聚类分析在入侵检测系统中的改进

本文针对传统的聚类算法在入侵检测系统中的不足,提出一种基于密度的初始聚类中心的选择方法,可克服普通K-Means中的需人工确定K值的问题,用此算法改进的入侵检测模型能够获得很好的聚类效果。对比实验结果,发现使用改进后的算法与传统的K-Means相比可以获得更高的检测率和较低的误报率。     

改进的聚类分析算法在客户群分中的应用研究

针对传统的K-Means聚类算法对初始聚类中心依赖性较高,从而影响分类结果的问题,提出了一种改进算法,并将其应用于一家电器商场的客户群分中,为商场的营销活动提供了有价值的决策依据.     

基于改进K-Means聚类算法的NBA球员价值评估

针对NBA球员价值评估问题,提出了一种改进的K-Means聚类评估方法.综合拐点法和轮廓系数法的优势,对K-Means聚类算法进行改进,建立NBA球员价值评估数据模型,根据模型预测结果,实现NBA球员价值的评估.     

VRP的混合改进型蚂蚁算法求解

在近几年出现的一种新的优化思想--蚂蚁算法的基础上,针对车辆路径问题,设计用于求解该问题的混合改进型算法并求解标准数据库中的大量实例.经过大量数据测试和验证,并与其他启发式算法相比较,获得了较好的结果.     

基于K-Means算法的架空输电线路载流量计算

针对边界条件取值过于保守导致架空输电线路载流量过小而无法充分发挥输电线路的载流能力的问题,本文提出了一种基于K-Means算法的架空输电线路载流量计算方法.首先对历史气象数据进行统计分析,然后根据每月气象数据的相似性,使用K-Means算法划分时段,并选取各时段最为合适的边界条件,最后基于选定的边界条件使用摩根公式进行仿真计算.通过这种方法,可以在保证线路运行安全的条件下挖掘输电线路的隐性输送能力.     

网格中基于免疫原理的蚂蚁算法

针对传统蚂蚁算法的缺点,提出了一种应用于网格任务调度策略中的基于免疫原理的改进蚂蚁算法.改进的蚂蚁算法通过积累和充分利用信息素来指导蚁群的行为.改进后的算法在TSP实验中取得了较好的效果.     

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。     

基于数据挖掘和K-Means算法的高校学情数据集成研究

为了更好地了解学生,为教学设计提供依据,基于数据挖掘和K-Means算法对高校学情数据集成进行研究。首先对学生数据进行预处理,利用Python技术可视化分析学生成绩与性别的深层关系,构建RET标签体系;然后利用K-Means对学生数据进行聚类分析。实验结果表明,该方法的聚类分析结果边界清晰、效果较好,教师可以据此深入了解学生情况。     

改进型K-Means算法在肠癌病理图像分割中的应用

针对正常与癌变大肠病理切片图像的特征,结合主成分分析(PCA)和K-Means算法提出了一种分割大肠病理切片图像中腺腔和上皮细胞、细胞核、间质的算法,解决了传统K-Means算法确定初始中心的难点,提高了识别分类时的收敛速度.使用基于相关系数矩阵的主成分分析方法确定具有代表性的聚类初始中心,结合K-Means算法将大肠病理切片图像数据分成三类.相关实验证明:提出的改进型K-Means大肠病理切片图像分割算法能够准确地将大肠病理切片图像中的腺腔和上皮细胞、细胞核、间质分类,且使用PCA方法的算法收敛速度比传统使用RANDOM方法的算法更快,取得了良好效果.     

浅析常用聚类分析算法

聚类分析是数据挖掘中的核心技术,本文对数据挖掘领域的聚类分析方法及代表算法进行分析,并对算法性能进行比较.     

