利用聚类技术改进分形图象压缩方法

分形图象压缩技术是近十年来提出的一种新的图象压缩方法,该方法利用自然界广泛存在的自相似性,以8种简单的仿射变换的组合对图象进行有损压缩,可得到较高的压缩比.但由于分形图象压缩的计算复杂度较高,计算量较大,限制了这一方法在现实中的应用.本文提出一种使用聚类及向量量化技术改进分形图象压缩的方法,降低了分形图象压缩的计算复杂度,提高了压缩效率.本文所述的方法已在c++Builder 6.0集成开发环境下实现了对彩色图象的压缩,并取得较好的实验效果.     

基于势函数模糊聚类量化的小波图象压缩

基于小波变换的图象压缩是图象压缩的一项成功技术 ,并且具有越来越重要的作用 ,但基于小波变换的图象压缩算法在比特率较低时出现的边缘模糊现象仍然是一个公认的难题 .为了在一定程度上减少比特率较低时 ,出现的边缘模糊现象 ,提出了一种基于势函数模糊聚类量化的新方法 ,用于对经过小波变换分解后所形成的数字图象高频子带小波系数进行量化 .在量化过程中还考虑了高频子带的小波系数的分布特性和高频子带的小波系数对保存边缘、纹理等信息的重要性程度 ,也利用了模糊集合的特性 .实验证明 ,在低比特率下 ,这种方法能较好地保存图象边缘和纹理等信息 ,从而在一定程度上提高了重构图象的主观质量 .该方法在小波图象压缩的模糊聚类量化领域进行了一定的尝试 .     

涉及障碍物的聚类方法研究

在空间数据挖掘中，传统聚类算法忽略了真实世界中障碍物的存在，而障碍物会影响聚类结果的合理性。讨论了面对障碍物的聚类问题，并给出了一个考虑障碍物存在时的基于划分的聚类算法。该算法充分考虑到了现实障碍物对聚类结果的影响，使得聚类结果更具有实际意义。     

一种用于彩色图象量化的快速聚类算法

为了对彩色图象进行有效地压缩处理,提出了一种基于模式识别技术的图象量化新算法（FSCAMMD）,该算法首先把彩色图象中的颜色样本归为一类,并采用最大频度与类内最小距离最大相结合的方法选取初始类代表点--初始值优选法;然后采用欧氏距离聚类准则及重心法,求得新聚类域中心的向量值,从而得到了令人满意的量化效果。该算法不仅克服了SCA算法对聚类中心初始值选取的不足,较大幅度地减少了彩色图象量化后的总方差以及颜色失真度,而且较好地解决了重建彩色图象的整体层次与局部细节之间的矛盾,其量化效果优于SCA和其他一些聚类量化算法。     

涉及障碍物的聚类方法研究

在空间数据挖掘中,传统聚类算法忽略了真实世界中障碍物的存在,而障碍物会影响聚类结果的合理性。在文中讨论了面对障碍物的聚类问题,并给出了一个考虑障碍物存在时的基于划分的聚类算法。该算法充分考虑到了现实障碍物对聚类结果的影响,使得聚类结果更具有实际意义。     

一种面向GIS空间数据的聚类方法

一个好的聚类算法应该是用户输入参数少,对噪声不敏感,能够发现任意形状,可以处理高维数据,具有可解释性和可扩展性.将聚类分析应用于地理信息系统中,可以实现对GIS数据信息概括和综合.文中提出一种基于距离阈值相邻的聚类算法,通过距离阈值可达的方式逐个将对象加入到已知聚类中,可以发现任意形状的聚类并对噪声数据有很好的分离效果,实验中将该算法应用于地理信息系统中的数据挖掘实现上,结果证明此算法对于实现GIS聚类具有满意的效果.     

K-maxmins聚类算法

在分析K-means聚类算法和K-medians聚类算法的基础上,使用Tschebyshev距离(∞-范教)对数据对象集进行聚类分析,得到聚类中心恰为数据对象集的最大值与最小值的均值这一新颖结果,并进而提出了一个新的聚类算法,即K-maxmins聚类算法。给出了K-maxrnins聚类算法与传统K-means聚类算法和K-medians聚类算法的结果比较。     

频繁模式聚类算法改进研究

从模式的相似度信息和支持度大小两方面分析了前人聚类算法中采用的距离函数的缺陷,提出了改进距离函数的新算法—Mix算法。实验研究证明,算法在实现过程中可以相应减少时间消耗和聚类结果的错误程度,提高聚类质量,从而得到比较好的聚类效果。     

基于遗传算法的Mercer核聚类方法

结合Mercer核函数和遗传算法,提出一种新的基于遗传算法的Mercer核聚类方法.利用Mercer核函数将输入样本空间非线性映射到新的高维特征空间,可以显现样本的特征差异,提高算法的收敛速度和分类能力,而结合遗传算法可以得到近似最优解.仿真实验和在纺织品质量评估中的应用验证算法的可行性和有效性.     

