一种改进的层次聚类算法

为了更好地实现聚类,在分析层次聚类(agglomerative)算法和神经网络的ART2算法的基础上,提出了一种改进的层次聚类算法.改进算法将首先采用一种基于ART2的改进神经网络聚类算法得到一个初始的聚类结果,然后在此基础上利用agglomerative算法实现分层聚类.实验结果表明,改进算法较原先传统的聚类算法,不但算法执行速度快、效率高,而且聚类效果也比较好.     

一种模糊加权的改进层次聚类算法研究

传统层次聚类算法中经常会遇到合并点和分裂点选择的问题,一旦一组对象被合并或者分裂,下一步的处理将在新生成类上进行,已做处理不能撤销,这样有可能导致低质量的聚类结果.针对这个问题,文中提出了一种模糊加权层次聚类改进算法,每次分层聚类时先计算对象属于这个类可靠度,然后和阀值进行比较,当可靠度小于阀值时重新确定对象的归属类,这样就解决了上述问题.最后通过实验验证,该算法确实可行有效.     

一种新的快速混合聚类算法

在汲取了传统划分、层次聚类方法优点的基础上,结合图搜索技术,提出了一种新的快速混合聚类算法.该算法主要分为三个步骤:首先将整个数据集"压碎",生成固定数量的原子级聚类;然后处理孤立点;最后采用图搜索技术生成聚类.该算法只需一个参数,能识别任意形状、大小的聚类,时间复杂度在最坏情况下为nn~(1/2).实验表明该算法是有效的.     

一种基于类中心矫正的层次聚类算法

为了克服传统层次聚类算法由于两类合并造成的中心点偏移的严重缺陷,提出了一种基于类中心矫正的层次聚类算法,从而提高了算法的精确度;同时继承了传统层次聚类对初始中心点的无依赖性;经分析,算法对于已知聚类数和未知聚类数两种情况均有着良好的聚类效果.通过标准数据测试,结果表明新算法的聚类性能与层次聚类算法相比有更高的精确度;并且让新算法用于指导图像分割实验,证明了算法的有效性.     

一种定位人脸部特征的光学聚类方法

人脸识别技术需要对脸部特征进行定位,从而有助于确保图像一致和建立人脸模型.提出了一种新的脸部特征定位方法,通过Gabor滤波器处理得到人脸图像的强度响应,其中,脸部特征表现为强响应,而其他部分表现为弱响应,如面颊和额头.通过保留强响应以及过滤弱响应,可以获得属于脸部特征的所有像素点.采用了聚类算法--k均值算法将不同的像素点分配到不同的簇里面,每一个簇都代表一个脸部特征.通过在ORL人脸数据库上的测试表明:此方法能精确、快速地定位诸如眼睛、鼻子、嘴等脸部特征.此外,此方法能够在有浓密胡须的对象上成功定位脸部特征,表现出较高的鲁棒性.     

改进K中心点聚类算法在成绩评价中的应用

针对K-means聚类算法在成绩评价中存在的稳定性低,聚类数难确定的问题,提出了一种改进K中心点聚类算法,将样本集与样本的各自平均距离比值作为样本的密度参数,采用最大距离乘积法选择密度较大且距离较远的k个样本作为初始聚类中心,在此基础上,结合聚类评价指标DB设计了聚类质量评价模型。通过对某高校学生成绩的聚类分析结果表明:该模型能够准确地给出聚类数k,有效地挖掘出学生多门课程成绩的分布情况,可以为个性化教学的实施提供一种新的解决方案。     

一种改进的模糊聚类算法

ＦＣＭ（Ｆｕｚｚｙ Ｃ－Ｍｅａｎｓ）算法是一种基于目标函数优化的模糊聚类方法,其收敛地于初始条件敏感。与ＨＣＭ（Ｈａｒｄ Ｃ－Ｍｅａｎｓ）算法相比,ＦＣＭ算法的模糊分割矩阵提供的信息更加丰富。本文采用冗余聚类中心初始化,根据模糊分割矩 列和以及实际的要求逐级减少类别数目。实验结果显示改进的算法得到的收敛中心稳定,并且中以融合有关数据分布的先验知识得到所期望的结果。     

一种基于效用函数的系统划分聚类算法

提出了一种基于效用函数划分系统的聚类算法，本算法中给出的效用函数能同时兼顾系统划分的相关性、可理解性、整体性、可分离性等原则。     

一种基于数据场的层次聚类方法

聚类分析是统计、模式识别和数据挖掘等领域中一个非常重要的研究课题,具有广泛的应用前景.受物理学中场论思想的启发,提出一种基于数据场的层次聚类方法.该方法将物质粒子间的相互作用及其场描述方法引入抽象的数域空间,通过模拟对象在虚拟数据场中的相互作用和运动实现数据对象的自组织层次聚集.实验显示,该方法不依赖于用户输入参数的仔细选择,能够发现任意大小和密度的非球形聚类,对噪声数据不敏感,且具有近似线性的收敛速度.     

一种混合聚类算法在用户聚类中的应用研究

利用一种混合聚类算法对用户聚类方法进行分析.给出了此混合聚类算法的应用公式以及在用户聚类算法中应用的思路,最后给出了该算法的具体实现过程.     

