基于自适应仿射传播聚类算法的多模型建模方法

考虑到工业生产数据具有按工作点聚类和迁移的特点,提出了一种基于自适应仿射传播聚类(adAP)的多最小二乘支持向量机(LSSVM)算法进行软测量建模。该方法用adAP算法对训练样本进行分类以找到最优的聚类结果,采用LSSVM算法对各类样本分别建立子模型,并根据当前工作点所属子类的模型进行预测输出。将该方法用于聚丙烯熔融指数的软测量建模,结果表明,与其他方法相比该方法具有更高的回归精度和良好的泛化能力。     

基于模型的聚类方法研究

分析基于模型的聚类方法及其典型算法;重点研究基于混合模型聚类算法的局限性及存在的问题.     

一种基于非线性降维的聚类算法

针对K-均值聚类算法不能发现任意形状的聚类的问题,提出了一种基于非线性降维的聚类算法.在该算法中,首先用ISOMAP算法对数据集进行优化,然后再用K-means算法聚类.由于ISOMAP算法不能处理不连通的流形,本文提出了一种改进的ISOMAP算法,它能够发现不连通流形的低维嵌入.改进后的ISOMAP算法与K-means算法结果得到了一种有效的聚类算法.实验结果表明该算法能够发现任意形状的聚类.     

基于偏最小二乘降维的分类模型比较

在众多数据降维方法中,偏最小二乘降维方法是一种非常有效的数据降维模型,并被广泛应用于生物基因数据分析等领域。但基于偏最小二乘降维的分类模型的选择问题,往往为以往的研究工作所忽视,研究者基本是根据自身喜好选择不同的分类模型。针对这一问题,本文通过大量的实验,对多种不同分类模型在生物基因芯片数据集上的性能进行了比较和分析。通过t检验,发现人工神经网络、逻辑斯特判别、线性支持向量机是3种在偏最小二乘降维上性能较好的的分类模型。     

一种基于向量空间模型的文本聚类方法

研究了一种基于向量空间模型的文档聚类方法.提出了一个新的聚类模型,即在传统聚类模型的基础上增加一个文档特征向量调整模块;给出了一个特征评价函数用以进行特征提取;对一种基于相似度的平面划分聚类算法做了一些改进.实验结果表明本文提出的聚类模型是可行的.     

两阶段判别嵌入模糊聚类

针对两阶段判别嵌入式聚类算法无法有效地反映数据的真实结构问题,提出一种两阶段判别嵌入模糊聚类算法。首先利用模糊C-均值算法对数据进行初始聚类,得到数据的初始隶属度矩阵,然后通过奇异值分解和求解最大散度差对数据降维处理,最后在低维子空间中对降维后的数据再次进行模糊C-均值聚类。通过对初始数据和降维后的数据进行模糊聚类提高算法的准确度。对比实验结果表明,该算法可获取最优聚类精度,并能更有效地反映数据的真实结构。     

基于二维直方图的中智模糊聚类分割方法

加入邻域像素均值,对中智模糊聚类分割算法加以改进,以提高其抗噪性能。将各像素与其邻域像素均值相结合,形成二元数组,统计其出现的频次,由此构造二维直方图。通过对此二维直方图进行中智模糊聚类,实现图像分割。对标准灰度图像添加椒盐噪声和高斯噪声,用以验证改进算法的性能。视觉效果及分割图像的峰值信噪比均显示,改进算法相比原中智模糊聚类分割法具有更好的抗噪能力和分割效果。     

基于RGB降维模型和小波的彩色图像边缘检测

针对彩色图像边缘检测计算量大的弱点,对彩色图像空间(RGB)进行三基色降维处理,保持图像的各个基色的灰度矩不变,以最大限度地保留原图像的主要特征.用三次B-样条函数作为光滑函数来定义小波函数,通过小波变换对降维后的图像进行边缘检测.实验结果表明,该方法既可以突出细节边缘,也能够保持图像的主要信息,而且比其他彩色图像边缘检测方法平均减少了40%的计算时间.     

