基于聚类融合的异常检测算法

针对任意形状聚类算法用于异常检测时参数设置困难的问题,提出一种基于聚类融合的异常检测算法:设置不同的半径阈值进行多次聚类,统计每次聚类中标记为异常的簇频率,将频率高的簇作为真正的异常.在UCI数据集上对该算法进行实验,结果表明:本算法可降低直接将小簇作为异常的高误报率,并且能提供给用户更为友好的操作.     

基于混合蚁群算法的粮食配送中心选址优化

根据粮食配送中心选址问题的特点和要求,在运输成本最低的基础上,构造了选址问题的数学模型.并且针对该模型引入一种混合蚁群算法,将遗传算法与蚂蚁聚类算法融合,采用遗传算法生成信息素分布,利用蚂蚁聚类算法求精确解.     

基于共享逆近邻与指数核的密度峰聚类算法

针对密度峰聚类算法中局部密度定义和聚类分配策略的不足,提出了一种基于共享逆近邻与指数核的密度峰聚类算法。该算法利用样本的共享逆近邻点和指数核函数构造一种相似度,得到一种新的密度并将其应用在密度峰聚类算法中生成初始簇,然后将这些簇与凝聚层次聚类算法结合形成最终的类簇。数值实验证明:提出的基于共享逆近邻与指数核的密度峰聚类算法在真实数据集上的聚类结果要优于其他密度聚类算法,并能有效解决密度峰聚类算法中局部密度定义问题和聚类分配策略问题。     

一种基于密度和约束的数据流聚类算法

文章在传统聚类算法的基础上,提出了一种基于密度和约束的数据流聚类算法——C-DBDStream(Constraint and Density Based Clustering of Data Stream)。该算法使用数据流聚类在线和离线两阶段框架。在线聚类阶段使用衰减窗口模型,对数据流中的数据对象进行初步的聚类,应用约束条件生成微簇,并将实例级的约束扩展到了微簇级,并将结果以快照的形式保存下来为下一阶段做准备;离线聚类阶段则利用微簇级约束规则聚类,采用DBSCAN算法中的密度可达寻找密度连通区域以产生最终结果。经实验证明,与Clu Stream算法的对比中,C-DBDStream算法提高了聚类效果。     

基于混合蚁群算法的粮食物流中心选址优化

粮食物流中心地址的确定是粮食物流系统分析的核心内容.根据粮食物流中心选址问题的特点和要求,在运输成本最低的基础上,构造了选址问题的数学模型.并且针对该模型引入一种混合蚁群算法,将遗传算法与蚂蚁聚类算法融合,采用遗传算法生成信息素分布,利用蚂蚁聚类算法求精确解.从而有效地避免算法的早熟现象,可防止其很快收敛到局部最优解,实例求解表明,该算法可以有效、快速地求得粮食物流中心选址问题的全局最优解.     

基于线性判别分析和二分K均值的高维数据自适应聚类方法

将线性判别分析和二分K均值聚类耦合在一起,提出了一个适合于高维数据聚类的自适应方法:利用线性判别分析将高维数据集变换成低维数据集,然后在低维数据集上执行二分K均值聚类,并把得到的聚类结果通过一个簇成员指示矩阵H变换到原数据集中.将这样的过程反复进行,直到自适应地得到一个最优结果.基于现实数据集的实验结果证明了该方法的有效性.     

用模糊推理机制调整RPCL算法中的惩罚力度

关于聚类已经有一些相当成熟的算法,但是这些算法都要事先给定聚类个数,带有很大的主观性.针对此问题,惩罚次胜者竞争学习算法(RPCL)通过初始化足够多聚类中心,并且把多余的聚类中心排挤到离数据区足够远的地方来自动确定聚类个数.试验表明这种算法在很多情况下有着良好的运用,但是该算法学习速度比较慢,在处理类别界限模糊的数据集时往往得不到正确的分类.针对它存在的问题,用几条模糊控制规则,提出了惩罚次胜者模糊竞争学习算法以达到自动调整次胜者学习速度的目的.实验表明,惩罚次胜者模糊竞争学习算法更优秀.     

关于结合层次聚类和K-means算法进行聚类的研究

为了解决进行K-means聚类时类数的自动选择和Hierarchical聚类在处理大量高维数据时时间效率低的问题,在Kmeans聚类算法的基础上结合Hierarchical聚类算法,提出了一种基于集体智慧编程方法的用于处理大量数据时动态选取K值的聚类模型。实验结果表明该算法比K-means聚类具有更好的聚类效果,同时解决了Hierarchical聚类方法时间效率低的问题。本模型通过K-means聚类生成适量的类簇,再利用Hierarchical聚类对这些类再进行聚类,最后经过剪枝得到合适的聚类结果,以此实现动态选取K值。     

基于分布式聚类的无线传感器网络数据传输方法研究

为了解决无线传感器网络中传感器节点数据传输效率低、数据延迟较高的问题,提出了一种基于分布式聚类的无线传感器网络数据传输方法.该方法通过节点聚类的方式,将无线传感器网络划分为多个分簇,根据每个分簇中传感器节点的剩余电量选取簇头节点,分簇内其传感器节点将收集的数据传输给簇头节点,再由簇头节点传输给基站.仿真结果表明,该方案能够有效提高无线传感器网络的数据传输效率,降低数据延迟,同时延长网络的生命周期.     

一种改进的k-means算法

k-means(k均值)算法是聚类方法中常用的一种划分方法.该算法适合对海量数据进行聚类,对球状、凸形分布的数据具有很好的聚类效果,但该算法有其突出的局限性,少量的孤立点就会对聚类结果产生很大的影响,因此,采用聚类均值点与聚类种子相分离的思想,给出了基于该思想的对k均值算法的改进算法.实验表明,该改进算法比原k均值算法具有更高的准确性.