一种改进的基于密度的聚类算法

聚类是数据挖掘领域中的一个重要研究方向,在基于密度的聚类算法DBSCAN的基础上,提出了一种改进的基于密度的聚类算法,该算法在核心点的邻域扩展中不再将邻域内的点作为种子点,而是按顺序选择一个邻域外未被标记的点作为种子点,然后分不同情况进行相应的聚类扩展,此算法可以有效减少聚类中核心点邻域重叠区域查询的次数和运行的时间,实验测试结果也表明该算法聚类的效率和质量明显优于DBSCAN算法.     

汉语连续语音识别中的分级聚类算法的研究和应用

针对汉语语音单音节结构的特点,考虑音节间协同发音的现象,本文提出了一种对三音子模型进行分级聚类的方法。与传统的基于决策树的状态聚类算法相比,该方法通过对稀少三音子模型聚类,更充分地利用训练数据,减少稀少三音子对状态聚类的影响,从而提高声学模型的鲁棒性。实验结果表明:大词汇量连续语音识别器采用这种分级聚类方法,不仅可以大大减少模型及其参数的数量,还可使系统识别率有所提高,其中误识率相对于传统的决策树状态聚类系统降低了4.93％。     

An Improved Weighted Clustering Algorithm in MANET

The original clustering algorithms in Mobile Ad hoc Network(MANET)are firstly analyzed in this paper.Based on which,an Improved Weighted Clustering Algorithm(IWCA)is proposed.Then,the principle and steps of ouralgorithm are explained in detail,and a comparison is made between the original algorithms and our improved method inthe aspects of average cluster number,topology stability,clusterhead load balance and network lifetime.The experimentalresults show that our improved algorithm has the best performance on average.     

基于分层虚拟簇的多信道组网算法

针对无线自组网遭受强电磁干扰造成节点间感知到的可用信道存在差异且组网困难的问题,该文提出一种基于分层虚拟簇的多信道组网方法,以实现网络可靠性提升与干扰控制。首先,基于各相邻节点感知到的公共信道邻居比信息构建相似度指标,并基于该指标对网络模块度函数进行改进,形成以网络模块度最大的分簇网络;其次,通过先控制再连通的方式选举簇头节点和网关节点,并采用生成树方法构建基于R-跳连通控制集(CDS)的虚拟骨干网链路为簇间节点提供路由转发服务;最后,提出受限图着色方法对簇内与簇间信道进行分配,以减小簇内与簇间通信存在的同频干扰。仿真结果表明,所提算法构建的分簇网络模块度更高,且在平均簇规模和干扰控制等方面能够取得更优的性能。     

基于最小生成树的并行分层聚类算法

分层聚类技术在图像处理、入侵检测和生物信息学等方面有着极为重要的应用,是数据挖掘领域的研究热点之一.针对目前基于SIMD模型的并行分层聚类算法存在的无法解决存储冲突问题,提出一种基于最小生成树无存取冲突的并行分层聚类算法.算法使用O(p)个并行处理单元,在O(n2/p)的时间内对n个输入数据点进行聚类,与现有文献结论进行的性能对比分析表明,本算法明显改进了现有文献的研究结果,是一种无存储冲突的并行分层聚类算法.     

基于合并分层聚类的网络拓扑推断算法

针对HTE（Hierarchical Topology Estimation）算法计算复杂度较高的问题及其在节点相关性估计方差较大条件下性能下降的问题,提出基于合并分层聚类的网络拓扑推断算法.该算法采用自底向上的合并分层聚类,每次聚类仅使用与最大相关节点对有关的数据,相对HTE算法降低了运算复杂度;建立了改进的有限混合模型,增加了参数推断的有效数据,提高了算法的参数估计精度.仿真结果表明相对HTE算法,本文方法可以更快地推断出网络拓扑,且在节点相关性估计方差较大条件下,有更高的拓扑推断精度.     

一种聚类模式下基于密度的改进KNN算法

KNN是基于实例的算法,训练样本的数量影响KNN的分类性能.合理的样本剪裁可以提高分类器的效率.提出了一种聚类条件下基于密度的KNN改进模型.首先使用聚类方法对训练集进行基于类别的选择,裁剪边缘样本以减少噪音;再基于类别密度对样本进行加权,改善k近邻选择时大类别、高密度训练样本的占优现象.试验结果表明,本文提出的改进KNN分类算法提高了KNN的分类效率.     

一种并行化的改进型灰狼分簇算法

针对传统的分簇算法在解决超大规模数据集的分簇问题上不具有高效的时间和空间复杂度且易于陷入局部最优的问题,提出了改进型灰狼分簇算法（Improved Gray Wolf Clustering Algorithm,IGWCA）,将灰狼行为规则与灰狼狩猎策略相融合,同时引入狄利克雷分布（Dirichlet Distribution）实现先验,在基准数据集上完成IGWCA与其他分簇算法的对比分析。实验结果表明IGWCA不仅具有较强的探索和开发能力,还具有较小的分散度。使用Hadoop框架的MapReduce模型实现IGWCA的并行化（IGWCA on MapReduce,IGWCA-MR）,通过F-Measure和平均运行时间验证IGWCA-MR的分簇质量,并在真实数据集上验证了IGWCA-MR的运行时间和加速性能。实验结果证明,IGWCA-MR可以有效解决超大规模数据集的分簇问题,是一种高效的替代算法。