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。     

一种基于遗传优化的k均值聚类算法研究

在k均值聚类算法设计过程中引入遗传算法,提出一种改进的k均值聚类遗传算法。在新的算法设计中对适度函数重新构造,同时在遗传算法的变异操作中引入新的变异算子,该变异操作主要利用对种群个体长度的不断改变来实现聚类数的自动增减,即使k值不断向最佳聚类值靠近。     

k均值聚类中的EM思想

在无监督学习中,k均值聚类以其快速简单的特点得到了广泛的应用。EM算法是针对缺失数据的一种统计学习方法。然而,k均值和EM这两种不同领域的算法在思想上却有着一致的地方。本文分析了k均值中蕴含的EM思想,指出了k均值中样本隶属度更新和类中心更新与EM算法中的E步和M步的等价性。最后,利用R语言矩阵化运算的特点,介绍在如何在R语言中高效地实现k均值聚类算法。     

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。     

改进布谷鸟优化模糊C均值的遥感影像分类算法

针对模糊C均值聚类算法存在受初始聚类中心影响较大、搜索过程容易陷入局部最优的缺陷,本文将布谷鸟算法与FCM聚类算法结合,提出一种改进布谷鸟优化模糊C均值的遥感影像分类算法。该算法利用布谷鸟算法全局性与鲁棒性的优点,弥补了传统FCM算法聚类中心选取的随机性,使用自适应步长、发生概率值,使步长、发生概率值随迭代次数的增加而变化,不仅可提高种群搜索后期的局部搜索能力,而且减少了算法的时间复杂度。试验表明,改进的算法具有良好的分类效果与运行效率。     

智能建筑空调末端设备数据分析与策略优化

采用k均值聚类算法,对空调末端设备运行数据进行耦合性分析,通过获取设备运行的动态变化规律找寻其节能空间,并进行控制策略优化,提升其运行性能,最终达到降低智能建筑运行能耗的目的.     

改进模糊C均值聚类算法及锂电池配组应用

在锂电池化成管理的智能配组过程中,当处理大规模数据或锂电池结构较复杂时,速度和准确度不高。因此,提出了一种基于遗传算法与密度加权的改进模糊C均值聚类算法。首先,由遗传算法优化得到初始聚类中心。然后,将样本对象的高斯密度函数作为其权值,并采用Xie-Beni有效性指标改进目标函数。将改进的算法通过标准测试数据集Iris和锂电池配组进行实验验证。验证结果表明:本文算法改善了聚类效果,与模糊C均值聚类算法相比,锂电池配组的正确率提高了0.8%,并且计算迭代次数从14次降低到8次。     

基于直方图峰值优化的阶梯k-means聚类算法

本文提出了一种基于直方图峰值优化的阶梯k-means聚类算法,本算法能够根据给定的K值,较快的得到初始聚类中心,能够很有效的减少迭代次数,得到的聚类结果很接近真实数据。     

基于迭代式MapReducede的海量数据并行聚类算法研究

为解决传统K-means算法在处理海量数据时存在的不足,提出了1种适用于并行Canopy-Kmeans算法的迭代式MapReduce模型。通过Canopy算法对数据进行初始聚类,得到初始聚类中心,并按照初始聚类将数据存储于Mapper节点,减少Mapper和Reducer节点之间通信线路,减小运算量;在Mapper节点和Reducer节点之间建立互通信,将聚类中心作为迭代流通信息,减少信息流量;最终通过1次运算过程输出最终聚类结果。实验结果证明,改进的算法在时间、正确率和加速比性能方面,均优于传统的串行K-means算法,并在基于传统MapReduce模型的K-means算法基础上有所提高。     

基于收敛因子非线性动态变化的灰狼优化算法

针对基本灰狼优化(grey wolf optimization,GWO)算法在解决高维数值优化问题时存在易陷入局部最优、收敛速度慢等缺点,提出一种基于收敛因子非线性动态变化的改进GWO(IGWO)算法。该算法首先利用混沌初始化生成初始种群,以提高初始灰狼个体的质量;然后,通过引入指数函数对GWO算法的收敛因子更新公式进行改进,在进化过程中,收敛因子的大小随迭代次数的增加非线性动态变化,以协调算法的探索能力和开发能力;最后,对当前最优灰狼个体执行混沌扰动,以避免算法出现早熟收敛。对9个典型的测试函数进行了测试,实验结果表明:与基本GWO算法相比,IGWO算法具有更好的寻优性能。