一种新的并行聚类算法

为了进一步提高计算效率,提出一种面向计算机集群的并行聚类算法.首先合理划分数据块,之后由集群中的节点并行聚类,最后合并聚类结果.这期间采用动态负载平衡和异构的通讯方式.实验证明该并行算法不仅能得到正确的聚类结果,并能够大幅度提高聚类速度.     

一种新的两阶段FCM聚类算法

提出了一种新的两阶段FEM聚类算法,一方面有效弥补了Stephen L Chiu提出的FCM算法中存在的不足,更好地解决选择初始聚类中心的问题;另一方面,新算法解决了大数据量数据聚类时间过长的问题,取得了较好的聚类效果.实验结果也显示了该算法的有效性和优越性.     

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。     

一种改进的层次聚类算法在面包品质检验中的应用

利用基于Gabor滤波的方法,采用不同方向、不同尺度对面包切片区域图像直接进行小波变换提取纹理特征,使用层次与划分相结合的聚类方法对面包品质进行聚类操作.实验结果表明,该算法具有使结果簇更紧凑和独立的效果,是实际应用中一个有效的选择.     

一种与k-prototypes混合的蚁群聚类算法的浅探

本文介于k—prototypes和蚁群聚类算法的优,缺点,将两种算法进行改进后,交替使用,相互弥补．扬长避短,形成一种全新的算法,既缩短了聚类时间也能形成高效的聚类结果。     

一种改进的模糊聚类算法

ＦＣＭ（Ｆｕｚｚｙ Ｃ－Ｍｅａｎｓ）算法是一种基于目标函数优化的模糊聚类方法,其收敛地于初始条件敏感。与ＨＣＭ（Ｈａｒｄ Ｃ－Ｍｅａｎｓ）算法相比,ＦＣＭ算法的模糊分割矩阵提供的信息更加丰富。本文采用冗余聚类中心初始化,根据模糊分割矩 列和以及实际的要求逐级减少类别数目。实验结果显示改进的算法得到的收敛中心稳定,并且中以融合有关数据分布的先验知识得到所期望的结果。     

一种基于效用函数的系统划分聚类算法

提出了一种基于效用函数划分系统的聚类算法，本算法中给出的效用函数能同时兼顾系统划分的相关性、可理解性、整体性、可分离性等原则。     

一种混合聚类算法在用户聚类中的应用研究

利用一种混合聚类算法对用户聚类方法进行分析.给出了此混合聚类算法的应用公式以及在用户聚类算法中应用的思路,最后给出了该算法的具体实现过程.     

基于混合聚类算法的客户细分策略研究

针对层次聚类法和 K-means 聚类法的缺陷和不足,提出将二者相结合的改进算法,既解决了层次聚类法伸缩性差的问题,又解决了 K-means聚类法对初始聚类中心敏感的问题。通过对改进算法的计算复杂度分析并利用 UCI 数据库的测试数据对改进算法进行测试。结果表明,混合聚类算法使样本聚类的准确率提高到94%,并有更高的执行效率和更好地实用性。此外,将此算法应用到汽车销售公司的客户细分管理中,得出了差别化明显的客户细分类别,表明此改进算法具有更强的客户细分能力以及客户行为特征的解释能力。     

基于蚁群和模拟退火算法的聚类新方法

模拟退火算法具有良好的全局搜索能力,而蚁群算法具有良好的分布式并行性和正反馈能力.针对样本维数大、数目多时聚类效果不满意的问题,提出了混合的蚁群模拟退火算法,思路是利用K-均值算法的结果作为初值,再使用蚁群算法和模拟退火算法对初值进行调整聚类,结果表明这种算法比较有效.     

一种新的基于混合蚁群算法的聚类方法

建立了聚类分析问题模型，分析了K-均值算法、模拟退火算法和基本蚁群算法的优缺点。对蚁群算法作了改进．思路是K-均值方法混合，利用K-均值方法的结果作为初值。经过比较测试，两种混合蚁群算法的效果都比较好．特别混合方法二的效果最好。     

自动确定聚类个数的模糊聚类算法

本文通过集成多次FCM(Fuzzy C-Means)聚类结果以及采用软化分方式,提出一种新的自动确定聚类个数的模糊聚类算法.本算法首先利用不同的聚类数目对数据进行FCM聚类,然后充分利用多次FCM聚类得到的隶属度信息构建一个累积邻接矩阵,最后采用迭代方式对累积邻接矩阵进行图切分以获取最终聚类结果.大量的仿真实验表明,相对现有集成聚类方法,本文方法能够有效减少FCM的聚类次数,并且在图切分过程中的迭代次数为现有方法的1/2左右.     

一种改进的遗传算法在聚类分析中的应用

基于层次的聚类方法是聚类分析算法的基本方法之一,但是由于其自身的缺点（如：合并后不能撤消等）往往会导致聚类质量不高。文中通过将一种改进的遗传算法用于聚类分析中,实现了层次聚类,并通过改进遗传算法参数,以提高算法的性能,这样既改善了基本遗传算法收敛慢、易陷入局部最优解的问题,同时又加快了聚类速度,减小误差。     

一种基于距离调节的聚类算法

针对k-means算法不适合凹形样本空间的问题,提出了一种基于距离调节的聚类算法.算法中引入了一种调节最短路径距离作为算法的相似度函数,该函数可以使经过高密度数据区域的两点距离缩短,而经过低密度数据区域的两点距离加长,由此来缩小类间样本的相似度,同时加大类间的相似度,以及更好的聚类.实验结果证明,该算法对凹状的聚类样本空间具有很好的聚类效果.     

一种基于调和均值的模糊聚类算法

k调和均值算法用数据点与所有聚类中心的距离的调和平均替代了数据点与聚类中心的最小距离，是一种减小初始值影响聚类结果的有效的聚类方法。本文对k调和均值算法进行扩展，考虑到数据点同时对不同聚类的隶属关系，将模糊的概念应用到聚类中，提出了模糊k调和均值-Fuzzv K—Harmonic Means(FKHM)算法。在中心迭代聚类算法的统一框架的基础上，推导出FKHM算法聚类中心的条件概率表达式以及在迭代过程中的数据点加权函数表达式。以划分相似度作为聚类结果的评价准则，实验表明，FKHM算法在聚类对于初值不敏感的同时提高了聚类结果的精确度，达到较好的聚类效果。     

面向图表示社区检测的新型聚类覆盖算法

图表示社区检测使用图表示方法学习网络节点的向量表示,然后对节点向量进行聚类获得社团结构.然而经典的聚类算法在聚类节点向量时,得到的结果往往不能够体现社区的特性.提出一种新型的聚类覆盖算法,将聚类所得覆盖视为社区划分结果.首先在节点向量空间中计算得到每个簇的覆盖中心;然后根据覆盖中心到同类样本的平均距离作为覆盖半径,在向量空间中形成覆盖;最后对未覆盖的点做二次划分得到社区结构.在多个有真实和无真实标签网络的实验表明,所提出的算法可以得到更合理的社区结果.     

一种基于CSA的模糊聚类新算法

在聚类分析中,模糊k均值算法是目前应用最为广泛的方法之一,然而该算法对初始化敏感,容易陷入局部极值点。为此,该文提出一种基于克隆选择的模糊聚类新算法以实现全局优化处理。在新算法中,由于克隆算子能够将进化搜索与随机搜索、全局搜索和局部搜索相结合,因而通过对候选解进行克隆算子操作,能够快速得到全局最优解。用人造数据和IRIS实际数据所做测试结果表明了新算法的有效性。