基于改进量子遗传算法的聚类算法

传统K-均值算法的初始聚类中心从数据集中随机产生,容易陷入局部最优解.提出了一种改进量子遗传聚类方法,用量子比特构成染色体,用实数对量子比特进行编码,用量子旋转门进行染色体更新,用量子Hadamard门进行染色体变异,结合了目标函数的梯度信息,对旋转门的旋转角进行动态调整.每条基因代表一个优化解,在染色体数目相同时,可使搜索空间加倍.实验结果表明,提出的方法在稳定性和分类准确率上都有所提高.     

基于随机游走模型和KL-divergence的聚类算法

聚类分析在数据挖掘领域有着广泛的应用,该文提出一个聚类新思路,它不需要任何参数的假设,只基于数据两两之间的相似性。该方法假设数据点之间存在随机游走关系,根据数据相似性构造随机游走过程的转移矩阵,当随机游走过程进入收敛期后,t阶转移矩阵揭示了数据点的分布。用迭代方法寻找最小的KL-divergence来对这些分布聚类。该方法具有严谨的概率理论基础,避免了传统算法需要参数假设、限于局部最优等不足。实验表明,该算法具有较优的聚类效果。     

一种量子聚类的改进算法

介绍了量子势能、量子力学中粒子的分布机制和量子聚类算法,给出了量子聚类QC算法的物理理论根据,指出了量子聚类算法的优点和不足,提出了一种基于度量距离改变的量子聚类算法DQC,该算法对IRIS样本的聚类准确率比QC算法高出了8个百分点,实验结果证明了该算法的有效性。     

基于聚类的二次异常入侵检测算法

针对应用聚类方法检测入侵中参数人为指定的问题,提出了一种新的基于无监督的聚类算法。算法通过比较无类标训练集样本间的距离,根据距离最近的样本首先聚合成类的特性,在每一步聚类结束时,先预判找出疑似入侵类,然后再对疑似入侵通过比较距离及计算类内样本数占总样本数比率来做二次检测最终确定异常类。该方法不需要人为试参数且不受数据输入顺序的影响,类的形状是任意的,能较真实的反映数据分布的真实性状。最后实验仿真结果表明该算法是有效的。     

一种基于量子进化算法改进的 k-mean 聚类算法

聚类分析是模式识别中的一个重要问题,是非监督学习的重要方法。K -means 算法是其中最经典的聚类算法之一。但是这种方法面对大规模数据的时候工作量非常巨大,并且保证不了聚类结果的最优性。提出了一种基于量子进化算法的改进的 K -means 聚类算法。该方法结合了两个方法的优点,用量子进化算法进行优化,并且改进了量子进化算法中的交叉算子和更新算子,提高了基于量子进化算法的 K -means 算法局部搜索能力。实验结果表明,改进算法取得了较好的效果。     

基于有效性函数的聚类算法

聚类作为一种无监督的学习方法,通常需要人为地提供聚类的簇数。在先验知识缺乏的情况下,通过人为指定聚类参数是不合实际的。近年来研究的聚类有效性函数（Cluster Validity Index） 用于估计簇的数目及聚类效果的优劣。本文提出了一种新的基于有效性指数的聚类算法,无需提供聚类的参数。算法每步合并两个簇,使有效性指数值增加最大或减小最少。本文运用引力模型度量相似度,对可能出现的异常点情况作均匀化的处理。实验表明,本文的算法能正确发现特定数据的簇个数,和其它聚类方法比较,聚类结果具有较低的错误率,并在效率上优于一般的基于有效性指数的聚类算法。     

基于网格的量子博弈聚类算法

量子博弈是对经典博弈的量子模拟,利用量子的纠缠态,可以使博弈参与人在博弈策略的选择过程中相互影响,从而得到与经典博弈不同的结果。将量子博弈运用于聚类问题,并提出一种基于网格的量子博弈聚类算法。算法将数据点看作是博弈的参与人,通过在收益矩阵中内嵌距离函数,使相似的数据点能够获得更大的收益,从而形成聚类。此外,通过设定网格合并规则,使博弈过程得到了简化。仿真实验表明,算法在聚类质量上优于传统的K-means等算法。最后,就算法中的几个参数对算法性能的影响进行了讨论,并给出了参数选择的建议。     

基于量子遗传聚类算法的入侵检测

针对传统入侵检测算法当面临未知攻击时所缺乏的自适应性和智能化日益突出的问题,提出一种新的无监督、自适应的检测算法——量子遗传聚类算法（CQGA）。该算法利用各实例之间的欧氏距离作为相似度量标准,通过量子遗传算法寻找聚类中心以达到在无监督的条件下对数据集自动分类的目的。实验仿真结果显示,该算法能较为准确地对测试数据集进行分类,有效地解决自适应性和智能化问题。     

基于量子进化规划核聚类算法的图像分割

基于量子计算的并行性、进化计算简单、通用性好等优点,采用量子编码构造进化算法的染色体种群,再将二者引入到核聚类中来,提出了一种基于量子进化规划的核聚类算法.该算法充分利用了量子态的叠加性以及量子比特的概率表示,能够表示出许多可能的线性叠加状态,具有更好的种群多样性,因此将其用于解决核聚类算法中目标函数的优化问题,可以有效克服传统进化算法收敛速度慢以及早熟等问题.对Brodatz纹理图像及SAR图像进行分割,仿真实验结果表明该算法可以较好地改善图像分割效果.     

