C-均值(FCM)聚类算法的容易收敛于局部极值的不足,提出了一种改进的模糊FCM聚类算法,此新算法在聚类中心选取和优化过程中进行了充分的考虑,是一种用于确定最佳聚类数的聚类算法,并且利用了分阶段思想,结合动态直接聚类算法和标准聚类算法,来尽量避免模糊C-均值(FCM)聚类算法的不足。新算法与传统(FCM)聚类算法方法相比,提高了算法的寻优能力,并且迭代次数更少,在准确度上也有较大的提高,具有很好的实际应用价值。 相似文献
14.
针对传统模糊C均值聚类算法和基于K-means++优化聚类中心的模糊C均值算法存在初始聚类中心敏感、聚类速度收敛慢、聚类算法需要人为给定聚类数目等缺陷,受密度峰值聚类算法(Clustering by Fast Search and Find of Density Peaks,CFSFDP)的启发,提出了基于密度峰值算法优化的模糊C均值聚类算法,自适应产生初始聚类中心,确定聚类数目,并优化算法收敛过程。实验结果表明,改进后的算法与传统模糊聚类C均值算法相比能够准确地得到簇的数目,性能有明显的提高,并加快算法的收敛速度,达到相对更好的聚类效果。 相似文献
15.
Abstract: An important goal of clinical electrophysiological studies is estimation of the source of rhythm disturbances (arrhythmia) in the heart. 15% of ventricular arrhythmias are known to originate from the outer surface of the heart (epicardium). One localization approach targeting the epicardium uses multielectrode catheters placed in the coronary veins. However, epicardial measurement sites from these catheters are limited to locations reached via the coronary veins. This study investigates the feasibility of several pattern classification and neural network approaches for localization of the source of ventricular arrhythmias from sparse measurements acquired from within coronary veins. Specifically, we studied Kohonen self-organizing maps and fuzzy C-means clustering methods for the construction of the target vector in neural networks from experimental high-resolution activation-time patterns. We also studied two neural network techniques, probabilistic neural networks and backpropagation networks, for the training and test procedures. The results of this study showed that it was possible to localize the arrhythmia source in a relatively small region for approximately 70% of cases. This study, in general, showed that the combination of probabilistic neural networks, Kohonen self-organizing maps and fuzzy C-means clustering approaches is feasible in catheter-based epicardial arrhythmia source localization. 相似文献
16.
翟剑锋 《电脑编程技巧与维护》2012,(14):40-42
将自组织映射神经网络(SOM)与FCM结合,利用SOM的并行计算能够减少模糊C均值算法在处理海量数据时的聚类时间,可以提高聚类算法的速度和效果,同时使用该算法对校园网Web日志进行数据挖掘,能够对用户行为进行分析,从而提出相应的方法,更好地提高服务效率和管理质量。 相似文献
17.
针对如何分析校园无线网络数据,挖掘数据中蕴藏的学生行为,更好地辅助教学管理,本文提出了在Hadoop平台构建基于自组织神经网络(SOFM)的模糊C-均值(FCM)聚类算法。该算法采用自组织神经网络与模糊C-均值聚类算法相结合,避免了模糊C-均值聚类算法初始化不当带来的误差,目标函数中采用马氏距离,自适应的调整了数据的几何分布。考虑到无线用户数据规模庞大,采用了Hadoop平台并行运行聚类算法。实验结果表明,本文提出的算法提高了聚类结果的准确性,有效地降低了时间复杂度,分析平台为学校管理层快速有效的做出决策提供了依据,研究分析方法对其它高校有较大地参考价值。 相似文献
18.
讨论了采用无监督的模糊竞争学习算法,并结合自组织竞争网络构成的一种新型模糊聚类神经网络模型,提出了一种基于该网络模型的镜头突变检测算法。该算法通过对线性特征空间进行由粗到细的两步模糊聚类实现镜头突变的检测。实验结果表明该算法是可行和有效的。 相似文献