基于K-means聚类方法的三维点云模型分割

提出采用K-means聚类分析方法对三维点云模型进行分割。论文指出,对于分布呈现类内团聚状三维点云模型,K均值聚类分割可以得到较好的结果。与三维网格模型的K均值聚类分割、点云模型的谱系聚类分割的实验结果比较证实了这一点。     

点云模型的谱聚类分割

为了实现点云模型的有意义分割,提出一种基于谱聚类的分割算法.首先用图G表示点云模型,将分割问题转化为图切割问题;然后根据归一化的非对称Laplacian矩阵构造谱聚类空间;最后通过移除掉多余的特征向量,在一个更低维的空间中找到了分割问题的松弛解.文中还给出了该算法相关定理的证明,并通过实验验证了算法的正确性和有效性.     

基于云模型和半监督聚类的入侵检测算法

针对目前网络入侵检测率低、误报率高的问题,提出了一种将云模型和半监督聚类相结合的入侵检测算法。先对聚类算法作改进,使其能够获得稳定的聚类结果。由于属性对分类贡献程度的不同,引入了云相对贴近度的概念,给出了计算属性权重的方法。以改进的聚类方法为基础建立了云模型,对属性使用动态加权和更新云模型的方法逐渐强化分类器以指导数据的分类。KDD CUP99实验数据的仿真结果证明了该算法的有效性。     

基于半监督聚类云模型动态加权的入侵检测方法

针对目前网络入侵检测率低、误报率高的问题,提出一种基于半监督聚类云模型动态加权的入侵检测方法。由于属性对分类贡献程度不同,引入云相对贴近度的概念给出计算属性权重的方法。以半监督聚类算法为基础建立云模型,并对属性使用动态加权,通过对云模型的更新逐渐强化云分类器指导数据的分类。通过实验证明了该方法的可行性与有效性。     

云模型与用户聚类的个性化推荐

针对传统推荐系统数据稀疏、相似性计算方法导致共同评分用户少的问题,提出利用云模型定性概念与定量数值转换的优势,研究云模型、用户聚类的个性化推荐改进算法。用户对项目属性评价的偏好,转换为用户对加权综合云模型表示的数字特征的偏好。利用改进的聚类算法,对评分数据、原始用户属性标准化后的信息进行聚类;同时考虑用户兴趣的变化,结合用户之间项目属性评价的综合云模型的相似度、用户对项目评分的聚类、用户属性聚类这三种方法产生的邻居用户的并集进行推荐。理论分析和实验结果表明,提出的改进算法不但解决数据稀疏性带来的共同评分用户少的弊端,即使是在新用户的情况下,仍能获得较低的平均绝对误差和平均平方误差     

基于自适应分段云模型的电力异构数据聚类研究

云空间中的电力数据种类繁多、数据维度大、结构复杂,容易引发电力系统运行安全问题。有效的数据聚类可以消除云空间中电力异构的无关、冗余数据。引入自适应分段云模型,提出一种全新的电力异构数据聚类方法。通过Tent映射预处理电力异构数据,使数据空间分布更加均匀,提高了数据聚类精度。利用自适应正态云模型建立云期望曲线方程,获取正态云滴,以确定数据聚类中心。根据熵值定义分段聚合条件,实现异构数据有序聚类。测试结果表明,所提方法在聚类中心空间中的异构数据分布较为均匀,分类聚类面积较大,聚类收敛较快,轮廓系数为0.4。所提方法的电力异构数据聚类效果更优,具有较好的适用性和有效性。     

基于聚类特性的大规模文本聚类算法研究

一、引言随着Internet的飞速发展,人们能从网上得到更多的信息,但过多的信息常常会导致信息迷失。将信息进行分类是帮助信息利用的有效方法,聚类则是文本类别划分时常用的技术,其特点是不需训练集即可从给定的文本集合中找到聚类划分。已有的聚类方法大多是针对小规模数据的,当计算资源和时间受到限制时,原有的大部分方法已不能满足要求,需要能够处理大规模数据的算法。标准k均值方法是比较基本也是很常用的一种聚类方法,其计算复杂度与模式数量成线性关系,这使其具有处理大规模数据的可能。k均值方法本质上是一种选代的方法,当数据不能一次全部读入内存时,则需和磁盘进行多次数据交换,并且这种交换相应于迭代次数要反复多次,这无疑需要花费大量的I/O时间。     

