改进的FCM聚类算法在Weka平台的应用

模糊C-均值聚类算法是目前应用最广泛的聚类算法,但其仍然存在对孤立点敏感及对初始中心点依赖等问题.为此,提出了一种改进的基于样本加权的模糊聚类算法,该算法可以更加准确的获得初始中心点且去除噪声点.同时,针对Weka系统中聚类算法的薄弱性以及聚类问题在数据挖掘领域的广泛性,本文对此平台进行二次开发并对传统FCM算法与改进算法进行研究.研究发现,改进算法使得聚类结果稳定,且能准确获得聚类结果,提高了算法准确率.     

Chameleon聚类算法的Weka实现

为了克服Weka系统在聚类算法方面的不足,在Weka的开源环境下进行了二次开发,扩充了聚类算法。介绍了Chameleon算法的基本原理和构建步骤,给出算法的具体描述,并将Chameleon算法嵌入Weka平台,充分利用了其中的类和可视化功能。对实现的系统进行了实验和测试,并对嵌入的算法和原有聚类算法k—means进行了对比分析。实验结果表明,Chameleon算法可获得更好的聚类效果。     

Weka平台上解决聚类的改进差分进化算法

针对K均值算法的缺陷,提出一种用于解决聚类问题的差分进化算法对聚类的准则函数进行优化,为了能够进一步增强算法的全局搜索能力,引入一种基于种群适应度方差的自适应策略来动态调整变异概率CR和规模因子F等参数,充分利用在Weka工具中的类和接口,并将新提出的算法嵌入到平台中.在Weka平台上将该算法与K均值算法在3个UCI数据集上进行比较.仿真实验结果表明,该算法能够有效克服K均值算法的缺陷,能够获得较高的聚类质量.     

基于迭代式MapReduce的FCM算法实现

针对模糊C均值聚类(Fuzzy c-Means Clustering, FCM)算法聚类过程迭代的特点,采用迭代式MapReduce模型对FCM算法进行了优化实现。Map函数计算每个样本到聚类中心的隶属度,Reduce函数接收Map函数的中间输出计算新的聚类中心,传递模块将最新聚类中心传送给原Map任务所在节点,供新一轮MapReduce job使用。迭代式MapReduce模型在MapReduce基本模型上添加了传递模块,有效解决了基本模型在处理迭代问题上存在的不足。在Hadoop平台中,分别使用基于迭代式MapReduce和MapReduce基本模型的FCM算法对变压器进行故障诊断。实验结果表明,基于迭代式MapReduce的FCM算法诊断速度达到了基于MapReduce基本模型算法诊断速度的12倍以上,误判率降低了12%~15%,有效提升了FCM算法的诊断效率。     

一种多空间FCM算法

FCM是经典的聚类算法,广泛地应用于模式识别、数据挖掘等领域。FCM算法是一种梯度下降优化算法,对初始解敏感并且容易获得局部最优解。空间平滑能够避免启发式局部搜索算法掉入局部最优解。采用空间平滑策略构造一系列光滑程度不同的搜索空间,在不同的搜索空间中执行FCM算法,并利用前层搜索空间的聚类结果来引导本层搜索空间的聚类。FCMS（FCM based on multi-Space）能够跳过局部最优解的“陷阱”,增大获得全局最优解的概率,达到提高聚类质量的目的。给出了等距法空间平滑策略,并通过实验对比了FCMS算法与FCM算法的聚类质量。实验结果表明,空间平滑对FCM算法非常有效。     

FBACN算法与FCM算法比较研究

Wei和Fahn提出了用多触突神经网络结构解决有条件限制的优化问题，可以包括高次方、对数、正弦等形式,并提出了基于。FBACN结构的模糊C均值聚类算法(FCM)的实现方式，但是可以证明上述实现方式与其对应的FCM算法并不等价。数值实验结果也说明FBACN算法的结果与与其对应的FCM算法的聚类结果并不相同。因此．Wet和Fahn提出的用多触突神经网络结构解决有条件限制的优化问题的方法是一种新的聚类方法。     

通过关联规则算法Apriori解读Weka源代码

在阐述了关联规则算法Apriori要义的基础上,解读了其在Weka系统中的具体实现。详细分析了weka源代码中实现Apriori算法的基础核心类包和算法实现类包中的关键类以及这些类内部的关键函数及变量,为探索通过weka源代码学习和研究数据挖掘算法及其实现方法提供了很好的帮助。     

数字水印中FCM算法的应用研究

1 引言多媒体数据的数字化为多媒体信息的存取提供了极大的方便,同时也极大地提高了信息表达的效率和准确性。随着因特网的日益普及,其上的数字媒体(数字声音、文本、图像和视频)应用正在呈爆炸式的增长,越来越多的知识产品以电子版的方式在网上传播。由于数字信号处理和网络传输技术可以对数字媒体的原版进行无限制的任意编辑、修改、拷贝和散布,造成数字媒体的知识版权问题日益突出。因此如何既利用因特网的便利,又能有效保护知识产权,受到了人们的高度重视。数字水印技术作为数字媒体版权保护的有效办法,从1993     

