一种特征加权的聚类算法框架

为了考虑数据各维特征对聚类的不同贡献,并把有监督特征评价方法应用到无监督分类问题中,提出一种特征加权的聚类算法框架.该框架首先通过某种聚类算法对数据聚类,然后,根据聚类结果,采用有监督特征评价方法学习各维特征的权值,再根据特征权值重新聚类,之后再次学习特征权值,该过程反复迭代,直至算法收敛或达到指定的迭代次数.欧几里德空间内基于距离、基于密度的聚类算法均适用于本框架.基于本框架,采用模糊C均值聚类算法(FCM)、密度聚类算法(DBSCAN),并通过信息增益特征评价、ReliefF特征评价方法,对多个UCI数据集进行了实验,验证了该框架的有效性.     

一种基于加权特征的可能模糊聚类方法

利用数据点特征权重的概率约束关系和可能分布,提出了分别建立在概率和可能加权特征方式之上的改进可能模糊聚类的两种模型。其中建立在可能约束之上的改进PCM算法扩展了原算法,具有更广泛的适用性。实验结果表明,算法能够实现不同概率权重或可能分布特征条件下的模糊聚类,扩展了改进的PCM算法,适用性更广。与PCM及其改进算法相比,聚类的效果较为明显。     

一种基于信息素的蚁群聚类算法

蚁群算法作为一种新型的优化方法,具有很强的适应性和鲁棒性。基于蚁群算法的聚类方法已经在当前数据挖掘研究中得到应用。文章提出了一个新颖策略来解决无人监督的数据聚类问题,利用信息素控制蚂蚁随机移动提高算法效率,采用运动速度各异的多个蚂蚁独立并行进行聚类来提高聚类质量。实验结果表明该方法是有效的。     

一种基于混合策略的蚁群聚类算法

蚁群算法是一种智能聚类分析方法。分析了基本蚁群聚类算法的特点和不足,总结了不同的聚类情景,并在此基础上提出了一种新的基于混合策略的蚁群聚类算法。新算法中,蚂蚁根据不同的聚类情景而采取不同的行为策略,同时赋予蚂蚁多载功能。实验表明基于混合策略的蚁群聚类算法显著改善了聚类效果。     

一种选择性加权聚类融合算法

传统的聚类融合方法通过融合所有成员实现融合,无法彻底消除劣质聚类成员对融合质量的影响,而从聚类成员的选择和加权两方面进行聚类融合,即先采用两两融合技术代替融合所有聚类结果进行聚类成员选择,然后进行基于属性的聚类成员加权,在理论上具有更好优越性。通过对真实数据和模拟数据的实验发现,该算法能有效处理聚类成员的质量差异,比传统聚类融合能得到更好的聚类结果,具有较好可扩展性。     

一种基于方向相似性的蚁群聚类算法ACCADS

提出了一种基于方向相似性度量的蚁群聚类算法。首先针对方向性数据的特点将方向性度量引入蚁群聚类算法作为相似性度量;其次使用两个反应阈值决定人工蚂蚁的聚类动作,避免了LF算法中由于计算平均相似度而出现的不足。实验结果表明,该算法能有效地对方向性数据聚类,具有一定的实际应用价值。     

一种基于蚁群算法的模糊C均值聚类

针对模糊C均值(FCM)聚类算法,在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解,FCM算法自身并不能确定聚类个数需要人为设定,并在数据分类应用时具有了一定误差的问题,提出了一种基于蚁群算法的FCM聚类算法。该算法根据蚁群聚类算法确定模糊聚类个数和FCM算法的初始聚类中心：利用蚁群算法的全局搜索性、并行计算性等特点避免了聚类陷入局部最优解：仿真结果表明了该算法的有效性。     

一种基于遗传算法改进的蚁群聚类算法

基于K-means算法改进的蚁群聚类算法需要用户凭借经验事先输入聚类数k。针对此缺点,对该算法进行了改进,提出了一种基于遗传算法改进的蚁群聚类算法,采用启发式搜索自动搜索最佳聚类数k,使聚类数与实际问题相符,以便获得更好的聚类结果。实验结果证明,算法在聚类应用中是可行的、有效的。     

蚁群聚类算法综述

数据聚类是重要的数据挖掘技术,在工程和技术等领域具有广泛的应用背景。蚁群算法作为一种新型的优化方法,具有很强的鲁棒性和适应性。文章着重介绍蚁群聚类算法的研究情况,阐述当今流行的蚁群聚类算法的基本原理及其特性,旨在为蚁群聚类算法的发展提供引导作用。     