基于高斯云变换的遥感图像多粒度聚类

遥感图像技术的迅猛发展,使得传统聚类方法的局限性日益凸显。针对其信息量大、结构复杂等特点,从多粒度、多层次的角度来分析与理解地学现象,能够更好地解决遥感图像的自适应聚类问题。基于云模型与混合高斯相结合的高斯云变换是一种求解多粒度问题的新方法,能够解决问题域中多粒度的生成问题,但是其时间复杂度较高以及对噪声敏感等缺点,导致对遥感图像的聚类结果不理想。因此提出一种改进的高斯云变换方法,首先通过K-Means聚类优化初始粒度的选择,其次结合幅度云综合对粒度跃升策略进行改进,然后使用一种隶属度距离进行粒度的区域划分,最终对遥感图像进行聚类。实验结果验证了所提方法的正确性和有效性。     

基于激光点云数据的聚类算法分析应用

处理庞大冗杂的激光点云数据耗时耗力,聚类方法是处理点云数据合适的选择。文章基于点云数据,利用K-means算法和DBSCAN算法分别生成二维和三维的聚类结果。分析结论如下:聚类算法对于处理激光点云数据有较好的实用性,K-means算法依赖于分类数量的设定,DBSCAN算法依赖于参数eps和min_samples的设定;两种算法可处理几万至几十万的点云数据,DBSCAN算法的时间成本远远低于K-means算法;DBSCAN算法适用于连续不规则形状的点云簇,可分离点云中具有不同密度特征的对象,K-means算法适用于球形的分散点云簇。     

基于云模型理论的群体用户画像模型

为了能够对群体用户中不确定性和模糊性的行为精确的定量分析和定性相似度的计算,设计了一个基于云模型理论的定性相似度算法来给群体用户构建画像模型.首先,采用识别客户价值最广泛的RFM （Recency,Frequency,Monetary）模型来细分用户.其次,通过云模型变换算法将用户的行为转换为用户的云模型标签,该云模型标签就是对用户行为的一次定量表示,然后通过云模型聚类算法来划分出不同的客户类型,作为客户画像的模型,利用该模型指导商业营销活动.     

基于云模型的用户双重聚类推荐算法

协同过滤是一种应用广泛的推荐算法,但存在着效率低和数据稀疏等问题。为解决这些问题,提出了一种改进的聚类推荐算法。该算法引用云模型,先从项目属性和用户属性两方面计算云模型期望、熵和超熵,并考虑到评分时间、评分高低和评分习惯等因素的影响,建立用户兴趣模型;接着,采用基于云模型的修正相似度量方法进行用户兴趣相似度比较,并使用K-means算法进行聚类;最后,利用参与预测人数的比例对公共项目进行推荐结果合并。在MovieLens上的实验结果表明,该算法不仅可以解决效率低和数据稀疏等问题,还提高了推荐的准确性。     

云环境下基于Canopy聚类的FCM算法研究

FCM算法是目前广泛使用的算法之一。,针对FCM聚类质量和收敛速度依赖于初始聚类中心的问题,结合Canopy聚类算法能够粗略快速地对数据集进行聚类的优点,提出了一种基于Canopy聚类的FCM算法。该算法通过将Canopy算法快速获取到的聚类中心作为FCM算法的输入来加快FCM算法收敛速度。并在云环境下设计了其MapReduce化方案,实验结果表明,MapReduce化的基于Canopy聚类的FCM算法比MapReduce化的FCM聚类算法具有更好的聚类质量和运行速度。     

基于高斯混合模型的层次聚类算法

选择合适的聚类数和准确划分类间重叠的数据是聚类分析领域2个被广泛研究的问题.提出了一个基于高斯混合模型的层次聚类算法(HCGMM),该算法基于重叠度的衡量,而且不需要预先指定聚类数,能够很好地解决以上两个问题.算法根据高维空间中混合模型每2个组成成分之间的重叠情况自动运行或停止,从而准确划分类间重叠的数据,并自动确定聚类数.最后,通过标准的数据的测试,以及通过把它应用于不同类型的真实彩色图像分割表明,该算法是有效的,而且对噪声影响不敏感.把它和其他层次算法进行比较和分析,以证明该算法的优越性.     

