改进HK网络演化模型的研究

以HK网络模型为基础,提出了两个度分布与聚类系数均可调的改进HK网络模型。改进模型联合考虑“优先连接”、“三角结构”、“内部演化”等演化机制。在新节点加入时,分别考虑加入单个节点和社团的情况,将 TF 机理移到旧节点之间进行网络演化。仿真结果表明,两个改进模型不仅继承了HK模型的高聚类无标度特性,同时克服了HK模型演化过程中单一加入单个节点的方式及新旧节点之间TF机理的限制。     

无线自组织网络RGG模型聚类系数研究

在影响无线网络同步的因素中,网络拓扑结构逐渐引起人们的关注。通过研究RGG模型中网络聚类系数和网络次大特征值之间的关系,来探索聚类系数对网络收敛性能的影响程度,并希望从有边界效应和无边界效应两种情况入手对其进行研究。通过仿真实验发现在无边界情况下的聚类系数是一个常数,与其他因素无关,有边界情况下其值与环境参数相关。从理论上推导了无边界聚类系数的理论值,并给出了有边界情况下的推导思路。     

基于可能性分布的聚类有效性

依据可能性理论，本文引入了一个新的划分系数，结合Ｊ．Ｃ．Ｂｅｚｒｌｅｋ给出的划分系数，定义一个新的聚类有效性函数，计算机模拟表明该聚类有效性函数具有良好的判决功能和鲁棒性。     

ESYN：基于动态模型的高效同步聚类算法

基于动态同步模型,提出一种高效同步聚类ESYN算法。首先,根据非矢量网络的局部结构信息,提出节点相似度的定义,以准确描述节点间的链接密度;其次,利用OPTICS算法进行矢量化预处理,将非矢量网络转换为一维坐标序列;最后,在通用Kuramoto动态同步模型中,增加基于全局信息的耦合强度分析,同时不断增加同步半径,自动选取最优的聚类结果。在大量人工合成数据集和真实数据集上的实验结果表明算法聚类准确率较高。     

划分系数和总变差相结合的聚类有效性函数

划分系数是聚类有效性检测中常用方法之一.针对划分系数存在的严重不足,本文从一个新的角度对划分系数进行修改.结合数据的模糊划分得到的总变差,提出了二个新的聚类有效性标准.实验结果表明,本文提出的方法具有良好的分类性能.     

大数据中数据挖掘模型的模糊改进聚类算法

在大数据的数据挖掘模型中,普遍采用模糊聚类算法进行数据分析。常用的模糊C均值聚类算法即FCM聚类算法,具有较多明显缺点,如抗噪性偏低、收敛速度慢、聚类数目无法自动确定等。常用的增量式模糊聚类方法通常在原有的以一个中心点为集群代表的基础上,改为选取多中心点进行增量式聚类算法的分析。但是,通过这样的算法进行数据分析也存在一定的问题,主要表现在其中心点选择是固定的,灵活性很差。基于以上原因,文中将对原有基础算法做出改进,主要对大数据中数据挖掘模型的增量型模糊聚类算法做出分析,经实践验证,改进后算法切实可行,普适性较强。     

基于BA无标度的复杂有向网络演化模型

根据BA无标度网络模型提出了一种具有无标度特性的有向网络演化模型,并设计程序进行了仿真实验,对有向网络的度分布进行了分析,结果表明,利用文中提出的有向网络演化模型生成的复杂有向网络的度分布符合幂律分布,能有效的模拟现实世界的具有无标度特性的复杂有向网络,可以在此模型上展开对复杂有向网络的其他相关拓扑性质的分析及研究。     

可能性划分系数和模糊变差相结合的聚类有效性函数

基于可能性分布描述因子定义的可能性划分系数有随类数增加而单调递减的趋势,缺乏与数据集几何结构的直接联系。该文考虑到数据集的几何结构信息,对可能性划分系数进行改进,提出了新的聚类有效性标准。实验结果表明,该文提出的方法具有良好的分类性能。     

基于DBSACN聚类算法的XML文档聚类

为了满足对XML文档集合进行数据挖掘需求,本文提出了根据XML文档树的语义信息和结构信息来计算其结构相似度,通过结构相似度构造其结构相似度矩阵,在此基础上应用DBSCAN算法来对XML文档集合进行聚类.与其他聚类算法相比,其聚类的速度得到了很大的提高.     

基于概率主题模型的文档聚类

 为了实现普通文本语料库和数字图书语料库的有效聚类,分别提出基于传统LDA(Latent Dirichlet Allocation)模型和TC_LDA模型的聚类算法.TC_LDA模型在LDA模型基础上进行扩展,通过对图书文档的目录和正文信息联合进行主题建模.和传统方法不同,基于主题模型的聚类算法能将具备同一主题的文档聚为一类.实验结果表明从主题分析角度出发实现的聚类算法优于传统的聚类算法.     

