基于主元分析与模糊C均值聚类的丙烯腈反应器优化

鉴于主元分析法的降维特性和模糊C均值聚类算法良好的分类性能，本文在丙烯腈反应器操作参数的优化中，结合这两种方法，将主元分析处理后的数据作为新的样本输入，利用模糊C均值聚类算法进行优化操作。在保留原有信息的基础上，去除了冗余数据，加快了聚类速度。实验表明，混合算法的聚类结果比单纯的基于聚类优化的方法能较好地对操作参数的优化起指导作用。     

基于改进KNN-DPC算法的科技创新人才分类研究

为了提高科技创新人才培养过程中人才层次分类的效果,提出了一种结合主成分的改进K近邻优化的密度峰值聚类算法(IKDPC).首先,论文将主成分分析思想及流程融入到K近邻优化的密度峰值聚类算法(KNN-DPC)中来提高对高维数据的处理能力;进而,为了克服复杂数据集和噪声点对KNN-DPC算法的影响,对局部密度度量方法进行了改进,并设计了全新的两种样本数据点的分配策略,从而有效提高了聚类效率和聚类质量;最后,将IKDPC算法针对科技创新人才样本指标数据进行实例研究,实证结果表明该算法能有效地对科技创新人才进行分类,并为科学合理地探究科技创新人才培养过程中的分类问题提供科学量化参考.     

基于基因表达式编程的ISODATA模糊聚类算法

针对ISODATA算法需要人为给定分类数,对初始聚类中心较为敏感,没有显示出自动聚类效果等不足,结合基因表达式编程(GEP)嵌套构成迭代自组织模糊聚类进行优化计算。该方法不仅能在不需要先验知识的条件下对数据进行自动聚类,而且充分利用了GEP算法的全局寻优能力及ISODATA算法的软性分类特性,提高了算法的收敛速度和聚类精度。通过仿真验证及对比分析,运用到地理信息系统(GIS)物流选址实际问题中,得到了理想聚类效果。     

基于量子人工鱼群和模糊核聚类算法的网络入侵检测模型研究

针对基于传统模糊C均值聚类的网络入侵检测模型存在分类效果不佳,且容易出现局部极值的问题,提出了一种基于量子人工鱼群的半监督模糊核聚类算法。该算法使用少量的标记数据和大量未知标记数据生成网络入侵检的分类,并通过核距离的方式构建了模糊C均值聚类算法的新目标函数,此外,结合了量子人工鱼群算法来解决模糊核聚类算法的全局最优解问题,适用于并行执行架构。在KDD Cup 99网络入侵检测数据上的仿真实验结果表明,相比于基于FCM和PSO-FCM的入侵检测模型,以及基于此提出的算法入侵检测模型具有更好的检测率。     

一种基于FRS-FCM算法的集成入侵检测方法的研究

传统FCM算法对初值的依赖性过大且欧氏距离只适用于处理数值型及特征空间为超球结构的数据集。为此,利用模糊粗糙集思想,结合ReliefF技术,提出了一种基于模糊粗糙集的特征加权聚类算法(FRS-FCM),并将此算法应用到集成入侵检测中,通过有效地聚类和集成学习来提高入侵检测的检测率,降低误检率,并较大地提高低频攻击的检测率。最后利用KDD Cup 99数据集进行的仿真实验验证了该方法的可行性与有效性。     

基于多层自组织映射和主成分分析的入侵检测方法*

首先改进了自组织映射学习和分类算法,通过引入自定义变量匹配度、约简率和约简样本量化误差,提出了一种新的基于多层自组织映射和主成分分析入侵检测模型与算法。模型运用主成分分析算法对输入样本进行特征约简,运用分层思想对分类精度低的聚类进行逐层细分,解决了单层自组织映射分类不精确的问题。实验结果表明该模型用于入侵检测的效果良好,能准确区分攻击与否且能进一步指出攻击的具体类型。     