基于量子遗传谱聚算法的聚类

在处理大数据集聚类问题上,谱聚算法因存在占用存储空间大、时间复杂度高的缺陷而难以推广,针对此问题,提出采用多次分割、向上向下双向收缩的QR算法求得特征值对应的特征向量来实现降维,并在此基础上构造映射空间上的样本来实现量子遗传谱聚算法的聚类。该方法通过映射为后续的量子遗传谱聚算法聚类提供低维的输入,而量子遗传算法具有快速收敛到全局最优并且对初始化不敏感的特性,从而可以获得良好的聚类结果。实验结果显示,使用该算法的聚类比谱聚算法、K-means算法、NJW算法等单一方法具有更好的收敛性、稳定性和更高的全局最优。     

图像的扩散界面无监督聚类算法

图像的无监督聚类就是基于图像数据,在无任何先验信息的情况下将整个图像集合划分成若干子集的过程。由于图像的本征维度很高,在图像处理中会遇到"维数灾难"问题。针对图像无监督聚类的特点,提出了一种图像的扩散界面无监督聚类算法,将图像编码成高维观测空间中的点,再通过投影变换映射到低维特征空间,在低维特征空间中构建扩散界面无监督聚类模型,并在模型中引入维度约简算子,采用循环迭代算法优化扩散界面模型的能量函数。基于最优的扩散界面,将整个图像集合聚类成不同的子集。实验结果表明,扩散界面无监督聚类算法优于传统聚类算法中的K-means算法、DBSCAN算法和Spectral Clustering算法,能够更好地实现图像的无监督聚类,在相同条件下具有更高的准确度。     

基于量子漫步算法的地震震前异常挖掘

地震特别是大震前会产生一些异常,但这些异常信息难以识别,导致无法充分利用这些异常信息预测地震的发生时间,减少地震带来的灾害影响.针对这个问题,提出一种基于量子漫步算法的震前异常挖掘方法,提取汶川地震和芦山地震的震前射出长波辐射（Outgoing Long-wave Radiation,OLR）异常,进而计算地震前后的P值,异常值CD等数据,通过统计分析方法,探索OLR异常与地震的关系.并且通过实验将该算法扩展到最近十年左右全球发生的8.0级及以上地震,验证该算法的有效性.实验结果表明,该算法能够有效的反映在地震前后会出现OLR异常,而且越大的地震异常越明显.因此,该算法适用于震前异常挖掘.     

基于广义量子粒子模型的聚类算法及收敛性研究

提出了一种应用广义量子粒子模型进行自组织聚类的新方法。该模型将数据聚类过程转化为一个量子粒子在状态构形空间上的随机自组织过程,由量子粒子之间相互纠缠形成的状态构形随时间不断演化,最终会收敛到一个平稳的概率分布,最优状态空间构形与平稳概率分布中具有最大概率的状态构形相对应。对此自组织过程的收敛性进行了理论上的证明。与传统的适用于大规模数据的聚类方法相比较,该算法具有更快的收敛速度,仿真实验表明了其优越性。     

一种基于隐私保护的分布式聚类算法

针对水平划分的分布式数据库提出了一种基于隐私保护的分布式聚类算法PPDK-Means,该算法基于K-Means的思想实现分布式聚类,并且聚类过程中引入半可信第三方,应用安全多方技术保护本站点真实数据不被传送到其他站点,从而达到隐私保护的目的.理论分析和实验结果表明PPDK-Means算法是有效的.     

双层随机游走半监督聚类

半监督聚类旨在根据用户给出的必连和不连约束,把所有数据点划分到不同的簇中,从而获得更准确、更加符合用户要求的聚类结果.目前的半监督聚类算法大多数通过修改已有的聚类算法或者结合度规学习,使聚类结果与点对约束尽可能地保持一致,却很少考虑点对约束对周围无约束数据的显式影响程度.提出一种由在顶点上的低层随机游走和在组件上的高层随机游走两部分构成的双层随机游走半监督聚类算法,其中,低层随机游走主要负责计算选出的约束顶点对其他顶点的影响范围和影响程度,称为组件;高层随机游走则进一步将各个点对约束以自适应的强度在组件上进行约束传播,把它们在每个顶点上的影响综合在一个簇指示矩阵中.UCI数据集和大型真实数据集上的实验结果表明,双层随机游走半监督聚类算法比其他半监督聚类算法更准确,也比较高效.