几个初始聚类中心选取算法的比较研究

传统的k均值算法对初始聚类中心敏感。在实际应用中，找到一组初始中心点，从而获得一个较好的聚类效果并消除聚类结果的波动性对k均值算法具有重要意义。本文对文献提出的基于Huffman树构造的思想选取初始聚类中心、基于均值-标准差选取初始聚类中心、基于密度选取初始聚类中心、采用最大距离积法选取初始聚类中心等4个算法从算法思想、关键技术等方面进行了比较研究。     

仿射传播和谱聚类的船舶轨迹聚类

针对谱聚类算法中常用的K-means算法对特征向量空间进行聚类初始值敏感等问题,提出了一种新的基于仿射传播(AP)的谱聚类算法。首先,利用动态时间规整(DTW)距离度量各船舶自动识别系统(AIS)轨迹之间的结构相似性,得到距离矩阵;其次,使用快速AP聚类算法改进传统谱聚类算法,基于指定的类别数对内河桥区水域船舶AIS轨迹数据进行实例验证。仿真实验结果表明:本文算法在不增加时间复杂度的基础上,比传统谱聚类算法有更高的鲁棒性,且实验准确率提高5.24%。     

基于熵值赋权的粒子群聚类方法研究

本文通过获取和处理电商服装产品运营数据,提出基于熵值赋权的粒子群聚类方法对服装产品销售平台的支付转化率、访客数、详情页跳出率、平均停留时长、访客平均价值、客单价进行聚类,对比K＿Means聚类和传统粒子群聚类算法的聚类结果,结果表明基于熵值赋权的粒子群聚类算法的平均聚类轮廓系数最大,即其聚类效果较其他两种算法更好。最后以聚成3类为例,对聚类结果进行运营管理分析,结果表明该算法可以处理庞大的电子商务数据信息,为电商企业的日常运营管理提供决策依据。     

基于GIS的城市交通拥挤区域自动识别方法

城市道路交通网络拥挤区域的自动识别问题本质上可描述为区域聚类问题。研究给出基于地理信息系统的三步骤拥挤区域自动识别方法:首先,将城市路网划分为尽量小的区域;而后,完成对小区域交通运行状况的评价;最后,进行拥挤区域的聚类识别。研究重点对拥挤区域聚类识别方法进行分析,指出已有动态聚类方法不稳定的缺陷,提出拥挤区域稳定识别结果的邻边聚类法。     

灰狼优化的k均值聚类算法

针对k均值聚类算法对初始聚类中心位置敏感的问题,提出了一种基于灰狼优化的k均值聚类算法,通过灰狼优化算法对解空间的全局寻优能力得到α狼,实现对k均值聚类中心的初始化操作,并通过迭代更新α狼优化k均值聚类中心,直到达到最大迭代次数,以此改进k均值聚类算法。实验结果表明,在UCI(University of California Irvine)的4类数据集上,所提算法相比于传统的k均值聚类算法,获得了更好的聚类效果,其分类准确度平均提高10%左右,且算法较为稳定。     

一种基于蚁群聚类的图像分割方法

目前聚类技术已成为图像处理,计算机视觉,模式识别等研究邻域的重要方法。本文在群体智能理论和聚类算法的基础上,提出了一种基于蚁群聚类算法的图像分割方法。实验表明,该方法能够较好的分割图像,具有较好的聚类效果。     

基于Map Reduce的并行小波聚类

本文结合Map Reduce编程模型和小波聚类算法特点,实现基于Map Reduce的并行小波聚类算法。用5台电脑和2.75GB数据验证并行小波聚类算法的性能。结果表明并行小波聚类算法具有较好的加速比。     

一种基于LSA与FCM的文本聚类算法

在文本聚类中,基于向量空间模型(VSM)的文本特征空间存在高维度和稀疏空间、同义词与多义词干扰等问题;而K-means算法依赖于初始聚类中心,聚类结果随不同的初始输入而有所波动。针对这些问题,本文提出了一种基于潜在语义分析(LSA)与优化的模糊C均值(FCM)的文本聚类算法——LF。该算法首先采用一种新的词特征提取方法建立词-文本矩阵;然后对该词-文本矩阵进行奇异值分解在潜在语义空间进行降维;接着用优化的模糊C均值聚类算法实现对文本的聚类分析。最后通过实验,结果表明LF算法能更好地改善了文本聚类的结果,提高了文本的查全率和查准率。     

一种基于聚类思想的SVM多类分类方法

针对传统的基于决策树的支持向量机多类分类算法运算过程复杂、分类效率低的缺点,提出一种新的基于聚类思想的支持向量机分类方法.空间距离和聚类思想的引入,有效的提高了算法的分类效率.仿真试验表明,该方法在保持算法良好推广性的同时降低了算法的复杂度,从而提高了分类效率和分类速度.     

基于KNN核函数聚类方法在医学指标分类诊断中的应用

目的:探讨基于KNN(K-Nearest Neighbors,KNN)核函数聚类方法在乙肝病毒分类诊断中的临床医学意义和其他疾病诊断的适用性。方法:将收集来自于医院的93例乙肝患病采用基于KNN核函数分类算法进行聚类,通过SPSS数据初处理和MATLAB编程实现。揭示基于K近邻核函数在乙肝病毒分类诊断中有重大的意义。结果:通过核函数聚类方法将93例乙肝患者聚成四类,不仅划分出急性乙肝和慢性乙肝,而且发现HBC IGM也是划分急慢性乙肝的一个不可缺少的参数。结论:基于K近邻核函数的分类方法,在诊断对急慢性乙肝疾病划分有一定帮助,对后期实现计算机辅助分类诊断具有一定的意义。