空间域减法聚类粒子滤波算法

针对粒子滤波计算复杂度高的问题,为降低滤波中所需的样本数目,提出了一种基于减法聚类的粒子滤波算法,算法将样本及对应权重进行映射构成聚类向量,在设定的聚类半径下,采用改进的减法聚类算法对向量进行分类,得到若干在空间中分离的子类中心,然后用子类中心代替整个向量集,并利用产生的新向量集重构样本集和权重.仿真实验表明该算法在保持了粒子滤波估计精度的同时,有效降低了样本数目,提高了计算效率.     

基于Sub_FCM聚类算法的交通流量段自动划分方法

基于FCM算法提出一种结合减法聚类与聚类有效性评判的模糊c均值聚类算法Sub_FCM,该算法能自动确定合理划分类数并初始化聚类原型,建立一种基于交替优化策略的无监督机器学习自动分类模型,并详细阐述了该模型在怀柔交叉路口流量段自动划分中的具体应用.实例分析表明,该算法能很好地反映路口交通流数据的内在结构,自动划分出合理流量段,为进一步实施合理的控制算法奠定基础.     

基于减法聚类和K均值聚类的彩色图像分割算法

传统图像分割方法大都存在分割速度低下、过度分割等缺点.针对上述问题,提出一种新的彩色图像区域分割算法.这种方法首先将图像转化至L＊a＊b＊空间,并划分为子块,抽取图像子块的颜色、纹理和位置特征组成子块的特征向量,然后运用减法聚类,获得聚类簇数和初始蔟中心,最后利用改进的K均值算法在像素点特征空间进行聚类,进而分割图像成区域.实验结果表明这种新方法具有分割效率高、分割效果理想等优点.     

减法聚类的Hough变换航迹起始算法

针对低信噪比、低信杂比目标检测时Hough变换累积矩阵存在的峰值簇拥现象,提出了一种基于减法聚类的Hough变换航迹起始算法.该方法首先采用Hough变换初步筛选出参数空间上大于投票阈值的投票值,然后采用减法聚类对获取的参数进行二次处理.实验表明该方法不但能够明显改善局部峰值簇拥现象,而且对杂波干扰具有更好的鲁棒性,特别适用于复杂环境中的目标检测.     

采用属性聚类的高维子空间聚类算法

为了解决现有子空间聚类算法时间复杂度偏高以及对输入参数敏感的问题,提出了一种基于属性聚类方法的高效子空间聚类算法.算法首先通过计算每个属性的基尼值来过滤冗余属性,而后通过基于二维联合基尼值的关系函数建立非冗余属性的关系矩阵,以衡量任意两个非冗余属性的相关度, 进而在关系矩阵上应用可产生交叠的聚类算法,聚类结果即为所有兴趣度子空间的候选集合,最后调用聚类算法得到所有存在于这些子空间内的簇.在人工数据集和真实数据集上的实验表明,新算法不仅在时间复杂度和子空间簇的寻找能力方面均有较优表现,而且对输入参数的取值不甚敏感.     

约束聚类算法研究

约束聚类是聚类研究中的热点之一.文章就此探讨了在聚类过程中引入领域知识进行“约束”的方法.介绍了约束聚类的定义,并按约束的应用将约束条件归并为全局约束、实例约束、其它约束等,然后概括了相应约束条件下的算法,最后介绍了约束对于聚类带来的益处和问题.     

混合模糊谱系聚类算法

针对模糊C-均值聚类算法对聚类数预先不可知和谱系聚类所具有的缺陷,提出了混合模糊谱系聚类算法,该算法结合模糊聚类和谱系聚类,自动确定聚类数目,并可以有效的对数据进行聚类．实验表明,该算法具有良好的有效性和可行性．     

层次聚类算法的有效性研究

针对如何从层次聚类算法得到样本集的多种聚类结果中获得用户最满意的聚类结果,在深入研究聚类有效性的基础上,通过模糊相似性关系刻画聚类的类内致密性和类间分离性,建立了一个新的聚类有效性函数。在人工和实际数据集上的实验都表明了该有效性函数具有良好的性能。     

自适应模糊聚类

针对模糊聚类算法中的噪声敏感性以及点对类的隶属度缺乏典型性的问题,提出一个自适应模糊聚类方法.该方法可以自动地标识那些有影响力的或者说重要的原型样本,反映出这些原型样本对其他样本的影响.又可以自动地标识那些有影响力的或者说重要的类,反映出那些重要的类对其他类的影响.该方法能够有效地降低噪声对有用信息的干扰,为传统的聚类方法提供了一个具有可操作性又有效率的替代方案.该方法的收敛性被理论证明,两个试验检验了它的计算花费和准确性.     