基于多蚁型的蚁群聚类算法

本文提出了一种多蚁型的蚁群模型和在此模型上的一个具有移动空间的蚁群聚类算法。每个类簇都带有一个移动空间,使同类的蚂蚁紧密地聚在一起。移动空间为每个类簇选出一个代表蚂蚁用来长距离的类簇移动。代表蚂蚁通过连接将类簇中不相似的大量数据移动到与其相似的代表蚂蚁处,减少了蚂蚁的搜索时间,提高聚类性能。针对UCI数据集进行实验,结果表明新算法提高了聚类效果。     

基于信息熵的蚁群聚类算法的改进

聚类分析是数据挖掘领域中的一个重要研究课题．在LF算法的基础上，利用信息熵减少参数设置，并通过半径递增、短期记忆、强行放下、合并聚类等策略，提高聚类性能、仿真实验表明：新算法能取得较好的聚类结果，对于处理混合属性数据集尤其是类属性数据集聚类问题相当有效．     

基于蚁群聚类的码书设计

针对蚁群算法设计码书所存在的缺点，提出了改进，即引入了频率敏感方法，通过增加失真测度来减小蚂蚁重复选择同一个聚类的可能性，增加了选择的随机性，跳出了局部较小解，避免了停滞现象。有效地提高了其全局搜索能力。通过仿真实验，可以看出该算法码书的改善性能和寻优的高速率。     

基于 k-m eans 算法改进的蚁群聚类算法

传统的k-means算法是一种局部搜索算法,对初始化敏感,容易陷入局部极值。针对此缺点,提出一种基于k-means算法的改进的蚁群聚类算法,选择相距最远的处于高密度区域的k个数据对象作为初始聚类中心,把正反馈、精英机制和变异算子引入到蚁群聚类。实验结果证明,算法不仅对初始数据具有弱依赖性,而且能够提高聚类的准确率,加快收敛。     

改进的K-均值聚类邮件过滤算法

分析了基于内容过滤的反垃圾邮件技术存在的不足,如概念漂移和偏斜类分布会导致召回率降低．在Minoru Sasaki和Hiroyuki Shinnou提出的邮件检测方法的基础上,对特征选择算法做了改进,并增加了自动学习机制,提出了一种基于改进K-均值聚类的垃圾邮件过滤算法．实验表明此方法能较好地适应概念漂移和偏斜类分布现象．     

基于聚类和分段优化的蚁群算法

针对蚁群算法在求解大规模旅行商问题(TSP)时精度和时间方面的不足,提出了一种新的算法,该算法采用多阶段的蚁群寻优策略.算法的复杂度分析及在大规模TSP问题上的实验表明:该算法在保证获得较好解的前提下收敛速度得到了较大的改进.     

基于集群的蚁群算法在TSP中的应用研究

围绕TSP问题研究了基本蚁群算法.在此基础上,研究了串行蚁群算法的并行策略,使用C++语言调用MPI接口函数实现了并行蚁群算法.最后,分析研究了影响并行蚁群算法的因素,采用了更高效的信息素更新和变参数机制对并行蚁群算法进行了改进.通过仿真实验分析表明,改进的并行蚁群算法有较广泛的适用性,与基本蚁群算法相比,具有更高的精度和更短的收敛时间.     

改进的K—Means聚类算法在保险客户信用分析中的算法实现

针对保险业对客户信息的分析中缺乏考虑客户信用分析的问题,根据聚类分析算法理论和保险公司客户数据库特点,进一步对K-means聚类算法在大样本环境下初始聚类中心的选取提出有效改进,同时选取一家财产保险公司的客户信用数据,来探讨聚类算法在保险客户信用分析中的应用．     

基于自适应蚁群算法的模糊聚类算法

将自适应蚁群优化算法与FCM(Fuzzy C-Means)算法相结合,提出了一种模糊聚类分析的新算法.该算法通过把FCM算法中的目标函数降维,将其转化为自适应蚁群优化算法中的优化函数,通过对各个节点的路径连接数的衡量,根据蚂蚁在搜索过程中所得解的分布状况,动态调节蚂蚁的路径选择和信息量更新,从而得到目标函数的最优解.结果表明,该方法比FCM算法具有更好的收敛效果和更高的聚类准确率.