基于独立成分分析的谱聚类方法

谱聚类是近年来一类具有较好应用前景的聚类方法。本文将独立成分分析引入到传统的谱聚类方法中,提出了一种基于独立成分分析的谱聚类算法。利用独立成分析作为预处理,消除了数据内的冗余信息,使得待聚类数据点在高阶统计量的意义下相互独立。文中对比实验证明了该方法的有效性。     

基于模糊聚类迭代模型的干旱程度评估方法

在干旱识别的基础上,采用模糊聚类迭代模型,以模糊权重代表评估指标的重要性,提出以级别特征值评估干旱严重程度的新方法.该方法对干旱评估的准确度较高,为干旱的研究提供了一种新的途径.     

3D Model Retrieval Method Based on Affinity Propagation Clustering

In order to improve the accuracy and efficiency of 3D model retrieval, the method based on affinity propagation clustering algorithm is proposed. Firstly, projection ray-based method is proposed to improve the feature extraction efficiency of 3D models. Based on the relationship between model and its projection, the intersection in 3D space is transformed into intersection in 2D space, which reduces the number of intersection and improves the efficiency of the extraction algorithm. In feature extraction, multi-layer spheres method is analyzed. The two-layer spheres method makes the feature vector more accurate and improves retrieval precision. Secondly, Semi-supervised Affinity Propagation (S-AP) clustering is utilized because it can be applied to different cluster structures. The S-AP algorithm is adopted to find the center models and then the center model collection is built. During retrieval process, the collection is utilized to classify the query model into corresponding model base and then the most similar model is retrieved in the model base. Finally, 75 sample models from Princeton library are selected to do the experiment and then 36 models are used for retrieval test. The results validate that the proposed method outperforms the original method and the retrieval precision and recall ratios are improved effectively.     

模型参数优化中的降维计算方法及其在相平衡计算中的应用

本文提出了模型参数优化的降维计算方法的基本思想。它通过构造参向量空间某个子空间某个子空间族的极小化点集,使一个高维优化问题转化成等价的低维优化问题。降维法的应用常常可以有效地避免高维优化问题中的发散和伪收敛。由于降维法具有很强的收敛性和很宽的收敛初值范围,因此对许多函数性态较差,参数之间相关程度较大的优化问题,一般的通用方法较难给出理想的结果,而降维法的应用却可以使收敛情况大为改观。本文结合相平衡中的一些实例阐明了降维法的基本思想和极小化点集的构造技巧。     

改进的AP聚类算法研究

AP聚类算法是Frey和Dueck在2007年提出的一个先进的聚类方法.该算法具有较传统聚类算法更好的聚类性能,已被成功地应用于计算机科学的研究领域.为了获得高质量的聚类集,原始AP算法的迭代是在全部数据点之间交流信息,直到收敛.由于这种算法在计算数据时需要占用二次CPU时间,不适用于大规模的数据集,因此,本文在AP算法的基础上提出了一种有效的聚类算法.该算法在迭代时可修剪不必要的信息,且在计算消息收敛的同时确定迭代集群,并对算法进行了实验,证明算法是有效的.     

一种根据传播环境分类校正传播模型的方法

充分利用从电子地图获取的相关参数,提出了一种根据传播环境分类校正传播模型的方法. 实验与仿真证明,不恰当地校正传播模型可给路径损耗预测带来较大误差,误差均值达30?dB以上. 而根据传播环境分类校正传播模型的方法满足了合理校正传播模型,提高路径损耗预测准确性的目的,较之常用模型及任意选择的校正后模型,使用该方法分类校正的传播模型对路径损耗预测的准确性提高了6～30dB.     