基于FCM算法的电子商务客户分类研究

面对电子商务模式下电商对客户竞争的现状,针对传统的客户分类方法的不足,设计了一种基于FCM模糊聚类算法客户分类的并行算法。实验结果表明设计的方法能准确地对电商客户分类,在MATLAB集群下并行算法的运行取得了明显的并行效果。     

一种基于三角模糊数多指标信息的FCM 聚类算法

针对一类具有不确定性三角模糊数多指标信息的聚类分析问题，基于传统的数值信息FCM聚类算法，提出一种新的聚类分析算法．首先描述了具有三角模糊数多指标信息的聚类分析问题，提出并证明了基于三角模糊数多指标信息的关于最优划分和最优聚类中心确定的两个定理；然后根据这两个定理，进一步给出了基于三角模糊数信息的FCM聚类算法的迭代步骤；最后通过一个算例说明了该聚类算法的具体应用．     

模糊C-均值(FCM)聚类算法的实现

传统的FCM算法能够将靠近边界的具有固有形状的两个簇合并成为一个大的簇.然而,对于一些稍微复杂的数据,如果没有其它的像去除小簇之类的机制的话,FCM算法很难将非常接近的类聚类到一起.给出的聚类算法是在传统FCM算法的循环之后添加了去除掉空簇的步骤,解决了上述很难将非常接近的类聚到一个簇中的问题.另外,为便于选出最优结果,在递归之后又添加了计算聚类有效性的步骤.最后用Java实现了该算法并在数据集上进行了实验,证实了改进方法的有效性.     

云环境下基于Canopy聚类的FCM算法研究

FCM算法是目前广泛使用的算法之一。,针对FCM聚类质量和收敛速度依赖于初始聚类中心的问题,结合Canopy聚类算法能够粗略快速地对数据集进行聚类的优点,提出了一种基于Canopy聚类的FCM算法。该算法通过将Canopy算法快速获取到的聚类中心作为FCM算法的输入来加快FCM算法收敛速度。并在云环境下设计了其MapReduce化方案,实验结果表明,MapReduce化的基于Canopy聚类的FCM算法比MapReduce化的FCM聚类算法具有更好的聚类质量和运行速度。     

基于FCM聚类的奖学金评定方法

传统的奖学金评定方法是按照学生总成绩的高低作为评定依据.把一个多因数的问题简单化,使它成为一个单一的问题来处理.这种方法显然不合理.针对这个问题.采用基于模糊划分的模糊C-均值方法.对学生进行奖学金评定.为评审人员提供了一种比较科学、公正的评审方法.     

基于MapReduce的并行聚类算法设计与实现

针对目前聚类算法对大数据处理效率较低的问题,研究云平台上高效并行化的聚类算法十分必要。在HDFS分布式文件系统基础上,设计一种并行聚类算法P-ISODATA,利用MapReduce编程框架的执行机制将传统ISODATA聚类算法并行化,并在Map阶段之后加入Combine阶段以减少网络传输开销,进一步提高执行效率。实验从著名UCI机器学习库上选取若干数据集作为测试数据,分析了新并行算法P-ISODATA性能,结果表明基于P-ISODATA算法具有优良的加速比、数据伸缩率和扩展率,可以有效地应用于大规模数据的处理。     

GDBSCAN聚类算法的优化

基于密度的聚类作为数据挖掘中聚类算法的一种分析方法,它能找到样本比较密集的部分,并且概括出样本相对比较集中的类.指出广义的基于密度的空间聚类算法GDBSCAN在参数选取方面的局限性,并提出了改进方法.最后讨论了改进的GDBSCAN算法的实现过程.     

客流统计系统中的FCM算法研究

针对公交车客流统计系统中求多个运动目标质心难的问题,同时考虑数字图像处理中数据量大的特点,采用模糊聚类分析理论中的模糊C-均值算法进行聚类。分析了该算法的原理和特点,并应用Matlab仿真软件,实现了基于该算法的公交车客流统计系统。实验结果证明,该算法运算速度快、精度高,具有比较直观的几何意义,适合运用于图像分析中对球状类型目标的分割。     

模糊C均值算法的聚类有效性评价

模糊C均值( FCM)聚类算法最终形成的聚类质量会受到初始值的设定、簇的个数选定及参数选择等多方面因素的影响。文中对最近发表的5种代表性聚类有效性指数在不同的数据维数、聚类个数和参数等条件下对FCM的聚类有效性评价结果进行对比分析。实验结果表明基于类内紧致度和类间离散度比值的聚类有效性指数对数据维度及噪声较为鲁棒,基于隶属度的聚类有效性指数不适于高维数据等,上述结果可帮助研究人员在不同的应用环境下选择合适的模糊聚类有效性函数。     

改进FCM 的图像聚类方法

对传统FCM算法的隶属度函数进行了改进,改进后的算法有效降低了孤立点对图像数据聚类结果的影响。通过灰度-梯度共生矩阵对图像进行纹理特征提取,利用主分量分析法对提取后的图像高维特征进行降维处理,结合本文改进的FCM图像聚类算法对预处理后的图像数据进行聚类。实验证明,该方法具有较好的聚类效果,且能以较少的迭代次数达到全局最优。