基于模糊C均值聚类的网络入侵检测算法

入侵检测已成为网络安全的第二层重要防御线。分析了对新型未知的攻击的入侵检测,提出基于模糊C均值聚类的网络入侵检测算法。用KDD-99数据集的仿真实验结果表明算法的可行性、有效性和可扩展性,并有效提高了聚类检测的检测率,降低了误检率。     

基于智能蜂群算法的DDoS攻击检测系统

随着大数据应用的普及,DDoS攻击日益严重并已成为主要的网络安全问题。针对大数据环境下的DDoS攻击检测问题,设计了一种融合聚类和智能蜂群算法(DFSABC_elite)的DDoS攻击检测系统。该系统将聚类算法与智能蜂群算法相结合来进行数据流分类,用流量特征分布熵与广义似然比较判别因子来检测DDoS攻击数据流的特征,从而实现了DDoS攻击数据流的高效检测。实验结果显示,该系统在类内紧密度、类间分离度、聚类准确率、算法耗时和DDoS检测准确率方面明显优于基于并行化K-means的普通蜂群算法和基于并行化K-means算法的DDoS检测方法。     

TCP连接性能的FCM聚类分析

分析了模糊聚类中的FCM(Fuzzy C-Means)算法,利用该算法对一个TCP连接日志的抽样数据进行聚类,利用聚类中心对任选的两组数据集进行分类,并对聚类结果进行了分析。     

集成PCA降维与分类算法的垃圾网页检测

针对垃圾网页的内容特征和链接特征,设计一种集成主成分分析PCA(Principal Component Analysis)与支持向量机分类算法的垃圾网页检测方法。该方法使用PCA来提取网页样本特征的主成分,使用主成分特征训练支持向量机(SVM)分类器。训练过程引入AdaBoost以提高分类器的性能。此外,采用聚类算法处理训练和测试数据集,解决了样本不均衡问题。通过在WebSpamUK2007数据集上进行多组对比实验,结果表明,所设计的垃圾网页检测方案具有最高的检测率(0.851)。     

基于FCM和RBF网络的入侵检测研究

入侵检测过程广义上属于分类和模式识别的范畴。文章提出了用模糊C-均值聚类法将网络连接信息聚类，再通过训练RBF网络存储数据并进行识别的入侵检测方法，分析了网络连接信息中的正常网络信息和各种不同的攻击信息。通过仿真实验，该方法取得了较好的实验结果。     

一种加权的空间模糊动态聚类算法

一般空间模糊聚类算法没有区分各属性之间的不平衡性和讨论分类数何时为最佳,针对这一问题,提出了一种加权空间模糊动态聚类算法。该算法首先利用层次分析法得到各属性的权值;然后将权值与空间模糊动态聚类法相结合;最后利用概率统计中的F-分布来确定最佳分类,以提高空间模糊聚类算法的智能性。将文中算法与基于模糊等价关系的传递闭包方法进行比较,试验表明,该算法聚类准确率要明显高于未加权的模糊聚类算法。     

基于主元分析的径向基神经网络预测模型研究

结合主元分析(PCA)和径向基函数(RBF)神经网络,建立了地下水动态模拟与软测量预测模型。通过主元分析法提取主要成分,实现数据预处理;将选取的主要成分作为RBF神经网络的输入;采用k均值聚类算法确定RBF网络隐含层参数,并用递进最小二乘法确定输出层权值。仿真结果表明,该模型优化了网络结构,提高了预测精度。     

基于粒子群算法的无线传感网络大数据聚类优化方法

大数据聚类在无线传感网络数据处理领域中具有重要意义,但是大数据聚类方法存在聚类效果不佳、Jaccard系数较低等问题,提出基于粒子群算法的无线传感网络大数据优化方法。该方法结合主成分分析方法和信息熵降维处理大数据,减少数据聚类所需的时间,采用直觉模糊核聚类算法聚类大数据,引入粒子群算法,优化直觉模糊核聚类方法,利用优化后的算法获得无线传感网络大数据聚类的优化结果,实现大数据聚类。仿真分析结果表明,所提方法的聚类效果较好,Jaccard系数在0.70以上,数据平均熵仅为0.36,并且时间复杂度仅为26.3%,该方法的应用价值更高。     