一种基于蚁群聚类算法的雷达辐射源识别方法

提出了基于蚁群聚类算法的雷达辐射源识别方法。该方法采用雷达辐射源特征参数建立模型,对雷达辐射源样本进行识别,仿真结果接近90%。实验表明,蚁群聚类算法识别雷达辐射源的方法具有一定的可行性。     

基于蚁群聚类算法的胎儿体重预测

产前准确估计胎儿体重在产科临床中具有非常重要的意义。文章提出了基于蚁群聚类算法估测胎儿体重的方法,试图探索孕妇身高、体重、双顶径、股骨长度等与胎儿体重的关系。以孕妇身高、体重、宫高、腹围、双项径、股骨长、羊水池的深度等综合数据建立模型,通过对100例临床资料的预测,正确率为89％,对巨大儿以及低体重儿的正确率为88％。此预测结果表明,蚁群聚类算法预测胎儿体重的方法具有一定的可行性。     

基于蚁群算法的文本聚类算法

针对目前文本检索后的相关反馈信息较少用于文本聚类中的问题,根据蚂蚁觅食聚类算法的思想,将文本检索后的相关反馈信息应用到文本聚类过程中,提出一种基于蚁群算法的文本聚类算法。分析簇的结构及其生成过程,论述聚类中簇合并的规则及算法。实验结果表明,该算法具有良好的聚类效果,能有效提高查询的文本召回率。     

基于蚁群算法的聚类优化

为解决大型网络中的最短路径问题,基于蚁群算法进行聚类优化研究。结合蚁群算法和聚类算法,将网络分割成若干个小网络后进行处理并合成,同时在过程中直接简化网络,透明化无意义的点。实验结果表明,优化后的算法能准确获得所要求的最优解,具有较快的收敛速度。     

基于相似度的蚁群聚类算法

针对于蚁群聚类算法在搬运数据项过程中随机选择移动位置时,由于无效移动导致的算法收敛速度缓慢等缺陷,论文提出了一种基于相似度的蚁群聚类算法.通过设计相似度矩阵,基于相似移动机制将蚂蚁随机移动方式优化为按照相似度矩阵规则实施目的性的关联.实验选取Iis、Wine、Haberman和Balance-scale四种经典数据集,相较于现有的LF算法及GACC算法,结果表明在蚂蚁空载率都为90％的条件下,论文提出的SMACC算法的迭代次数明显降低,均体现出较优的聚类速率.     

一种蚁群聚类算法

提出一种蚁群优化聚类算法,用于将N个对象优化分成K个不同的划分;该算法采用全局信息素更新策略和启发式信息构造聚类解,通过提高信息素在求解过程中的利用率加快了聚类速度,通过使用启发式信息提高了算法的搜索效率,使用均匀交叉算子改善了聚类解的质量;在几个模拟的数据集和UCI机器学习数据集上测试该算法的性能,并与其它几个启发式算法进行比较;计算结果表明该算法具有更好的解的质量,更少的函数估计次数和更少的运行时间.     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用,但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈.基于这些原因,根据经济学组织交易成本理论,文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法:基于聚类的蚂蚁优化算法,并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象.     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用，但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈。基于这些原因，根据经济学组织交易成本理论，文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法：基于聚类的蚂蚁优化算法，并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象。     

基于划分的蚁群聚类算法研究

聚类分析是一种重要的人类活动,被广泛应用于数据挖掘、统计学、生物学和机器学习等领域。随着仿生学的发展,一种新的智能优化算法——蚁群算法被提出,并被应用于聚类分析。针对PAM算法和蚁群聚类算法的缺点,提出了一种将PAM算法和蚁群聚类算法相结合的聚类方法。仿真实验表明,算法性能得到了有效提高。     

基于粒度原理的蚁群聚类算法

在过去10多年中,蚁群算法（AC）的研究和应用取得了很大的进展,大量结果证明了算法的有效性和在某些领域的优势。文章从信息粒度的角度出发,解决了传统聚类算法中对样本“抱团”性质的客观描述和分类算法中分类专家主观先验知识之间的不协调性。并将蚁群系统模型引入聚类模型中,提出了一种基于粒度原理的蚁群聚类新方法。仿真结果表明上述方法是可行和有效的。