基于视觉系统的聚类:原理与算法

传统的聚类分析方法只强调其对产生数据的物理系统原理的依赖 ,而忽略了人类感知数据结构的方法对聚类分析的影响。我们认为 ,这二者就聚类算法的构造和聚类结果的分析而言 ,具有同等的重要性。人类主要通过眼睛来感知结构。根据这一现点 ,我们提出了基于视觉前端系统尺度空间模型实施聚类的原理与方法。这一方法不仅可用于解决聚类有效性方面那些与人类感知结构方式有关的基本问题 ,而且可克服传统算法对初值敏感、难以找到最优聚类 ,难以确定聚类类数等缺陷。数值实验表明 ,这一方法具有广泛的应用前景 ,特别在那些与人类视觉相关的研究领域 (如图像分析和模式识别 )中 ,这一方法尤为有效     

基于数据相似度和引力理论的密度峰聚类算法

本文针对密度峰聚类算法(DPC)中存在的参数敏感、算法不连续和聚类分块化问题,提出一种基于数据相似度和引力理论的密度峰聚类算法(SLDPC)。该算法基于数据相似度确定局部密度,采用引力理论扩大簇心与非簇心数据点之间的差异,通过设定阈值自动确定簇心,通过基于边缘分布的合并策略对聚类分块化进行合并。实验共采用16个数据集,并与DPC、K-means、基于密度的噪声应用空间聚类算法(DBSCAN)及DPC改进算法进行了对比。实验结果表明,本方法具有优异的聚类准确性和良好的稳定性。     

一种有效的基于密度度量的相交网格划分聚类算法

针对高维聚类算法--相交网格划分算法GCOD存在的缺陷,提出了基于密度度量的相交网格划分聚类算法IGCOD.IGCOD算法对相交网格的尺寸进行控制,重新定义更为合理的密度度量方法,根据密度期望值来合并两个相交的网格.理论分析和实验证明,相对于GCOD算法,基于密度度量的相交网格划分聚类算法IGCOD在性能上有显著的提高.     

浅谈数据挖掘中的聚类算法

数据挖掘是近年来非常热门的研究方向。聚类分析是数据挖掘的一个重要研究领域。本文归纳总结了数据挖掘中传统聚类算法,并对现今新发展的,比较热门的聚类算法进行了介绍。     

彩色图像量化的FSCAMMD聚类算法

提出了一种基于模式识别技术的彩色图像量化的新算法－－基于最小距离最大的快速统计聚类算法（FSCAMMD）。本算法克服了SCA算法对聚类中心初始值选取的不足,给出了最大频度与类内最小距离最大相结合的方法－－初始值优选法,实验结果表明,本算法可较大幅度地减少图像量化后的总方差以颜色失真度。     

K-means聚类算法在客户细分中的应用

聚类分析作为一种数据简化技术,它把基于相似数据特征的变量等组合在一起,这种技术对发现基于相似特征的问题非常有用。本文主要以某超市为研究对象,运用K—means聚类算法对其客户进行细分,得到一个矩阵模型,该模型对企业的经营具有很好的辅助作用。     

基于模糊聚类的RBF神经网络算法

文章提出一种根据模糊聚类的思想来确定RBF神经网络隐层节点数,并用K-Means的聚类算法来训练RBF神经网络.并根据此算法进行仿真,并证明是有效的.     

基于k-均值的文本聚类算法及改进

本文提出了k-means聚类算法中选取初始聚类中心及处理孤立点的新方法,改进了k-means算法对初始聚类中心和孤立点文本很敏感的不足之处,并将改进后的算法应用于中文文本聚类中。实验结果表明,改进的算法较原算法在准确率上有较大提高,并且具有更好的稳定性。     

基于密度峰值聚类的VRPTW问题研究

提出一种密度峰值聚类 (density peak clustering, DPC)与遗传算法(genetic algorithm, GA)相结合的新型混合算法(density peak clustering with genetic algorithm, DGA),求解带时间窗的车辆路径问题。首先应用DPC对客户进行聚类以缩减问题规模,再将聚类后的客户用GA进行线路优化。结果表明：DGA在9个数据集上的平均值比模拟退火(simulated annealing, SA)和禁忌搜索(Tabu)分别提高了13.41%和4.7%,单个数据集最大提高了26.4%。这证明了该算法是求解车辆调度问题的高效算法。     

聚类算法分析及其性能比较

聚类算法有很多种,在需要时可以根据所涉及的数据类型、聚类的目的以及具体的应用要求来选择合适的聚类算法。下面介绍几种常用的聚类算法,并根据评价准则来评价这些算法。     

动力系统的胞化积分轨迹法

本文提出了一种非线性动力系统全局分析的数值方法——胞化积分轨迹法。本方法将积分轨迹上的点与胞化坐标系下的胞有机地结合起来,有较好的分析精度和效率。在处理吸引域边界很复杂的多吸引子共存问题上,避免了各种胞映射法产生的吸引子遗漏现象。此外,本方法有效地避免了各种胞映射法由于选定区域选择不当而使计算失效的缺陷。     