一种基于模糊核聚类的谱聚类算法

谱聚类是对样本拉普拉斯矩阵的特征向量进行聚类,不局限于原始数据的分布形状,可收敛于全局最优解,但不能准确反映样本间的实际关系,而模糊核聚类可利用模糊数学理论确定样本间的模糊关系。为此,在调整相似度度量函数和距离度量函数的基础上,将模糊核聚类融合到谱聚类算法中,提出SC-KFCM算法,利用模糊划分改进谱聚类中的硬划分,根据特征向量间的相似性和关联程度建立模糊隶属关系并对样本进行聚类,从而弥补谱聚类中硬划分部分对聚类结果造成的影响。实验结果表明,SC-KFCM算法在不同分布特点及维数的数据集上均取得了较稳定的聚类结果和较高的聚类精度。     

基于聚类的语料库分词评价方法研究

对大规模汉语文本语料库分词正确率的评价提出了新的见解,即在分层抽样基础上对文本样本进行聚类．通过聚类可提高检验精度或减少样本量．该方法采用了一种新的样本相似性度量公式,该公式综合考虑了样本向量间的距离和样本向量各分量之间的线性相关性．通过对聚类结果的动态评价,调整聚类的类别数和相似性因子,提高了聚类的效率和质量．实验表明该方法在评价大规模语料库分词正确率时取得了很好的效果。     

一种基于加权欧氏距离聚类方法的研究

针对传统的基于欧氏距离计算相似度的不足,提出了一种在领域知识未知的情况下基于加权欧氏距离的计算方法,并对此进行了分析与研究.实验证明,该方法不仅在一定程度上克服了欧氏距离的缺陷,而且能够提高聚类质量,优化聚类性能.     

一种基于加权欧氏距离聚类方法的研究

聚类分析中最常用的距离度量方法是欧氏距离。针对传统的基于欧氏距离计算相似度的不足,提出了一种在领域知识未知的情况下基于加权欧氏距离的计算方法。并对此进行了分析与研究。实验证明,该方法不仅在一定程度上克服了欧氏距离的缺陷,而且能够提高聚类质量,优化聚类性能。     

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Hash函数取样的线性时间聚类方法LCHS

作为数据挖掘中的经典算法，k-中心点算法存在效率低、对大数据集适应性差等严重不足．该文针对这一不足，提出并实现Hash分层模型LCHS（Linear Clustering Based Hash Sampling），主要贡献包括：（1）将m雏超立方体按等概率空间进行分桶，使得每层（即Hash桶）的数据个数相近，以较小的计算代价获得分层抽样的效果；（2）新算法保证了样本具有对总体数据的充分的统计代表性；（3）从理论上证明了新算法复杂度为O（N）；（4）对比实验表明新算法在数据集的个数接近10000时，效率比传统算法提高2个数量级，数据集的个数接近8000时，聚类质量比CLARA算法提高55％．     

基于结构相似性和压缩变换的聚类方法

针对聚类分析在处理任意形状、任意密度和具有一定结构特征的数据集时存在的不足,首先在数据空间中建立离散拓扑流形,通过在此结构上定义邻域密度相似性和邻域密度变化光滑性两个相对性度量标准,并利用可达性给出样本结构相似性和类结构的定义,证明类结构关系是一个等价关系。然后将结构相似性当作吸引力,设计基于压缩变换的聚类方法,该方法具备处理任意形状、任意密度和解释性好等许多优点。最后在人工数据集和标准数据集上的比较实验结果表明,该方法在聚类效率和有效性上都明显优于其它聚类算法。     

关于色彩聚类量化算法的性能分析

本文在讨论了几种关于色彩量化的聚类算法思想的基础上,分析了它们的算法性能,着重分析了统计聚类算法。并对统计聚类算法进行了改进,通过实验表明这种算法是一种性能较好,复杂度较低的色彩量化方法。     

基于网格密度的带有层次因子的聚类算法

基于网格和密度的聚类算法是一类很重要的聚类算法,但由于采用单调性搜索的方法,使得聚类结果并不十分理想,因此文中在GDD算法的基础上,提出了一种基于网格和密度的带有层次因子与距离因子的GDLD算法.GDLD算法将数据空间按要求划分成网格结构并计算网格密度,构建新的跃迁函数以达到形成有效聚类的目的.实验证明,该算法不仅能够发现任意形状的簇,而且使效率得到了很大的提高.同时层次因子既体现了簇的密度水平,也反映了簇密度的变化过程并使得算法参数更容易确定.