基于类内K-means聚簇的KNN改进算法

传统的KNN算法的时间复杂度与训练样本集的数量成正比,大规模数据下其分类效率显著下降,因此它不适用于大规模数据的在线实时处理。为此,本文提出了一种基于类内K-means聚簇的KNN改进算法。该算法先对训练样本集内各个类别的样本分别进行K-means聚簇,得到各个样本所属的簇标签,与各个簇标签所对应的簇中心向量。在进行KNN分类时对于每个测试样本先计算它与各个簇中心向量的相似度,选出排名前的一定个数的簇标签,随后以这些簇所含的样本集作为该测试样本的训练样本集进行传统的KNN分类。改进算法通过这种选择训练样本集而缩小了比对范围,减少了大量计算量。实验表明,改进的KNN分类算法在分类的准确率没有明显变动下,运行效率得到了明显的提升。     

基于K-means聚类算法和BP神经网络的稻米品种鉴别

BP神经网络是利用误差逆向传播训练的前馈网络,具有自适应、实时学习的特点,在分类中广泛应用。但当样本类别过多,BP神经网络的分类精度显著降低。基于此,本研究提出了一种K-means聚类算法和BP神经网络相结合的方法作稻米品种鉴别。利用图像处理方法提取出11种稻米样品的灰度平均值、长宽比和圆形度三项特征参数,利用K-means聚类算法对所得数据进行聚类,聚类的结果作为BP神经网络的输入,训练得到分类器。实验结果表明,这种算法的分类效果要优于单一使用BP神经网络和K-means算法,且分类准确率达到80%,可见本实验的方法用于稻米品种鉴别是可行的。     

基于花粉算法的K均值聚类算法

针对原始花粉算法寻优精度低,后期收敛速度慢等问题,提出加入高斯白噪声扰动改进花粉算法.利用改进后花粉算法强大的全局搜索能力优化K-means算法的初始聚类中心,通过基于距离的方法消弱孤立点对聚类的影响,并对该算法的性能进行验证和测试.实验结果表明该算法有效地避免了其陷入局部最优,改善了聚类性能.     

一种基于SOM改进的PCM聚类方法

针对PCM算法在聚类计算过程中存在的初始聚类中心随机选取,聚类结果可能陷入局部最优解等问题,提出一种改进策略.利用SOM网络对数据进行初步处理,得到PCM算法的初始聚类中心,使得算法聚类效果得到明显提升.     

基于分布式聚类的无线传感器网络数据传输方法研究

为了解决无线传感器网络中传感器节点数据传输效率低、数据延迟较高的问题,提出了一种基于分布式聚类的无线传感器网络数据传输方法.该方法通过节点聚类的方式,将无线传感器网络划分为多个分簇,根据每个分簇中传感器节点的剩余电量选取簇头节点,分簇内其传感器节点将收集的数据传输给簇头节点,再由簇头节点传输给基站.仿真结果表明,该方案能够有效提高无线传感器网络的数据传输效率,降低数据延迟,同时延长网络的生命周期.     

基于K-means聚类和蚁群算法在WSN粮情测控中的研究

结合无线粮情测控中粮仓环境数据采集,以及WSN(无线传感器网络)供电能量有限等特点,提出一种基于LEACH协议、K-means聚类和蚁群算法的WSN改进路由算法。首先在预处理阶段利用K-means聚类算法将散布的节点分成多个簇,通过聚类减少数据发送量。其次,利用蚁群算法支持多路径的特点,在数据传输阶段形成簇首间多跳路由机制。仿真结果表明:所用算法能够有效减少数据传输时的能量消耗,延长节点的网络生命周期。     

基于聚类克隆技术的Markov预测算法的改进

为解决传统一阶Markov模型算法的预测准确率较低问题,改进算法在动态的基于聚类克隆的Markov模型算法的基础上,通过限制克隆条件实现对状态的过滤,减少了需克隆的状态数,减小了计算量,从而提高了运算速度.实验表明,这种策略能有效地提高Markov模型在网页预测中的效率.     

