基于计算智能的聚类算法

近年来数据挖掘领域中的聚类和人工智能领域的计算智能都有长足的进步和发展。计算智能自组织、自学习的特性为聚类问题的解决提供了一个有效的途径。当前基于计算智能的聚类算法主要包括：基于神经网络的聚类算法、基于遗传算法的聚类算法和基于蚁群算法的聚类算法。本文针对以上算法进行了阐述,详细说明了算法思想、关键技术和优缺点,并提出了有待进一步研究的问题。     

迷彩设计中基于SOFM的背景图像聚类方法

迷彩设计要求用简单的几种颜色模拟自然背景纹理,因此,通过分析背景的图像,利用图像分割技术提取背景信息从而进行迷彩图案的自动设计已是近年来伪装领域研究的热点课题.目前,最常用的图像分割方法是均值聚类法,而均值聚类法由于直接利用图像的灰度差信息,容易造成分割的细节不明显,从而导致模拟背景纹理失真.针对均值聚类法的不足,结合人工智能网络学习技术,提出基于SOFM的图像分割方法对背景进行聚类分割,较好地保留了图像的细节纹理,得到了较为理想的效果.     

一种基于改进神经网络的高效模糊聚类算法

针对利用自组织特征映射(SOFM)神经网络进行模糊聚类时出现的一些问题,提出改进结构的神经网络,采用自适应的聚类初值,能够实现高维数据和任意形状族的聚类,与具有同样聚类效果的其他算法相比,具有较低的时间复杂度。仿真实验结果表明,该聚类算法比单个的神经网络聚类算法和同类其他算法更有效。     

基于SOM算法实现的文本聚类

以自组织特征映射（Self-organizing map,SOM）算法作为理论基础,实现了对 文本文档的聚类,并且给出了相应的类别标注,同时对聚类的准确度进行了评价,由于准确 度较低而后提出了把tf·idf计算词权重的方法应用到SOM算法的输入文本向量中去,因此提 高了聚类的平均准确度。     

自组织映射(SOM)聚类算法的研究

通过自组织映射神经网络实现的聚类算法能将任意维数的输入信号模式转变为一维或二维的离散映射,以拓扑有序的方式自适应实现这个变换.介绍自组织映射聚类算法的原理,通过实验进行仿真,结果表明自组织映射聚类算法是可行有效的.     

基于数据场的CLARA聚类算法改进

CLARA是k-中心值聚类的一种算法,在处理大型数据集的聚类问题时,比PAM(围绕中心点的划分)更具有良好的伸缩性,但CLARA算法随机抽样中存在采样不准确的缺点.本文针对这一不足,使用了数据场的概念对CLARA聚类算法进行了有益的改进,提高了采样的准确性,使其更适合于对大型多维数据集的处理,提高了挖掘结果的质量.     

融合SOM和改进PSO的Web文档集成聚类算法

随着信息的爆炸式增长,现有的搜索引擎在很多方面不能满足人们的需要。Web文档聚类可以减小搜索空间,加快检索速度,提高查询精度。提出了一种融合SOM（Self-Organizing Maps）粗聚类和改进PSO（Particle Swarm Optimization）细聚类的Web文档集成聚类算法。首先根据向量空间模型表示法,用特征词条及其权值表示Web文档信息,其次用SOM算法对文档特征集进行粗聚类,得到一组输出权值,然后用这组权值初始化改进的PSO算法,用改进PSO算法对此聚类结果进行细化,最终实现Web文档聚类。仿真结果表明,该算法能有效提高文档查询的查准率和查全率,具有一定的实用价值。     

改进的GHSOM 算法在文本聚类中的应用

信息时代,文本信息极其巨大。本文运用一种改进GHSOM 算法进行文本聚类,该算法具有显著的文本聚类 能力,能够将文本的相似性用多种手段表现。实验结果表明改进GHSOM 算法整体上是优于SOM 算法,它的先进性主要体现 在更短的计算时间,并提供更丰富的有序性表达能力。     

基于SOFM网络的聚类分析

基于自组织特征映射网络的聚类分析,是在神经网络基础上发展起来的一种新的非监督聚类方法,分析了基于自组织特征映射网络聚类的学习过程,分析了权系数自组织过程中邻域函数和学习步长的一般取值问题,给出了基于自组织特征映射网络聚类实现的具体算法,并通过实际示例测试,证实了算法的正确性。     

一种基于SOM和K-means的文档聚类算法

提出了一种把自组织特征映射SOM和K-means算法结合的聚类组合算法。先用SOM对文档聚类,然后以SOM的输出权值初始化K-means的聚类中心,再用K—means算法对文档聚类。实验结果表明,该聚类组合算法能改进文档聚类的性能。     

QPSO优化的改进CLARANS聚类算法

CLARANS算法是一种有效且广泛应用的聚类算法,适合发现任意形状的聚类结果,但CLARANS算法在搜索过程中容易陷入局部最优解,从而忽略全局最优解。为了避免CLARANS算法在搜索中心点时易受局部最优解的影响,提出一种将CLARANS算法中的邻接点作为QPSO算法的量子粒子,结点代价作为适应度函数对其进行寻优的改进CLARANS算法。将该改进算法应用于UCI数据集,结果表明该算法聚类效果好、收敛快,算法的稳定性、收敛性及寻优能力都有很大提高。     

