基于粒子群和免疫克隆的模糊C-均值聚类

目的基于梯度下降的模糊聚类算法（FCM）选择最优解做改进,降低原FCM对初始值的敏感度,改进模糊C-均值算法,加快收敛速度,改善聚类的效果.方法该算法通过克隆选择改变粒子群优化算法（PSO）中群体的多样性,用PSO代替了FCM算法的基于梯度下降的迭代过程.结果算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度.通过机器学习中的W ine和Iris数据对所提出的算法进行验证,取W ine样本数据为178个,条件属性为13,聚类类别数为3;Iris数据150个,条件属性个数为4,对这两类数据分别进行聚类分析,将试验结果与单纯的FCM和基于PSO的FCM比较,聚类的正确性有所提高.结论基于粒子群和免疫克隆的模糊C-均值聚类算法具有很强的全局搜索能力,提高了聚类的效果和效率.     

一种搜索模糊聚类全局最优解的Tabu算法

模糊聚类问题由于其非凸性而成为一个难以解决的数学问题。在解决模糊聚类问题时,会出现很多局部极小值和鞍点。因此,启发式的模糊C-均值算法是应用最为广泛的算法,其缺点是很容易陷入局部极小值。本文提出了一种搜索模糊聚类全局最优解的Tabu搜索算法,并比较这种新算法和模糊C-均值算法的性能。经过多次数据试验,证明Tabu搜索算法在搜索全局最优解时是很有效的。     

基于蚁群模糊聚类算法的图像边缘检测

提出了一种基于蚁群动态模糊聚类算法的图像边缘检测,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足.两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的目标函数聚类分析.最后将该算法应用到图像边缘检测,对比实验表明,该算法具有很强的模糊边缘和微细边缘检测能力.     

基于免疫遗传聚类的异常检测系统

免疫算法是在保留遗传算法优良特性的基础上有目的、有选择的利用待求问题中的特征信息来抑制进化过程中出现的种群退化现象,算法核心是免疫算子(接种疫苗和免疫选择)的构造。基于免疫遗传算法的聚类不仅能够有效克服传统聚类方法对初始化敏感、依赖聚类原型、进化后期容易早熟等缺点,而且聚类结果能够快速收敛到全局最优。本文将这种聚类方法用于网络异常检测中,构造基于免疫遗传聚类的异常检测系统,该系统可实现对海量异构多维原始数据的异常检测,并且能够检测到网络未知攻击。本文在KDD CUP99数据集中进行了对比仿真实验,实验结果表明该算法能够得到较高的已知攻击和未知攻击检测率以及较低的误警率,检测系统性能优良。     

基于粒子群聚类算法的图像边缘检测

提出了一种基于动态粒子群的聚类算法应用于图像边缘检测。由于FCM算法容易陷入局部最优,并对初始化敏感,这种算法利用粒子群较强全局寻优能力与局部寻优能力,动态确定聚类数目和中心,在此基础上又进行FCM聚类。两者有效地结合起来能搜索到有效的全局最优解。仿真实验表明,该算法应用与图像边缘检测是可行和有效的。     

基于小生境遗传算法的网格节点资源研究

针对解决网格节点资源聚类问题，提出了基于小生镜遗传算法的模糊聚类分析方法。该算法把小生镜遗传算法搜索的随机性和并行性引入模糊聚类中，对模糊聚类中的聚类中心的个数和聚类中心的选取进行指导，解决了模糊C均值聚类对初始聚类中心的敏感性问题、实验证明该方法能具有全局收敛性，克服了FCM算法可能陷入局部极小值，并有效地对网格节点资源整合归类，从而改善网格节点资源发现的性能。     

基于微粒群优化算法的文本模糊聚类方法

针对模糊C-均值算法(FCM)具有局部最优问题和初值敏感性的缺陷,将微粒群优化算法应用于文本模糊聚类, 提出了基于微粒群优化算法的模糊C-均值算法PFCM．该算法首先采用实数编码方式对聚类原型进行编码,利用微粒群优化算法的全局搜索性能对初始聚类原型的选取进行指导,然后利用模糊C-均值算法进行聚类．使用算法PFCM对文本集合进行聚类实验,并用目标函数值和划分系数来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的全局收敛性和较好的聚类结果．     

一种新的模糊C均值聚类算法的优化方法

针对模糊C均值聚类算法对初始值敏感、易陷入局部最优的缺陷,提出一种新的优化方法.该方法通过分集聚类的结果初始化粒子群,得到逼近全局最优的聚类中心,再进行全局聚类,能有效避免陷入局部最优.真实数据集上的实验结果表明模糊C均值算法经该方法优化后,能快速收敛至全局最优解,在保证聚类速度的同时提高了聚类精度.     

免疫克隆优化聚类技术

将人工免疫系统中的克隆选择优化应用于无监督分类与识别问题,提出了一种新的免疫克隆聚类算法.该算法利用克隆算子能够同时在同一父代抗体周围的多个方向进行全局或局部搜索,促使种群中抗体快速进化,从而在特征空间内快速获得聚类问题的全局最优聚类中心,有效克服了经典聚类算法易陷入局部极值的缺点,并从理论上证明了该算法具有全局收敛性．对7个人工数据集的聚类实验和两幅纹理图像的分割实验表明:新算法比常用的K均值算法的平均分类精度高20.9％,比另一种基于遗传算法的聚类方法的平均分类精度高20.3％．     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊 C 均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值. 文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO-FCM）. 利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题,同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM 进行图像分割. 实验表明,该方法能解决 FCM 算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果.     

遗传算法优化模糊神经网络的入侵检测模型

针对目前大多数的入侵检测系统存在的局限性,依据通用入侵检测框架CIDF,提出了一种利用遗传算法优化网络参数的基于模糊神经网络的入侵检测模型,分析了入侵模糊特征、模糊神经网络的学习优化问题,给出了此模型中模糊神经网络模块的训练算法．仿真实验结果表明,该检测算法可以有效地进行入侵检测,检测效率达到95％以上．     

模糊聚类分析在入侵检测系统中的应用研究

随着计算机网络技术的迅速发展和应用,入侵检测技术已成为网络安全领域内的研究热点.文中提出了一种基于模糊聚类分析的异常检测方法,并通过实验对这种方法进行了性能评估.实验采用了KDD99 的测试数据,结果表明,该方法能够比较有效地检测真实网络数据中的未知入侵行为.     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。     

网络入侵异常检测的实时方法

目前市面上的入侵检测系统一般都是基于特征匹配,不能对未知入侵进行有效检测,异常检测可以较好地检测未知入侵。M IT林肯实验室提出了一种离线的异常入侵检测方法,但不能据此建立实际的入侵检测系统,为此,提出一种能实时检测网络异常的入侵检测方法。该方法可以实时重建网络连接,提取每一连接的31个与入侵有关的特征,运用支持向量机进行在线检测,实验结果表明,该方法是有效的,检测精度在95%以上。为缩短入侵检测时间,对最短检测时间进行了研究,提出了最优入侵检测时间算法,根据此算法得出局域网内的异常连接在250m s内即可较准确地检测出。