基于ε-邻域和拉普拉斯矩阵秩约束的谱聚类算法

为进一步扩充谱聚类算法的研究空间,提出一种基于ε-邻域和拉普拉斯矩阵秩约束的谱聚类算法。利用ε-邻域对亲和矩阵进行稀疏处理,再对拉普拉斯矩阵加上秩约束;以l2,1范数为正则项参数来调整模型,使得模型学习到更合理的数据结构;利用交替迭代优化算法对模型求解。最后,在4个数据集上与其他几种聚类算法进行对比,验证结果表明了ε-RSC算法的有效性和可行性。     

基于密度最大值聚类的奶酪风味鉴别模型

针对传统的食品风味鉴别方法具有的局限性、食品种类比较单一,并不能覆盖所有食品类别,主成分分析方法在奶酪样本上表现效果较差,无法准确快速区分不同风味奶酪,本研究基于密度最大值聚类算法提出了一种鉴别奶酪风味的模型,该模型首先用改进的密度最大值聚类算法对风味物质进行聚类,自动获取聚类中心形成具有风味表征的特征,然后利用支持向量机算法进行分类鉴别。结果表明,通过改进的密度最大值聚类算法得到风味物质特征后,分类器模型更加稳健,均适用于切达奶酪和马苏里拉奶酪的类别鉴定,准确率均在95%以上,高于原始特征、DBSCAN聚类特征、K-means聚类特征的分类结果。     

基于聚类算法的服装感性数据挖掘方法

本文以运动休闲风格男士上衣为例,使用问卷调查的形式收集了与之相关的主要设计元素的消费者喜好评分,将离散的设计元素与服装情绪感性信息相对应和量化,并以此为基础设计了消费者感性意向矩阵,将矩阵数据进行归一化处理后,应用专业的数据挖掘软件WEKA,使用K-means聚类算法对数据进行处理,依据输出数据最终构建了4类典型的设计模型。目的是对获取到的大部分消费者的情感选择进行科学分析与处理,拟合出可以指导服装感性设计工作的具有代表性的“最佳设计模型”。通过所提出的服装感性信息模型构建的方法,可以有效揭示不同类型消费者的偏爱度,并能够筛选出可以对特定消费行为产生正面的积极影响的重要设计元素,为服装设计人员提供有效的参考。     

基于色彩聚类的皮影服饰纹样分割

为实现皮影服饰图案的自动提取,以唐山皮影头茬图像为例,分析了皮影服饰的色彩构成及图案特点,探讨了一种基于色彩聚类的皮影图案识别方法.通过相对总变差模型对皮影图像进行了噪声平滑处理;将处理后的数字图像由RGB颜色空间转换至CIE L?a?b?颜色空间,提取空间中的a、b两个色彩分量;利用K-means聚类算法对皮影图像色...     

改进的K-means算法

针对传统K-means聚类算法对初始点敏感性问题,根据数据样本分布,采用启发式的方法选取初始聚类中心点,设计了一种均衡化评价函数,由此函数为准则自动生成聚类数目.通过实验验证了该算法的收敛性.     

基于计算智能的聚类技术及其分析研究

聚类属于无监督学习,是将数据集中的数据对象分成多个簇或者类,使得在同一个簇中对象相似度高,而在不同簇中对象的相似度低,因此,对空间数据对象的聚类可通过基于聚类目标函数的优化问题来解决。从这一思路出发,将自适应能力及鲁棒性较高的计算智能技术应用于聚类分析,产生了很多基于计算智能技术的聚类分析模型。基于计算智能的聚类分析成功解决了数据的聚类问题,对处理目标的特性有良好的适应能力,弥补了传统聚类方法的不足,取得了良好的效果。     

基于多源数据与K-means聚类的地域特征关联纸质包装色彩应用研究

以哈尔滨中央大街景区为研究对象,采用OSM开源地图平台、百度API平台配合ArcGIS10.6平台、Python平台获取数据,通过Matlab平台下DeepLabV3+模型对获得的街道图像进行语义分割,通过K-means聚类算法以HSB色彩空间为模型基准,绘制色彩散点聚类模型、色彩连续性模拟模型与片段色彩聚类模型对中央大街景区进行可视化分析,并提出地域特征关联纸质包装设计的色彩应用建议。多源数据结合K-means聚类法可以在短时间内相对快速、精准、科学完成纸质包装色彩提取与应用策略制订,其结果能够体现地域文脉特色,提升地域特色包装辨识度,有助于实现地域特征关联纸质包装色彩方案优选,为纸质包装色彩应用提供参考。     

基于线性判别分析和二分K均值的高维数据自适应聚类方法

将线性判别分析和二分K均值聚类耦合在一起,提出了一个适合于高维数据聚类的自适应方法:利用线性判别分析将高维数据集变换成低维数据集,然后在低维数据集上执行二分K均值聚类,并把得到的聚类结果通过一个簇成员指示矩阵H变换到原数据集中.将这样的过程反复进行,直到自适应地得到一个最优结果.基于现实数据集的实验结果证明了该方法的有效性.     

