基于密度的划分式聚类过程参数选择算法

为确定??-means 等聚类算法的初始聚类中心, 首先由样本总量及其取值区间长度确定对应维上的样本密度统计区间数, 并将满足筛选条件的密度峰值所在区间内的样本均值作为候选初始聚类中心; 然后, 根据密度峰值区间在各维上的映射关系建立候选初始聚类中心关系树, 进一步采用最大最小距离算法获得初始聚类中心; 最后为确定最佳聚类数, 基于类内样本密度及类密度建立聚类有效性评估函数. 针对人工数据集及UCI 数据集的实验结果表明了所提出算法的有效性.

     

基于K-means聚类和数据场理论的复杂网络社团结构探寻

探寻社团结构是研究复杂网络结构与功能之间关系的基础,提出和分析了基于K-means聚类的社团探寻算法和基于数据场理论的社团探寻算法,并通过实验仿真验证了这两种算法的有效性,在仿真中发现并验证了社团内部比整个网络具有更加鲜明的小世界效应,这说明在网络控制中,在相同的耦合强度下,对社团的同步控制比对整个网络的同步控制更容易实现.

     

基于改进流形距离和人工蜂群的二阶段聚类算法

以改进的流形距离为相似度测度, 结合人工蜂群算法, 提出一种二阶段聚类算法. 首先根据局部密度、最大最小距离和近邻选择对数据集初步归类并得到簇代表点; 然后将聚类归属为优化问题, 通过改进的蜂群算法对簇代表点及没归类的样本点较快地搜索到最优聚类中心, 同时根据流形距离的全局一致性特征, 对样本进行精确的类别划分; 最后将两阶段算法综合归类. 实验结果表明, 所提出的算法可以获得良好的聚类效果.

     

基于划分自适应融合的多视角模糊聚类算法

针对多视角聚类任务如何更好地实现视角间的合作之挑战, 提出一种新的视角融合策略. 该策略首先为每个视角设置一个划分, 然后通过自适应学习获取一个融合权重矩阵对每个视角的划分进行自适应融合, 最终利用视角集成方法得到全局划分结果. 将上述策略应用到经典的FCM(Fuzzy ??-means) 模糊聚类框架, 提出相应的多视角模糊聚类算法. 在模拟数据集和UCI 数据集上的实验结果均显示, 所提出的算法较几种相关聚类算法在应对多视角聚类任务时具有更好的适应性和更好的聚类性能.

     

增强型区间二型FCM算法

不确定性存在于图像处理、模式识别等众多领域的实际应用中, 模糊?? 均值聚类(FCM) 算法虽广泛应用于这些领域, 但其处理不确定性的能力较差. 引入区间二型模糊理论能有效提升算法处理不确定性的能力, 但相应地造成算法复杂度增加, 制约了区间二型FCM算法的推广应用. 鉴于此, 提出增强型区间二型FCM算法, 通过优化初始聚类中心和降型运算, 极大地减少了区间二型FCM算法的运算量, 并提升算法的收敛速度. 通过对随机和实际数据的实验比较验证了改进算法的有效性.

     

不确定数据的最优?? 近邻和局部密度聚类算法

传统聚类算法一般针对的是确定数据, 无法解决不确定数据的聚类问题; 现有基于密度的不确定数据聚类算法存在参数敏感且计算率低的问题. 对此, 在引进新的不确定数据相异度函数、最优?? 近邻、局部密度和互包含概念的基础上, 提出解决不确定数据聚类问题的不确定数据的最优?? 近邻和局部密度聚类(OLUC) 算法. 该算法不仅能降低参数敏感性, 提高计算效率, 而且具有动态自适应优化?? 近邻, 快速发现聚类中心和除噪优化的能力. 实验结果表明, 所提出的算法对无论是否存在噪声的不确定数据集都效果良好.

     

一类自适应混沌文化算法

混沌变异进化算法忽略了混沌规律性,未充分利用知识来提高算法的局部收敛能力.为此,借鉴文化算法的双层进化结构,在文化算法的进化引导函数中引入自适应混沌变异策略,提出一种自适应混沌文化算法.利用进化过程隐含知识控制变异尺度,使知识引导个体能跳出局部较优解,在保证种群多样性的同时,实现进化后期的精细搜索.仿真结果表明,该算法可以有效提高进化收敛速度,具有较好的计算稳定性.

     

两阶段灰色综合测度决策模型与三角白化权函数的改进

首先将中心点三角白化权函数中对应于灰类1 和灰类s的三角白化权函数分别取为下限测度白化权函数和上限测度白化权函数. 这一改进避免了将各聚类指标的取值范围向左、右延拓的困扰. 针对灰色聚类系数向量delta_i  的各分量均衡取值或灰色聚类系数向量delta_i 有若干个位于前列的主分量取值相近, 难以判定决策对象归属的问题, 构建一种新的两阶段灰色综合测度决策模型, 以解决灰色聚类系数向量delta_i 的各分量取值趋于均衡或delta_i 有若干个位于前列的主分量取值相近情形下的综合决策问题, 并通过应用实例验证了模型的有效性.