AP聚类算法的分析与应用

Affinitypropagation（AP）聚类算法是通过消息传递实现聚类的,不需要事先指定聚类数目．对于规模较大的数据集,AP聚类是一种快速、有效的聚类方法,这是其他传统聚类方法所不能及的,如K—centers方法．研究了AP算法的原理和步骤,通过实验,证明了AP聚类算法的实用性和有效性．     

基于关联图关键边发现的人脸图像聚类算法

针对真实场景中大量类别数未知、样本数量不均衡、数据分布复杂等导致人脸图像智能提取准确率低的问题,提出了基于关联图关键边发现的人脸图像聚类算法。首先,通过融合多个卷积神经网络提取的图像样本特征,获得鉴别性更强的特征向量,并计算不同样本之间的相似度;然后,利用拒真率和认假率设置合适的门限值,将得到的相似度结果与门限值进行比较,筛选出相似程度高的样本对,并添加样本对之间的连接边来构建关联图;再利用介数中心性测度,设计关键边发现方法,挖掘关联图中可能连接不同簇的重要连接边;最后,采用图卷积网络确认是否存在上述重要连接边以获得最终的聚类簇。实验结果表明,所提算法能够提高人脸图像聚类的准确率。     

基于Fuzzy聚类的Peleg-ε维数边缘提取算法

本算法综合了传统的利用毯子维数提取图像边缘的方法和Fuzzy聚类的方法,对具有不同维数的物体边缘进行提取。通过改进Fuzzy聚类方法,克服了传统Fuzzy聚类方法中只考虑分维谱图中像素自身而忽略分维谱图中邻近像素聚类特点的缺点;改进后的Fuzzy聚类方法同时弥补了传统的利用毯子维数提取图像边界时迭代次数过少的不足。实验结果表明,利用该算法较传统算法更好地描述了物体的边界.     

基于遗传算法的动态模糊聚类基于遗传算法的动态模糊聚类

提出了一种基于遗传算法的动态模糊聚类方法。通过计算样本之间的模糊相似性,不失真地反映它们之间的内在关联。同时将样本之间的模糊相似性映射到样本之间的欧氏距离,即将高维样本映射到二维平面。利用遗传算法不断优化两者之间的映射,使样本之间的欧氏距离逐步趋近于其模糊相似性,实现动态模糊聚类。克服了聚类有效性对样本分布的依赖性;同时,增加了聚类的灵活性和可视化。该方法在性能上较经典的模糊聚类算法有一定改进,具有较好的聚类效果和较快的收敛速度。仿真实验结果证明了该方法的可行性和有效性。     

一种基于分组遗传算法的聚类新方法

为提高聚类效果,提出了一种基于分组遗传算法的聚类新方法。以改进的分组编码方式表示种群中的个体并基于此制定了合理的种群初始化方案,采用改进的遗传操作算子和种群更新规则,利用遗传算法高效的全局搜索能力实现聚类。通过非线性排序选择机制和精英保留策略提高了遗传进化的稳定性;引入同类并行交叉和合并分割变异算子提高了算法运行效率,增强了全局寻优能力。实验结果表明,该聚类新算法能够自动获得最优聚类数和最优划分方案,具有良好的性能和聚类效果。     

Semi-Supervised Clustering Fingerprint Positioning Algorithm Based on Distance Constraints

With the rapid development of WLAN (Wireless Local Area Network) technology, an important target of indoor positioning systems is to improve the positioning accuracy while reducing the online computation. In this paper, it proposes a novel fingerprint positioning algorithm known as semi-supervised affinity propagation clustering based on distance function constraints. We show that by employing affinity propagation techniques, it is able to use a fractional labeled data to adjust similarity matrix of signal space to cluster reference points with high accuracy. The semi-supervised APC uses a combination of machine learning, clustering analysis and fingerprinting algorithm. By collecting data and testing our algorithm in a realistic indoor WLAN environment, the experimental results indicate that the proposed algorithm can improve positioning accuracy while reduce the online localization computation, as compared with the widely used K nearest neighbor and maximum likelihood estimation algorithms.