复杂长距离输水系统仿真优化研究

将自优化模拟模型应用于长距离输水系统优化调度研究中，以数字仿真模型为基础，增加在线控制优化环节，根据仿真模型的输出反馈不断优化系统输入，实现系统仿真过程的自适应优化。并以MATLAB软件作为系统仿真平台，成功地实现了实例工程的仿真优化过程，为复杂长距离输水系统优化调度研究开辟了一条新途径。     

岩体可爆性分级的加权聚类分析方法

本文利用聚类分析理论建立了岩体可爆性分级的加权聚类分析方法,实例验证结果表明该方法是可行的。     

一种机构可靠性的仿真分析方法

实际工作中,机构的运动规律并非是确定的,而是在允许的偏差范围内离散分布的,是不确定的。文章介绍了一种计算机构可靠性的方法。该方法将计算机概率仿真方法与机构运动学、动力学微分方程结合起来,通过对影响机构可靠性的基本变量进行离散化并定义极限状态,最终得出准确的可靠度指标。从而能影响到对产品的设计,最终达到对产品进行优化的目的。     

有价票据视觉复检自动化包装系统设计

目的针对现有有价票据包装工艺中自动化程度低、人力成本高、分包效率低、出错率高的现象,设计一套视觉复检自动化分包系统。方法采用自动分拣机构实现票据高速分机和整理,并通过视觉检测技术检测票据编码的正确性;利用双工位机械臂和包扎机构实现快速包扎和整理。结果所设计系统分拣速度达800张/min,工作节拍可达80捆/min,最大限度地提高了系统工作效率。结论该设计为各类票据高速、高效包装系统的实现提供了参考。     

一种基于人眼视觉特性的立体图像质量客观评价方法

通过模拟人眼视觉特性中的对比度敏感函数、多通道效应以及立体感知特性,提出了一种基于人眼视觉特性的立体图像质量客观评价方法.在评价左右图像质量时,利用小波变换模拟人眼视觉特性中的多通道效应,不同空间频带的小波系数按对比度敏感函数进行加权,左右图像质量度量采用Canberra $巨离.在评价立体感知时,则通过计算原始与测试...     

城市色彩聚类提取方法介入青岛文创产品开发研究

目的 当前,城市色彩的研究正受到广泛关注。青岛是一座地域文脉丰富的城市,其城市色彩具有很高的代表性与研究价值。旨在探索青岛城市色彩特征,提取其色彩信息并指导青岛文创产品的设计研发。方法 在搜集大量与青岛城市环境相关的资料的基础上,以能代表青岛面貌的自然景观和人文景观的高清图片为研究素材。首先对其城市色彩进行视觉上的感性认识,然后利用K-means聚类方法对图片进行科学的色彩提取,并建立色彩网络模型,发现该城市面貌的主色、辅色及色彩搭配关系,从而为青岛城市文创产品的配色方案带来启示。结论 青岛的城市色彩具有特色且搭配和谐,将其提取并应用于青岛文创产品的配色中能够体现青岛的城市文脉特色,推动青岛文创产品的设计研发。     

Index-adaptive Triangle-Based Graph Local Clustering

Motif-based graph local clustering (MGLC) algorithms are generally designed with the two-phase framework, which gets the motif weight for each edge beforehand and then conducts the local clustering algorithm on the weighted graph to output the result. Despite correctness, this framework brings limitations on both practical and theoretical aspects and is less applicable in real interactive situations. This research develops a purely local and index-adaptive method, Index-adaptive Triangle-based Graph Local Clustering (TGLC+), to solve the MGLC problem w.r.t. triangle. TGLC+ combines the approximated Monte-Carlo method Triangle-based Random Walk (TRW) and deterministic Brute-Force method Triangle-based Forward Push (TFP) adaptively to estimate the Personalized PageRank (PPR) vector without calculating the exact triangle-weighted transition probability and then outputs the clustering result by conducting the standard sweep procedure. This paper presents the efficiency of TGLC+ through theoretical analysis and demonstrates its effectiveness through extensive experiments. To our knowledge, TGLC+ is the first to solve the MGLC problem without computing the motif weight beforehand, thus achieving better efficiency with comparable effectiveness. TGLC+ is suitable for large-scale and interactive graph analysis tasks, including visualization, system optimization, and decision-making.     

A Fast and Effective Multiple Kernel Clustering Method on Incomplete Data

Multiple kernel clustering is an unsupervised data analysis method that has been used in various scenarios where data is easy to be collected but hard to be labeled. However, multiple kernel clustering for incomplete data is a critical yet challenging task. Although the existing absent multiple kernel clustering methods have achieved remarkable performance on this task, they may fail when data has a high value-missing rate, and they may easily fall into a local optimum. To address these problems, in this paper, we propose an absent multiple kernel clustering (AMKC) method on incomplete data. The AMKC method first clusters the initialized incomplete data. Then, it constructs a new multiple-kernel-based data space, referred to as K-space, from multiple sources to learn kernel combination coefficients. Finally, it seamlessly integrates an incomplete-kernel-imputation objective, a multiple-kernel-learning objective, and a kernel-clustering objective in order to achieve absent multiple kernel clustering. The three stages in this process are carried out simultaneously until the convergence condition is met. Experiments on six datasets with various characteristics demonstrate that the kernel imputation and clustering performance of the proposed method is significantly better than state-of-the-art competitors. Meanwhile, the proposed method gains fast convergence speed.