一种混合聚类算法及其应用

通过分析基于网格与基于密度的聚类算法特征,提出了一种基于网格和密度的混合聚类算法,通过分阶段聚类并选取代表单元中的种子对象来扩展类, 从而减少区域查询次数,实现快速聚类。该算法保持了基于密度的聚类算法可以发现任意形状的聚类和对噪声数据不敏感的优点,同时保持了基于网格的聚类算法的高效性,适合对大规模数据的挖掘。实验数据分析验证了算法的有效性,对数据挖掘应用于设备状态监测和故障诊断具有指导意义。     

一种聚类引擎系统的研究与实现

随着社会的信息化和各种媒体的数字化 ,Web数据挖掘逐渐成了一个研究热点。作者结合信息检索技术和数据挖掘技术设计并实现了Web信息聚类引擎系统 ,使其能够以语义的和在线的方式对搜索引擎的搜索结果进行聚类 ,从而使用户很容易地在WWW上找到自己真正需要的信息。     

一种基于类内类间协同的用电数据聚类选择

为应对大数据环境下用户用电的最佳聚类数的选择问题,提出一种用户用电行为的聚类优选策略;针对用户用电的行为复杂性和特征选择的有效性,通过一种基于信息量的方法对用户用电进行聚类。首先,引入评价指标,提出一种合理的聚类优选方法。然后,针对用户用电特征选择,提出基于互信息的特征优选算法。在传统聚类算法中,聚类数是随机给定的,其值选取不合理会使聚类陷入局部最优,基于此,根据“类内相似度最大化,类间相似度最小化”原理,提出距离评价函数并将其作为评判最佳聚类数的标准,采用多种方法进行综合分析得到最优聚类数。最后,用具体的用电数据对用户进行计算机仿真,验证了聚类优选策略的合理性。以自适应分布式聚类算法作为对比算法,进一步验证了所提算法的有效性。     

一种基于内聚力的自合并聚类算法

数据聚类是数据挖掘中的关键一步.本文针对利用欧几里德距离作为相似性测算引起聚类结果的不稳定性,提出一种基于内聚力作为相似性测算的聚类方法.通过仿真比较,证明了该算法的优越性.     

一种新的聚类算法:等密度线算法

提出了一种新的聚类算法:等密度线聚类算法。该算法从样本分布等密度线图的思想出发,从图中找出样本分布比较集中的区域,从而发现隐含在样本集中的类。等密度线聚类算法不需要输入任何参数,是一种无监督式聚类。它能够自动发现任意形状的类,并且能有效地排除噪声干扰。实验结果表明,等密度线聚类算法具有较快的聚类速度和较好的聚类效果。     

人才市场多媒体信息服务系统中的聚类模型解析方法

以人才市场多媒体信息服务系统为背景,其中人才数据挖掘子系统应用聚类分析方法建立了人才特征聚类模型,解析人才特征聚类模型,并结合数理统计方法,实现了人才智能匹配。在ADO技术和架构行集的基础上,提出具体解析人才特征聚类模型的方法,其中运用了笛卡尔积原理,并且提出了大概率特征值的概念,以及判断大概率特征值的标准。     

对一种矢量量化聚类算法的改进及应用

数据挖掘是一种处理大规模的数据的方法,聚类方法是数据挖掘中常用的重要方法之一,ＬＢＧ聚类方法有一些不足之处,它对初值有较强的依赖性,常常聚类到局部最优点。对该算法进行了改进,采取增加聚类个数,最后再进行合并的办法,该方法减少了漏掉可能的聚类点的机会,在实际应用中有较好的效果。将该改进后的算法应用到中国手语合成的研究中,在一定的相似范围内,得到了几乎全部中国手语规范手形,这些结果对手语合成的研究是很有意义的。     

一种发现多层次密度的聚类算法

目的提出一种可以发现不同密度层次分布的聚类算法，解决多层次不同密度数据集的聚类问题．方法采用对数据对象的k-邻居距离进行排序，利用线性回归分析方法发现密度区域变化的边界，对同一个密度区域中的点利用DBSCAN算法进行聚类，获得了多密度级别的类．结果使用真实数据集与人工数据集测试结果表明，此算法可以发现现有算法所不能发现的模式．结论算法在时间效率上与DBSCAN相同，空间效率上随着输入数据的数目增加而线性增长，同时此算法可适用于高维数据集．     

一种基于网格的障碍约束下空间聚类算法

障碍约束下的空间聚类问题具有很强的实用价值，是近几年来空间数据挖掘研究领域的一个热点，研究和分析了现有的障碍约束空间聚类算法，针对其中存在的问题，提出了一种新的基于密度和网格的障碍约束下空间聚类算法，该算法在CLICQU算法的基础上，引入障碍网格的概念和障碍物的网格化表达，使其能够处理任意形状的障碍约束聚类，通过理论分析和实验验证，该算法具有较好的时间复杂度和聚类效果。     