基于聚类算法的纺织品文物色彩提取与纹样数字化探索——以新疆巴里坤M12出土清代纺织品纹样为例

为准确有效地提取纺织品文物的色彩，实现纺织品文物的纹样数字化处理，文章以新疆巴里坤出土的一组清代纺织品为例，设计了一种基于多变量模糊C均值(Multivariate Fuzzy C-mean, MFCM)聚类算法与K-means++算法相结合的纺织品纹样复原方法。首先，获取图像并通过双边滤波与高斯滤波对图像进行平滑降噪处理；然后采用MFCM聚类算法对平滑降噪后的图像进行分割；接着采用K-means++算法分析聚类数量，有效提取纺织品主色，并较好保留图像细节；最后通过计算机软件提取文物纹样轮廓，将提取的主色填充至纹样轮廓，完成纺织品文物纹样的数字化模拟。实验结果表明，该方法可以较为准确地提取纺织品文物色彩，并且提取效果优于传统数字化取色方法，取色效率更高，具有进一步研究应用的价值。     

基于谱聚类胶囊网络的文本分类方法

传统胶囊网络(CapsNet)在计算时使用的动态路由算法需要多次迭代,针对这一问题,文章提出一种基于谱聚类的胶囊网络模型(Spectral Clustering Capsule Network,SC-Caps)并将其应用于文本分类任务.这种模型首先使用卷积层对文本进行特征提取,在初级胶囊层将提取的标量特征转化为向量特征,再利用谱聚类算法将高维的向量特征转化为较低维的子向量特征,并在卷积胶囊层学习局部与全局之间的关系映射.在搜狗语料库SougoCA进行实验,结果与LSTM、C-LSTM以及采用其他路由方法的胶囊网络进行比较,证明该算法有效提高了文本分类的分类效果.     

基于熵权法的灰色聚类评估在纺纱工艺设计中的应用

结合纺纱工艺评估的现状和灰色系统的特点,将灰色聚类评估应用在工艺设计中。研究了灰色聚类的相关问题,建立了灰色聚类评估模型。将熵权法应用在灰色聚类中,解决了聚类权重确定的问题,实现了基于熵权法的灰色聚类评估算法。利用企业的工艺和质量数据,进行了算例验证。通过对比试验证明了该评估模型应用于纺纱工艺评估的有效性。     

基于Web日志的数据挖掘聚类算法研究及应用

针对FCM算法主要应用于点数据聚类,不能直接处理关系型数据的缺点。本文提出了一种基于Web日志的数据挖掘聚类算法,首先对FCM算法进行改进使其能够处理关系型数据,并对算法进行了健壮性改进。然后针对传统FCM算法需要在没有先验知识的基础上,事先确定聚类类别数的缺点,引入了竞争凝聚算法（CA）,与FCM算法相结合,形成了CAFCM算法,使之能够自动确定最佳分类类别数。实验表明,CA-FCM算法的挖掘结果与FCM算法的结果相近,在用户访问会话数量不太大时性能优于FCM算法。     

基于同态滤波和改进K-means的苹果分级算法研究

针对苹果在分级的过程中,光线不均所导致的表面反光和阴影问题,利用同态滤波和改进的K-means算法予以解决。同态滤波前,将苹果图像由RGB空间转换到HSV空间,再对HSV空间的V分量进行同态滤波增强,最大限度地削弱光线不均带来的影响;对传统K-means聚类算法,新增加距离度量方法、确定聚类数目和初始中心点,能较好地去除苹果阴影对图像分割的影响。从大小、果形、质量、颜色、缺陷5个方面对陕北富县的秦冠苹果进行分级,分级成功率达到97%。利用同态滤波算法结合改进的K-means算法来对苹果图像进行处理,能够大大提高苹果分级的准确性。