人工免疫系统和云模型用于图像分割

针对传统基于聚类的图像分割算法易于陷入局部最优解的问题,将人工免疫模型引入到了寻找聚类中心的过程中。鉴于抗体具有双价的免疫特性,以及将不被识别器识别也不属于自我抗原的抗原统一划为自我抗原或非自我抗原而产生的高误判率,在抗体识别抗原过程中引入云决策机制,增加了抗原划分的随机性和模糊性,提高了图像分割的质量。     

基于隐含变量的聚类集成模型

聚类集成能成为机器学习活跃的研究热点,是因为聚类集成能够保护私有信息、分布式处理数据和对知识进行重用,此外,噪声和孤立点对结果的影响较小.主要工作包括:第一,分析了把每一个基聚类器看成是原数据的一个属性这种处理方式的优越性,发现按此方法建立起来的聚类集成算法就具有良好的扩展性和灵活性;第二,在此基础之上,建立了latent variable cluster ensemble(LVCE)概率模型进行聚类集成,并且给出了LVCE 模型的Markovchain Monte Carlo(MCMC)算法.实验结果表明,LVCE 模型的MCMC 算法能够进行聚类集成并且达到良好的效果,同时可以体现数据聚类的紧密程度.     

对称和非对称词语聚类模型的比较研究

词语聚类是语音识别、智能信息检索等领域的一个重要的自然语言处理问题。实现基于互信息的对称聚类模型,并针对该模型未考虑词语顺序的缺陷,提出一种新的非对称聚类模型。按照聚类词相对其他词语的位置关系,该模型分为2个子模型,即条件聚类模型和预测聚类模型。在大规模数据集上的实验表明,相对于对称聚类模型,非对称聚类模型是一种更为有效的词语聚类模型。     

基于模糊聚类的MODIS云检测算法研究

云检测是遥感图像处理的一大难点,同时也是图像预处理的必要环节.本文使用基于模糊集合理论的模糊C均值聚类法,对中分辨率成像光谱仪图像的四个波段进行聚类.以检测出云和下垫面.通过我国典型区域在不同季节不同时相的数据,结合多光谱综合法和目视解译的对比检验,证明该算法适用于区域性的云检测,能检测出一些小面积的云点像元.此外,该算法在一定程度上改善了需要根据先验知识设定阈值的传统云检测算法,是一种简易可行的非监督云检测算法,为下一步云的剔除工作奠定良好的基础.     

基于聚类BNR扩展模型的信息检索研究

使用聚类技术对BNR进行扩展,得到一个新的4层模型,该模型同时使用了术语间和文档间的相近和相似关系,将此扩展模型和简单的RNR、扩展的BNRM模型比较,实验证实信息检索系统的检准率和检全率都有所提高。     

基于谱聚类的聚类集成算法

谱聚类是近年来出现的一类性能优越的聚类算法,能对任意形状的数据进行聚类, 但算法对尺度参数比较敏感,利用聚类集成良好的鲁棒性和泛化能力,本文提出了基于谱聚类的聚类集成算法.该算法首先利用谱聚类算法的内在特性构造多样性的聚类成员; 然后,采用连接三元组算法计算相似度矩阵,扩充了数据点之间的相似性信息;最后,对相似度矩阵使用谱聚类算法得到最终的集成结果. 为了使算法能扩展到大规模应用,利用Nystrm采样算法只计算随机采样数据点之间以及随机采样数据点与剩余数据点之间的相似度矩阵,从而有效降低了算法的计算复杂度. 本文算法既利用了谱聚类算法的优越性能,同时又避免了精确选择尺度参数的问题.实验结果表明:较之其他常见的聚类集成算法,本文算法更优越、更有效,能较好地解决数据聚类、图像分割等问题.     

基于动态聚类的MODIS云检测算法

利用多光谱阈值法进行云与下垫面的初始化分类,然后应用基于最小距离和分类矩阵的动态聚类算法,对MODIS云图实现云检测,并分离出积雨云、卷云、其他高云、中云、低云。针对我国东南沿海地区的试验结果证明了算法的有效性。