双层聚类模型在日志数据分析中的应用

提出了一种基于自组织特征映射( SOM)神经网络和模糊c-均值( FCM)的双层聚类方法,对Web日志中的日志数据集进行聚类。第一层是无监督SOM神经网络聚类方法,它所产生的类的个数大大减少了原始数据集的个数,降低了FCM对类初始中心点的依赖;然后利用FCM聚类算法的优势对第一层中产生的类的中心点进行聚类,从而大大减少了聚类的时间复杂度;最后通过平行坐标技术可视化展示聚类前后的日志数据集,方便对日志数据进行分析。     

基于模糊c-均值聚类的微阵列基因表达数据分析

微阵列技术已成为染色体研究的主要工具,但是它所面临的挑战是如何对海量数据进行分析．利用模糊c-均值聚类对这些数据进行分析,从而发现有差异的基因表达．结果表明,模糊聚类是一种用来为微阵列基因表达数据寻找有差异的基因表达的一种有用工具．     

区间值数据模糊c-均值聚类新算法

针对范九伦等提出的两种模糊ｃ－均值聚类算法进行了改进,提出了更一般的区间值数据模糊ｃ－均值聚类算法．证明了当加权系数λ为１时,新算法等效于老算法Ⅰ;当λ趋于０ 时,新算法趋近于老算法Ⅱ．新算法以老算法Ⅰ和Ⅱ为其特例,并可用现有的模糊ｃ－均值工具箱直接实现．     

Web日志挖掘中模糊C均值聚类研究

Web日志挖掘就是通过一定的方法分析Web日志数据,发现用户的访问习惯,帮助管理人员改进Web站点的性能和结构,提高用户获取知识的质量和速度。笔者首先在Web日志挖掘的背景下分析了模糊C均值聚类算法的缺陷,针对其的不足,在粗糙集理论的支持下,介绍属性信息量的概念,并通过计算待聚类对象的属性权值,区分重要性属性和噪音属性对聚类结果的影响,实验证明该方法提高了模糊C均值聚类算法的准确率。     

Web 日志挖掘中模糊C均值聚类研究

Web日志挖掘就是通过一定的方法分析Web日志数据,发现用户的访问习惯,帮助管理人员改进Web站点的性能和结构,提高用户获取知识的质量和速度.笔者首先在Web日志挖掘的背景下分析了模糊C均值聚类算法的缺陷,针对其的不足,在粗糙集理论的支持下,介绍属性信息量的概念,并通过计算待聚类对象的属性权值,区分重要性属性和噪音属性...     

基于样本最大分类信息的聚类有效性函数

根据每一样本的最大分类信息,对Bezdek定义的划分系数进行修改,提出了一个新的聚类有效性函数,讨论了该函数的若干性质.实验结果表明在某些情形该函数的判决效果优于划分系数.     

在Web日志挖掘中应用聚类改进网站结构的研究

介绍了Web日志挖掘的概念,通过聚类技术在Web日志中实现挖掘出访问网站的相似爱好的用户群体、页面之间的内在联系,以此改进网站性能和组织结构,提高用户查找信息的质量和效率.     

基于类云模型聚类的多目标数据关联算法

针对多目标跟踪中的数据关联问题,提出一种基于类云模型c-均值聚类的数据关联算法.该算法采用类云模型c-均值聚类算法对目标有效回波进行聚类,将聚类中心作为目标最终观测值,运用最近邻法对聚类中心与航迹进行关联,用Kalman滤波器进行状态估计.实验结果表明,本算法与联合概率数据互联算法相比,跟踪精度高,计算量小,更适应于工程应用.     

模糊聚类的遗传算法在图像压缩中的应用

图像压缩的关键在于对图像中相似取样点的选择和处理.用基于图像像素的遗传聚类算法对3D图像分析选择样本,通过FCM算法得到一个有序的像素序列,然后进行聚类获得压缩.实验表明,运用模糊聚类分析法能够有效降低压缩算法的复杂度,并能达到预期的图像压缩效果.     