常用的聚类技术分析

聚类分析是数据挖掘的关键技术之一,聚类分析的典型应用包括物种的分类和分生物学的基因分类。同时在数据分析、模式识别、市场分析、流行病分析等领域也有较深入的应用。聚类分析中的典型数据结构分为数据矩阵和相异度矩阵两种。文章重点分析了典型的几类聚类算法,并指出了每一类算法的优缺点,最后对聚类分析技术的发展进行了展望。     

基于最近邻优先的高效聚类算法

针对高维空间中任意形状的多层次聚类问题，基于“同类相近”的思想，提出并实现了最近邻优先吸收聚类算法NNAF算法。证明了最近邻点搜索定理，基于这一定理又提出了SNN(Searching Nearest Neighbors)算法和GSNN(Grid-based Searching Nearest Neighbors)算法，其时间复杂度为O(n*log(n))，当用扫描图像所得数据时，时间复杂度会降为O(n)；而使用传统的搜索算法，时间复杂度为O(n^2)；提出了实现任意形状高维空间聚类的NNAF算法，时间复杂度为O(n)；提出了MLCA(Multi-layer Cluster Algorithm)算法并证明了两个相关的定理，在改变阈值后重新聚类时，使用MLCA算法可以节省90％以上的时间。实验结果显示，以上算法适应于任意形状的高维空间数据的聚类，可以有效过滤噪声数据，且用户需要的先验知识少、可快速获得各种层次的聚类结果。     

一种基于最近邻优先的知识聚类算法

基于“同类相近”的思想,构建了一种改进的最短距离聚类算法——最近邻优先聚类算法NNPC．该算法可以快速获得不同层次的高质量聚类,进而找到满足要求的闽值参数和聚类,并能够高效处理以任意形状分布的具有噪声数据的大数据量高维数据,且用户需要的先验知识少．通过3个定理的提出和证明,体现算法的先进性．     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

改进的共享型最近邻居聚类算法

聚类效果往往依赖于密度和相似度的定义,并且当数据的维增加时,其复杂度也随之增加。该文基于共享型最近邻居聚类算法SNN,提出了一种改进的共享型最近邻居聚类算法RSNN,并将RSNN应用于高速公路交通数据集上,解决了SNN算法在"去噪"、孤立点和代表点的判断、聚类效果等方面的不足之处。实验结果表明,RSNN算法比SNN算法在时空数据集上具有更好的聚类效果。     

智能控制仿真

本文根据智能控制和系统仿真理论的基本特征提出了智能控制仿真的问题,在此基础上提出一种实现智能控制仿真的基本思想方法——建立模型主要结构参数可以满足稳定性与随机性变化需要的动态模型库,并阐述了智能控制仿真的实现过程。     

仿人智能积分控制算法改进研究

仿人智能积分控制算法已被提出并被写入教科书中，是一种公认的有效的先进算法，但这种算法仍然存在一些缺陷，在指出这些缺陷的同时，分析了产生的原因并提出了改进后的仿人智能积分控制算法，然后用MATLAB仿真试验，证实了改进后算法的有效性和优越性。     

一种改进的层次聚类算法

针对凝聚式的层次聚类算法在聚类过程中层次化的迭代运算使误差不断累积,导致聚类结果较差的问题,在GN快速算法基础上提出了一种改进的凝聚式层次聚类算法,即网状聚类算法。实验结果表明,该改进算法避免了误差的积累,可以获得更高质量的聚类结果。     

层次聚类在进化树构建中的应用

提出一种新的基于层次聚类算法的基于距离生物进化树构建方法。与以往其他基于距离的生物进化树方法相比,此方法可以得到相同的结果。与真实的生物进化树相比,在序列长度较短的情况下此方法可以给出理想的进化树。     

一种改进的多尺度可能性聚类算法

针对多尺度可能性聚类算法(MPCM)计算复杂度较高的问题,提出一种改进的多尺度可能性聚类算法(IMPCM).算法利用k-均值聚类的收敛点来作为MPCM的初始点,在继承了MPCM优点的同时,解决了原始MPCM中无效初始点过多以及初始点位置不理想造成的迭代次数过高的问题.对比实验结果表明,算法具有良好的聚类效果与更高的计算效率.     

智能控制在铝电解槽中的应用

智能控制是一个新兴的学科领域。本文论述了神经网络专家系统,模糊控制和模糊专家系统等技术的原理及在铝电解槽中应用的策略。总结了上述系统的优缺点并提出铝电解槽采用模糊神经网络是其最佳选择。