CLARA算法聚类蛋白质序列的实现

随着基因工程产生大量新序列,导致蛋白质序列数据库的迅速增长,巨量蛋白质数据的功能组和族谱分析使蛋白质序列聚类分析成为结构和功能基因组学重要的研究目标,应用数据挖掘技术对生物数据进行聚类分析成为生物信息学研究的热点。聚类分析算法中的CLARA划分算法已广泛应用于其它领域,但在大数据量蛋白质序列聚类分析中应用很少,文章应用CLARA算法对在基准数据库中选取的蛋白质序列进行聚类分析,并将结果与其它几种蛋白质聚类算法进行了比较。     

改进的SOFM算法及其在低延迟语音编码中的应用

根据低延迟语音编码算法训练码书的尺寸和码字维数的特点,提出了一种改进的自组织特征映射（SOFM）神经网络的码书设计方法。对输入训练矢量以及连接权矢量进行归一化,为降低计算量和提高码书训练质量,采用快速的网络学习决定获胜的神经元并对网络权值分阶段进行自适应调整,最后应用于低延迟语音编码中。实验表明,与传统LBG算法比较,采用SOFM神经网络训练的码书其合成语音的主、客观质量均有较大提高。     

基于区域比例的聚类方法

为了改善DBSCAN参数敏感性和对密度分布不均数据对象聚类质量不高的问题,提出了一种基于DBSCAN算法的改进聚类方法。算法使用K最近邻的均值距离度量密度,中心点选取当前密度最大点,并以中心点为核心点扩展种子队列,直至由给定的密度比例因子所决定的密度边缘。为了改善聚类质量,提出了候选核心点,并使用给定的半径比例因子发现核心点。在实验中,利用数据集对该算法进行了测试,测试结果证明了该改进算法的参数鲁棒性,和在聚类密度分布不均数据集时的较好性能。     

SOFM神经网络在处理非空间属性中的应用

由于非空间属性维数较高,空间聚类算法在处理非空间属性约束时难点首先在于如何为这些非空间属性设定参数,然后是哪些非空间属性在聚类中将起主要作用,并真正影响聚类的结果。对这些问题进行了讨论,并提出使用神经网络中自组织映射的方法来首先选择哪些非空间属性将被优先考虑,使用自组织特征映射（SOFM）方法对非空间属性聚类,最后把非空间属性和空间属性聚类进行合并得到最终的聚类结果的方法。     

改进的粒子群模糊聚类算法

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。     

基于自组织特征映射的图像压缩技术

计算机人工神经网络技术提供了新的图像压缩方法。自组织特征映射人工神经网络就能够用于图像的有损压缩。通过将图像分成若干小块,然后使用神经网络进行训练达到特征向量自动聚类,从而将这若干个图像块分成不同的类,其类别个数远小于图像块的个数,最后使用一个映射表保存这些信息。该方式,将图像中相同或者非常相似的部分归为一类,降低了信息冗余度,从而可以进行图像的有损压缩。该方法采用了计算机神经网络,有比较好的适应性,能够方便的和其它压缩技术结合实现效果更好的混合压缩,具有良好的推广价值。     

基于连通距离和连通强度的BIRCH改进算法

为解决利用层次方法的平衡迭代规约和聚类（BIRCH）算法聚类结果依赖于数据对象的添加顺序，且对非球状的簇聚类效果不好以及受簇直径阈值的限制每个簇只能包含数量相近的数据对象的问题，提出一种改进的BIRCH算法。该算法用描述数据对象个体间连通性的连通距离和连通强度阈值替代簇直径阈值，还将簇合并的步骤加入到聚类特征树的生成过程中。在自定义及iris、wine、pendigits数据集上的实验结果表明，该算法比多阈值BIRCH、密度改进BIRCH等现有改进算法的聚类准确率更高，尤其在大数据集上比密度改进BIRCH准确率提高6个百分点，耗时降低61%。说明该算法能够适用于在线实时增量数据，可以识别非球形簇和体积不均匀簇，具有去噪功能，且时间和空间复杂度明显降低。     

一种基于改进的自组织特征映射网络的文档聚类方法

采用标准的自组织特征映射(Self—OrganizingFeatureMap)网络进行文档分类时存在着收敛速度慢、不同的初始条件及学习样本输入顺序影响学习过程和学习结果等缺点。针对这种情况,论文提出了一种改进的自组织特征映射网络文档分类方法,即采用自适应的方法建立网络拓扑结构,利用输入训练样本来确定网络中的连接权值,综合系统能量函数和训练次数作为判断网络的学习结束标准,并且取得了比较好的实验结果。     

阈值优化的文本密度聚类算法

针对DBSCAN算法的聚类性能受全局阈值影响而降低的问题,提出一种阈值优化的文本密度聚类算法。该算法使用k-近邻距离对对象进行排序,通过分位数区分密度不同的各序列,找到与其对应的优化,根据优化阈值使用密度聚类方法对对象进行聚类。改进后的聚类算法克服了阈值选取对聚类结果影响的问题,提高了聚类精确度和时间效率。采用树形结构存储聚簇,增加了聚簇的可读性。实验结果证明了该算法的有效性。