可调多趟聚类挖掘在电信数据分析中的应用

电信业务每天都产生大量数据,如何从这些数据中提取有用的信息是当今数据挖掘的难题之一。针对实际应用中存在聚类簇数难以确定、单趟聚类算法有时不能收敛到用户指定的簇数等问题,提出了可调多趟聚类挖掘方法。第1趟通过引入一个较大的K值,采用K-means聚类算法,获得K个簇,为第2趟聚类的簇数及簇中心初始值选择提供参考。经电信现网业务数据实验,本文的方法既改善了原聚类方法的局部收敛性,又能较好地适应用户的不同数据分析需求,该方法可用于不确定簇数的大数据分析中。     

抑制式模糊C-均值聚类研究综述

模糊C-均值聚类及其各种变形和推广在实际应用中取得了巨大成就,获得了国际学者的广泛认可。目前,国际上形成了以硬C-均值聚类、模糊C-均值聚类、可能性C-均值聚类为基础的三大聚类算法簇。抑制式模糊C-均值聚类算法架起了连接硬C-均值聚类算法和模糊C-均值聚类算法的一个桥梁,本文就抑制式模糊C-均值聚类的研究现状进行综述,以期对该算法的更深入研究和应用起到推动作用。     

基于核函数的SOM及在齿轮故障聚类识别中的应用

结合统计学习理论（SLT）和支持向量机（SVM）的原理，在传统的采用欧氏距离作为竞争评价函数的自组织映射（SOM）基础上，提出了一种基于核函数的自组织映射（KSOM）方法，并把它应用于齿轮故障的聚类识别。该方法先把特征空间映射到高维的像空间，使得特征数据在像空间的映像能够较好地分开，然后在特征空间利用核函数来构造像空间中自组织竞争的评价函数以及权值的调整方法，最终在特征空间实现高维像空间中数据的聚类。试验结果表明，应用KSOM方法来聚类识别齿轮的故障，比传统SOM取得的效果更好、更稳定。     

混合模糊谱系聚类算法

针对模糊C-均值聚类算法对聚类数预先不可知和谱系聚类所具有的缺陷,提出了混合模糊谱系聚类算法,该算法结合模糊聚类和谱系聚类,自动确定聚类数目,并可以有效的对数据进行聚类．实验表明,该算法具有良好的有效性和可行性．     

改进的模糊核聚类算法

将核学习方法的思想和改进的选择C-均值聚类算法相结合,提出了一种改进的模糊核聚类算法,使其能对非超球体、含有噪音和离群点及样本不均衡的数据进行有效的聚类.通过引入高斯核函数,原样本的特征被非线性变换到高维核空间,提高了聚类性能.实验结果表明,该改进算法具有有效性.     

模糊相关度与聚类有效性

基于数据集的几何结构,引入数据集的模糊划分的类间相关度．依据类间相关度,定义了一个聚类有效性函数．通过人造数据和实际数据对该聚类有效性函数的性能进行了实验．     

自适应的模糊C均值聚类算法

针对模糊C均值聚类算法对聚类数预先不可知的缺陷,提出了自适应的模糊C均值聚类算法,该算法利用已有的有效性函数自动确定聚类数目,继而进行模糊聚类,实验表明,该方法无须人工的干预,并且具有良好的有效性和可行性．     

基于模糊c均值聚类的计算机键盘用户身份认证

针对传统的口令认证方式在防止密码共享以及密码被盗方面的脆弱性，提出将用户名——口令认证与击键特性认证相结合的认证方式，并给出一种基于模糊c均值聚类进行击键特性认证的新方法．通过利用模糊c均值对用户的击键特性进行训练，生成用户击键特性样本；识别时将当前要求认证用户的击键特性与之进行匹配，并根据系统设定的阈值a来确定当前用户是否为合法用户．实验结果表明，此种击键特性认证方法具有较高的用户识别性能。     

模糊-超图聚类模型在土地评价中的应用研究

针对具体的土地评价问题，构建结构清晰、具有可靠性的土地评价的超图数据聚类模型，应用改进的聚类算法，设计聚类的有效性评价指标。并通过实例验证该方法在城镇土地定级中聚类结果的有效性和准确性。     

模糊聚类迭代模型在水资源承载能力评价中的应用

利用模糊聚类迭代模型对山东省17地市的水资源承载能力进行了综合评价,通过模糊识别模型得到样本的级别特征值,从而达到对该省各地区水资源承载能力的级别划分,进而提出增强水资源承载能力的建议,以促进山东省水资源的可持续发展.     

基于模糊c均值算法文档聚类问题的研究

应用模糊C均值算法对文档进行分类,具有不使用语法知识、不使用词法规则、无监督等特点.采用模糊c均值算法对文档进行聚类,实验结果表明:该方法优于普通的聚类算法,聚类结果能充分体现文本的多样性.