基于模糊聚类的Web用户聚类方法与实现

提出了一种基于传递闭包的模糊聚类方法,并应用于Web日志聚类中,实验结果表明,该算法能够有效实现Web用户聚类,并且能够避免陷入局部最优解。最后与模糊C均值算法进行比较,并讨论了算法的运行时间和错分率。     

基于进化思想的聚类算法及其类簇融合算法

针对K均值聚类算法对类簇数目预先不可知及无法处理非凸形分布数据集的缺陷,提出基于进化思想的聚类算法及其类簇融合算法．该算法将K均值聚类算法嵌入进化聚类算法框架中,通过调整距离倍参,将数据逐渐划分,在此过程中自动确定类簇数目,提出基于最近距离的中间圆密度簇融合算法和基于代表类的中间圆密度簇融合算法,将相似度大的类簇进行融合,使得k值逐渐趋向真实值．实验表明,该方法具有良好的实用性．     

基于聚类的跳频信号分选

为了对跳频信号进行分选,主要研究了聚类算法. 首先对KHM算法进行改进,得到了对随机初始化中心不敏感的聚类算法,然后利用已有的聚类有效性评价函数获得最佳聚类数的范围,并提出了在此范围内寻找最佳聚类数的算法. 结合改进的KHM算法和聚类个数估计方法,利用信号持续时间、方位信息和功率,对跳频信号进行分选,实验表明,该算法能正确地分选出跳频信号.     

模糊聚类算法分析及应用

模糊聚类分析算法是对聚类算法的改进,笔者讨论了算法的基本原理、数据的处理方法,并用模糊聚类方法对教师授课效果进行分类分析,选取适当的相似系数,建立模糊矩阵,用动态聚类法进行分类分析,实现了量化评价与综合评价相结合,提高了评价水平,为今后确定评价指标提供了可靠的依据．     

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。     

一种改进的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法中,聚类效果往往受到聚类数目和初始聚类中心的影响这一问题,提出了基于平均信息熵确定聚类数目的方法,并采用密度函数法来获得初始聚类中心.实验结果表明,改进后的算法较好地解决了初值问题,与随机初始化方法相比,迭代次数少,收敛速度快.     

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络（ANFIS：adaptive neuro—fuzzy inference system）的短期负荷预测方法．利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练．向训练好的自适应模糊神经网络输人相关的影响因素数据进行预测．预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值．     

基于统计学习的自适应文本聚类

针对文本数据的高维性和稀疏性从而使传统的聚类算法在文本聚类应用中的表现不能让人满意的问题,通过计算文档相似度矩阵,在聚类过程中动态地统计学习已划分和未划分文本集合的相关信息,探测剩余未划分的数据集中的与已划分类簇覆盖度较小的最大密集区域,逐步生成预定数目的初始聚类中心集合,最后将剩余文档划分到最相似的初始聚类中心集合完成聚类,从而有效地减小了划分聚类算法对初始聚类中心的敏感性。算法中的一些阈值参数均通过在聚类过程中动态地对数据集进行统计学习得到,避免了多数聚类算法通过经验或实验设定阈值参数的盲目性,在不同     

基于蚁群聚类算法的SVM半监督式训练方法

传统支持向量机在处理包含大量未知类别样本的训练集时性能较差。针对这一不足,在少量已知类别样本和大量未知类别样本构成的训练集上,提出一种基于蚁群聚类算法的支持向量机半监督式学习方法。该方法应用蚁群聚类算法进行聚类分析,实现了同类样本的自组织聚类;通过一个递归的类别判定算法,回收样本类别;同时,提取各类簇之间靠得相对较近的边界样本组成精简训练集,以缩减训练集规模加快学习速度。实验表明,该算法能够自适应样本类别分布,有较高的分类精度和泛化能力。