基于模糊聚类的RDC选址的研究

随着物流产业的发展,RDC选址问题已经成为物流产业中一个重要的研究问题。有一些解决方法,但是都有不足的地方。为了更好地解决这个问题,文中用模糊聚类的方法来研究RDC选址的问题。先用模糊聚类把要分类的点按照一定的标准进行分类,然后在每个类中用线性规划进行具体的选址,这样可以大大降低计算量,而且在聚类的时候可以得到不同的方案的聚类大小,可以给决策者一个选择的空间。     

基于聚类技术的数据动态搜索方法

搜索在计算机上是多种操作的基本运算,其主要目的是从大量数据当中找出所想要的部分,而一般数据的存放,常设有键值(Key)以利搜索,例如在数据库中,要取得数据一定要配合许多键值的使用,方能有效而快速地存取。最原始的搜索方法循序法因为它的方法简单,所以在不考虑时间效率时,常在搜索小数据量时使用。但在面对大量数据时,就必须采用其他效率较高的算法。本文提出将聚类技术应用到数据动态搜索中,从而能更加准确、更加快速的搜索需要的数据。本文以文件路径的搜索作为例子,通过仿真实验验证了其有效性和可行性。     

基于模糊聚类的RDC选址的研究

随着物流产业的发展,RDC选址问题已经成为物流产业中一个重要的研究问题.有一些解决方法,但是都有不足的地方.为了更好地解决这个问题,文中用模糊聚类的方法来研究RDC选址的问题.先用模糊聚类把要分类的点按照一定的标准进行分类,然后在每个类中用线性规划进行具体的选址,这样可以大大降低计算量,而且在聚类的时候可以得到不同的方案的聚类大小,可以给决策者一个选择的空间.     

基于BIRCH聚类的物流配送设施选址算法

物流配送设施的选址对于物流成本、在途时间影响巨大.其特点包括：配送设施选址和配送路线交互影响、多层级选址、配送设施存件数量均衡性等.本文通过分析物流配送设施选址的特点设计了一个基于BIRCH聚类的物流配送设施选址算法,融合了BIRCH聚类算法和基于Dijkstra距离的重心法,为物流配送设施选址提供了更好的方案,大幅节约长期运营成本.     

聚类方法在公共设施选址中的应用研究

对空间数据挖掘聚类技术及其在公共设施选址方面的传统应用方法进行了综述,分析了传统应用方法中有待解决的关键问题,对空间距离代价的表示问题和传统方法的算法时间复杂度进行了初步探讨,运用模拟退火算法和图论对传统方法进行了改进,实现了算法时间复杂度的降低和聚类结果的优化。     

基于动态类簇形成博弈的属性图聚类方法

以微博、微信为代表的社交网络不仅包含丰富的节点属性信息,还蕴含复杂的网络拓扑信息,这些社交网络通常可被建模为属性图.传统的图聚类方法假设节点属性与网络拓扑共享同一类簇结构.然而,在真实社交网络中,节点属性与网络拓扑所对应的类簇结构并非完全一致.譬如,通过社团发现技术分析新浪微博的好友关注列表能够直观地获取聚集在同一群组...     

基于动态规划的云计算虚拟机簇聚类方法

多虚拟机聚簇的快速高效实现,对于云数据处理能力的提升具有重要意义。基于 虚拟机聚簇的一般原理,引入动态规划全局优化策略,构建一种新的虚拟机聚簇方法。首先根 据预设的虚拟机属性判别函数,对虚拟机资源执行升序排列;进而选取升序集合中心位置的虚 拟机作为聚簇起点,根据动态规划策略从两个方向开始进行聚簇;聚簇的原则本着全局聚簇最 优的动态规划准则。实验结果表明,基于动态规划的虚拟机聚簇方法,聚簇速度快,聚簇效果 稳定。     