融合模糊聚类的 Mumford-Shah 模型

Mumford-Shah模型和模糊聚类技术是图像分割的两类重要方法,前者着重于控制图像分割区域的连通性和边界的光滑性,而后者更多地分析了图像色彩的统计特征.受此启发,文中通过在第一种方法中融入模糊聚类技术,提出了融合模糊聚类的Mumford-Shah模型(简称FCMS模型),它能很好地结合两类方法各自的优点.在FCMS中,通过引入三个策略实现两类方法的融合,理论分析可知,现有的多类模糊聚类技术与许多Mumford-Shah模型的变形方法都能在此框架下很好地融合.文中以FCM和基本Mumford-Shah模型为例,给出了FCMS的一个具体实现,并对其做了理论和实验上的分析研究,所得结果证明了这一新模型的合理性与有效性.     

Online social network model with renewal and accelerated growth

Based on observation of the growing mechanism in Twitter-like online social networks, an online social network （OSN） evolution model was proposed, a renewal mechanism for the old nodes and an accelerated growth mechanism was introduced for the new nodes, comparing with the native copying model. Topological characteristics of the generated networks, such as degree distribution, average shortest-path length and clustering coefficient, are analyzed and numerized. These properties are validated with some crawled datasets of real online social networks.     

A KAD Network Evolution Model Based on Node Behavior

An evolution model of KAD Dynamic Model Network （KDMN） is proposed to study the reason of hot node and simulate the process of network evolution based on node behavior from a holistic perspective. First, some symbols and meanings are introduced to describe nodes relationship and network states at a time step. Second, some evolution rules for network are formulated when node behaviors of join, exit, routing table update, data retrieval and content index distribution happen with different contextual scene in KAD network. In addition, a lightweight simulator is designed to implement the KDMN model. Moreover, an example of how to use the simulator to simulate the network changes in order to observe the result is described in detail. Finally, the KDMN is applied to analyze the reason for the formation of hot nodes in the BT and eMule network in the experiment. The different evolution principles of local priority, global priority and hybrid random are adopted based on the provision of network protocol of BT and eMule. The result of this experiment demonstrates that there are some hot nodes exist in the KAD network. However, the principle of hybrid random can effectively alleviate the phenomenon that a node is widely linked with others compared with global and local priority.     

基于模糊神经网络聚类模型的雷达目标识别方法

准确识别雷达目标类型和性质对于有效实施雷达对抗意义重大。分析了模糊Hopfield神经网络原理,构建了雷达目标识别的模糊Hopfield神经网络聚类模型,并结合实例进行了具体验证。     

基于减法聚类的神经网络模型及其应用

神经元网络应用于一般工业过程建模比较有效,但对于对象是庞大数据的复杂的工业生产过程就明显力不从心,采用基于减法聚类算法和模糊c均值聚类算法融合,以获得精确的聚类个数和隶属度,建立基于多判据信息融合和模糊技术构成的神经元网络模型,对实际地下开采生产过程进行仿真,结果验证了模型的有效性.     

一种面向可重构网络的业务聚类方法

可重构网络是在传统网络体系结构僵化、功能单一、可控性差的背景下提出的一种新型网络体系架构,业务聚类是可重构网络的关键机制之一。该文通过对业务聚类需求和聚类算法特性的详细分析,选择了基于平衡迭代规约的层次聚类(Balanced Iterative Reducing and Clustering using Hierarchies, BIRCH)算法来实现业务的聚类;并针对BIRCH对任意形状的簇识别能力差的缺点,设计了一种分裂改进型BIRCH(Advanced Split BIRCH, AS-BIRCH)算法;实验证明该算法在业务聚类方面取得了较好的效果。     

一种新的Web日志聚类算法的研究与实现

传统的用于Web日志聚类的算法大都需要用户指定聚类个数。提出了一种新的自适应聚类算法并对Web日志用户会话进行聚类。该算法基于凝聚聚类思想和划分聚类思想,用初始数据集中每2个会话之间的相异度作为距离的度量,合并距离小于一定阈值的两个会话以产生初始聚类,再根据一定的规则动态地合并距离最小的会话类或会话,算法的结果是产生自然的聚类。最后,通过比较会话聚类的内部距离和类间距离来验证算法的有效性。这种聚类算法的最大优点在于,他能够产生自动的聚类,而不需要用户事先指定需要产生的聚类个数,并且能有效识别孤立点。实验表明,这种聚类能够产生较高质量的聚类效果。     

基于说话人聚类和高斯混合模型的语言辨识研究

本文给出了一种语言辨识的新方法。通常来讲,语言辨识系统是说话人无关的,但说话人的个体特征对语言辨识系统有很大的影响,文本采用了一种粗分类精识别的思想,利用说话人聚类技术有效解决了粗分类的问题,对每类相近说话人集合建立模型,然后进行识别。实验表明,该方法对于说话人无关的语言辨识问题是有效的。