     

基于混合蛙跳与阴影集优化的粗糙模糊聚类算法

针对粗糙模糊聚类算法对初值敏感、易陷入局部最优和聚类性能依赖阈值选择等问题, 提出一种混合蛙跳与阴影集优化的粗糙模糊聚类算法(SFLA-SRFCM). 通过设置自适应调节因子, 以增加混合蛙跳算法的局部搜索能力; 利用类簇上、下近似集的模糊类内紧密度和模糊类间分离度构造新的适应度函数; 采用阴影集自适应获取类簇阈值. 实验结果表明, SFLA-SRFCM 算法是有效的, 并且具有更好的聚类精度和有效性指标.

     

基于密度调整的改进自适应谱聚类算法

针对谱聚类存在构造相似度矩阵时对尺度参数敏感以及处理多重尺度数据集效果不理想的缺陷, 提出一种基于密度调整的改进自适应谱聚类算法. 该算法将样本点所处领域的密度引入谱聚类, 利用密度差来调整样本点之间的相似度, 使其更符合实际簇类中样本点间的内在关系, 在一定程度上解决了多尺度聚类问题; 同时, 通过样本点的近邻距离自适应得到尺度参数, 使算法对尺度参数相对不敏感. 仿真实验验证了所提出算法的有效性和优越性.

     

半监督的改进K-均值聚类算法

K-均值聚类算法必须事先获取聚类数目,并且随机地选取聚类初始中心会造成聚类结果不稳定,容易在获得一个局部最优值时终止。提出了一种基于半监督学习理论的改进K-均值聚类算法,利用少量标签数据建立图的最小生成树并迭代分裂获取K-均值聚类算法所需要的聚类数和初始聚类中心。在IRIS数据集上的实验表明,尽管随机样本构造的生成树不同,聚类中心也不同,但聚类是一致且稳定的,迭代的次数较少,验证了该文算法的有效性。     

The global k-means clustering algorithm

We present the global k-means algorithm which is an incremental approach to clustering that dynamically adds one cluster center at a time through a deterministic global search procedure consisting of N (with N being the size of the data set) executions of the k-means algorithm from suitable initial positions. We also propose modifications of the method to reduce the computational load without significantly affecting solution quality. The proposed clustering methods are tested on well-known data sets and they compare favorably to the k-means algorithm with random restarts.     

具有混沌搜索策略的蜂群优化算法

提出一种改进人工蜂群局部搜索能力的优化算法,对陷入局部最优值的雇佣蜂,使用禁忌表存储其局部极值,并引入混沌序列重新初始化,在迭代中产生局部极值的邻域点,帮助其逃离束缚并快速搜寻到最优解.改进算法有效地结合标准蜂群算法的全局优化能力、禁忌表的记忆能力和混沌局部搜索能力,对经典函数的测试计算表明,改进算法提高r蜂群寻优能力,在收敛速度和精度上均优于标准蜂群算法,适合工程应用中的复杂函数优化问题.     

A clustering method combining differential evolution with the K-means algorithm

The present paper considers the problem of partitioning a dataset into a known number of clusters using the sum of squared errors criterion (SSE). A new clustering method, called DE-KM, which combines differential evolution algorithm (DE) with the well known K-means procedure is described. In the method, the K-means algorithm is used to fine-tune each candidate solution obtained by mutation and crossover operators of DE. Additionally, a reordering procedure which allows the evolutionary algorithm to tackle the redundant representation problem is proposed. The performance of the DE-KM clustering method is compared to the performance of differential evolution, global K-means method, genetic K-means algorithm and two variants of the K-means algorithm. The experimental results show that if the number of clusters K is sufficiently large, DE-KM obtains solutions with lower SSE values than the other five algorithms.     

Parametric calibration of speed-density relationships in mesoscopic traffic simulator with data mining

Speed-density relationships are used by mesoscopic traffic simulators to represent traffic dynamics. While classical speed-density relationships provide useful insights into the traffic dynamics problem, they may be restrictive for such applications. This paper addresses the problem of calibrating speed-density relationship parameters using data mining techniques, and proposes a novel hierarchical clustering algorithm based on K-means clustering. By combining K-means with agglomerative hierarchical clustering, the proposed new algorithm is able to reduce early-stage errors inherent in agglomerative hierarchical clustering resulted in improved clustering performance. Moreover, in order to improve the precision of parametric calibration, densities and flows are utilized as variables. The proposed approach is tested against sensor data captured from the 3rd Ring Road of Beijing. The testing results show that the performance of our algorithm is better than existing solutions.