大数据环境下超声波焊缝缺陷识别方法的研究

为了解决常规超声波焊缝缺陷识别方法分类模型固定和训练集规模有限而难以体现不同缺陷的差异性和同类缺陷的多态性的问题,结合当今大数据环境下的数据分析策略和基因缺陷识别中匹配的思想,通过主成分分析和CURE聚类算法将缺陷回波信号编码转换成可进行匹配的对象,进而将当前检测缺陷特征与历史检测数据进行匹配,并利用最近邻方法实现了对缺陷历史检测数据集的扩充。通过在R上应用基于基本空位罚分的Smith-Waterman比对算法进行仿真实验验证了该缺陷识别方法是可行的,有效地识别了气孔、夹渣、裂纹、未焊透和未熔合五类常见缺陷,具有较好的识别准确率。     

基于模糊SVM模型的入侵检测分类算法

为解决入侵检测分类遇到的训练样本数量少、分类准确率低的问题,提出基于模糊支持向量机的多级分类机制。该分类机制训练模糊SVM模型将数据粗分为正常与攻击大类,采用DBSCAN算法产生细分模型进行攻击子集的自动聚类,将有关数据细分得到攻击的具体细类。在机制设计中,优化了隶属度函数的计算、设计了数据标准化与归一化等过程,并训练了高效分类器。实验表明,针对网络入侵检测数据中常见的孤立点干扰、噪声多,并且负样本占比多的网络业务数据集,新算法在保持分类准确率高的前提下,分类过程的计算时间较短。     

一种基于蚁群算法的模糊C均值聚类

针对模糊C均值(FCM)聚类算法,在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解,FCM算法自身并不能确定聚类个数需要人为设定,并在数据分类应用时具有了一定误差的问题,提出了一种基于蚁群算法的FCM聚类算法。该算法根据蚁群聚类算法确定模糊聚类个数和FCM算法的初始聚类中心：利用蚁群算法的全局搜索性、并行计算性等特点避免了聚类陷入局部最优解：仿真结果表明了该算法的有效性。     

一种基于高斯核化有效性指标的自适应优选聚类数的FKCM

针对传统的模糊核聚类算法(FKCM)需给出聚类个数,且对初始值敏感、易陷入局部最优的缺点,本文提出了一种基于高斯核化有效性指标的自适应优选聚类数的模糊核聚类算法(GKVI-AOCN-FKCM)。利用基于密度和距离的方法选取初始聚类中心,克服了对初始值的敏感,提高了聚类效率。然后用高斯核函数核化后的有效性指标评价聚类效果并自动确定最佳分类数,从而无监督地实现对数据集的模糊划分。对Iris数据集的仿真实验及石脑油属性数据分类的应用验证了算法的可行性和有效性。     

基于机器学习的不确定数据增量式挖掘算法

以实现数据增量式精准挖掘为目的 ,提出基于机器学习的不确定数据增量式挖掘算法.以机器学习算法中的模糊c-均值聚类(FCM)算法为基础,通过主成分分析法筛选原始数据集中指标,利用Relief算法计算指标权重,实现FCM算法改进.改进FCM算法通过阈值定义目标函数,经样本数据分类、特征提取和聚类,使目标函数达到最小值,实现数据挖掘.实验结果表明,上述算法的数据样本分类符合率可达99.28％,分类准确率在98％左右,且分类耗时短、效率高;特征提取能力受数据量增加影响较小;在数据增量情况下,改进算法增量式挖掘准确率保持在95％～ 98％之间,且所需迭代次数少.     

空战多目标模糊聚类算法研究

针对传统多机多目标攻击不易解算攻击任务分配,且计算量大的问题,提出基于划分的多目标模糊聚类算法,该算法根据目标属性的相似性进行多目标分类,可以有效地降低多目标任务分配解算维数,减少运算量,提高解算速度。采用FCM算法以及改进FCM算法度量方式构成的其他各个不同算法,建立空战多目标模糊聚类数学模型,对两组不同数据进行仿真分析,得到不同情况下的各算法的优劣性及适用性。