动态的粗糙增量聚类方法

数据挖掘领域中已提出了很多聚类算法及其改进形式,但对增量式聚类方法的研究较少。当数据集因为更新而发生了变化,那么数据挖掘结果也要进行必要的更新。由于数据量大,如果在新增数据后再对所有数据运用聚类算法进行聚类,效率显然不高,因此进一步研究增量式聚类算法是很有必要的。在一种改进的基于遗传算法的粗糙聚类方法（IRCBGA）的基础上,提出了一种增量式粗糙聚类方法。数值仿真表明该算法能很好地解决传统聚类算法的数据更新的聚类问题。     

基于密度峰值聚类的动态群组发现方法

近年来,群组推荐由于其良好的实用价值得到了广泛关注.群组发现作为群组推荐的前提环节,其发现结果对推荐效果有着至关重要的影响,群组相似度越高,推荐的效果和稳定性越好.针对现有群组发现方法中存在忽略用户倾向具有时间迁移性和群组可重叠性展开研究,提出了一种基于密度峰值聚类的动态群组发现方法.该方法首先通过动态泊松分解得到量化的用户动态倾向,然后通过高阶奇异值分解预测不同的时间节点下用户对不同项目的倾向,并根据计算所得的用户倾向构建高相似度用户集合,最后利用改进的基于密度峰值的聚类算法对用户集合进行划分,实现群组发现.仿真实验对比结果表明：上述基于密度峰值聚类的群组发现方法具有更好的群组推荐效果.     

基于聚类的基础设施选址方案研究及应用

基础设施选址是精准化农业需要解决的重要课题之一.采用基于迭代自组织数据分析技术(ISODATA)的聚类方法、图论方法以及地理信息系统(GIS)空间分析方法相结合,解决了当聚类个数不可预知,无法使用传统设施选址方法中的k-means聚类方法和当没有设施位置备选集而无法使用离散模型选址方法的问题,也有效规避了选址方案实际操作可行性不强等问题,为精准化农业中基础设施选址提供了一种可行的解决方案.     

基于节点聚类复杂度的图聚类方法

图聚类可以发现网络中的社区结构,是复杂网络分析中的一项重要任务。针对不同节点的聚类难度各异的问题,提出了一种基于节点聚类复杂度的图聚类算法(Graph Clustering Algorithm Based on Node Clustering Complexity, GCNCC),用于判断节点的聚类复杂度,为聚类复杂度低的节点赋予伪标签,利用伪标签提供的监督信息降低其他节点的聚类复杂度,进而得到网络聚类结果。GCNCC包括节点表示、节点聚类复杂度判别和图聚类3个主要模块。节点表示模块得到保持网络集聚性的表示;节点聚类复杂度判别模块用于判断网络中的低聚类复杂度节点,并利用低聚类复杂度节点的伪标签信息来优化更新网络中其他节点的聚类复杂度;图聚类模块采用标签传播方法,将低聚类复杂度节点标签传播给高聚类复杂度节点,以得到聚类结果。在3个真实的引文网络和3个生物数据集上与9种经典算法进行对比,算法GCNCC在ACC,NMI,ARI和F1等方面均表现良好。     

基于聚类融合的标题文本聚类方法

针对标题文本聚类中的聚类结果不稳定问题,提出一种基于聚类融合的标题文本聚类方法。该方法对标题文本的特征词进行筛选,将标题文本转化为特征词集合;提出基于统计和语义的相似度计算方法,计算特征词集合间的相似度;引入基于共协矩阵的聚类融合算法,得出聚类结果。实验结果表明,和传统聚类算法相比,该方法提升了标题文本聚类的稳定性。     

基于模拟退火的动态聚类算法

提出了一个基于模拟退火的动态聚类算法，用模拟退火的全局优化能力来解决常规动态聚类方法中聚类结果对初始中心的敏感性问题，仿真结果表明，它是一个具有全局最优解的动态聚类方法。     

基于动态矩形的聚类方法的设计与实现

提出了一种新的基于动态矩形的聚类方法DRCA。该方法减少了参与聚类计算的数据元素的数量,在每一次基本聚类过程中,采用数据之间空间位置比较取代复杂的聚类距离函数计算,使得算法复杂度与数据量具有近似线性时间关系。试验结果表明了DRCA的正确性和有效性。     

基于ART2动态聚类的协同过滤推荐方法

针对协同过滤推荐中的用户评分数据的极端稀疏性和新用户的推荐问题,本文通过用户的注册信息收集到关于用户的个人特征数据,形成用户个人特征矩阵,然后针对用户个人特征矩阵采用ART2神经网络动态聚类算法进行用户分类,找到目标用户的邻居用户,预测用户对未评分项目的评分。改善在线推荐的响应时间和推荐精度。     

基于语句聚类识别的知识动态提取方法研究

根据自然语言的群集现象和对知识体系动态更新的要求,该文提出了一种基于语句聚类识别的知识动态提取方法。文中首先给出了知识动态提取方法的研究框架,该框架描述了由自然语言文卷到面向对象知识体系的转换过程。研究了语句矢量化的有关问题,给出了若干基本定义和一个判定定理,讨论了句元属性矢量的后置处理。提出了基于神经网络的语句聚类识别方法,采用前信度概念作为语句识别结果可信性的一种度量,利用Matlab编写了一个ART2神经网络仿真程序,给出了该神经网络对语句识别效果且作了相应分析。根据ART2网络对语句进行识别的结果,需将聚类后的各个语句进行知识形式的转换,为此提出了中间代码生成的宽度优先方法,并定义后信度作为对语句识别及语义模型构造可信性 的一个最终评价指标;进而针对合取规则句型,具体介绍了该方法的实现步骤。最后运用结构建模新方法生成结构化的派生关系,从而完成了由自然语言文卷到面向对象知识体系的知识提取过程。作者将一个机械CAD为背景的应用实例贯穿全文,演示了该实例的具体实现,证实了所提方法的有效性。     

一种基于动态聚类的异常入侵检测方法

运用数据挖掘方法进行入侵检测已经成为网络安全领域的一个重要研究方向。提出一种动态聚类的数据挖掘方法进行异常入侵检测,该方法将不同用户行为的特征动态聚集,根据各个子的类支持度与预设的检测阈值比较来区分正常与异常。由于动态聚类算法在每次聚类过程中都检验归类的合理性,因此获得很好的聚类效果。实时检测试验得到了较高的检测率和较低的误报率。     

基于惰性聚类分裂的动态R树实现方法

R^＊树是目前公认查询效果很好的R树变体,但是其构造代价较原始R树增加数倍,对于插入删除和更新频繁的空间数据效果不好。为此,本文提出一种基于惰性聚类分裂技术的R树动态实现方法（LR树）。惰性聚类分裂技术是在对象插入节点导致溢出时不立即进行分裂,而是尝试将其插入到邻近的未满节点中,直到邻近节点均已满时,再利用聚类技术进行节点分裂,在邻近节点和分裂节点之间重组入口项。LR树在确保查询性能的前提下,大大降低了构造代价,并且大幅提高了索引结构的空间利用率。最后的分析和实验证明了LR树的高效性。     

基于改进的K-means聚类的多区域物流中心选址算法

针对当前多区域物流中心选址需建立配送中心个数不定、位置、覆盖范围不明的问题,本文提出了一种改进的k-means聚类算法,以城市经济引力模型为基础,将城市运输距离与居民消费能力的指标相结合,重新定义对象之间相似性度量的距离因子.并将密度思想引入k-means算法,提出类内差分均值的概念确定最优聚类数.实现分区后,分别在这些区域中利用重心法对配送中心进行最终的确定.最后实例分析了在西部地区37个城市创建物流配送中心的选址过程,并通过和传统的k-means聚类的选址结果对比,说明改进后的算法不仅可以节省配送时间,而且大大降低了运输成本,有很好的经济利用价值.