一种混合聚类算法及其应用

通过分析基于网格与基于密度的聚类算法特征,提出了一种基于网格和密度的混合聚类算法,通过分阶段聚类并选取代表单元中的种子对象来扩展类, 从而减少区域查询次数,实现快速聚类。该算法保持了基于密度的聚类算法可以发现任意形状的聚类和对噪声数据不敏感的优点,同时保持了基于网格的聚类算法的高效性,适合对大规模数据的挖掘。实验数据分析验证了算法的有效性,对数据挖掘应用于设备状态监测和故障诊断具有指导意义。     

基于分形维数的聚类融合算法

对基于分形维数的聚类融合算法进行了研究。首先介绍分形维数聚类算法,产生聚类成员;然后利用投票法进行聚类融合;最后简单介绍了云计算环境下分布式聚类融合思想。基于分形维数的聚类融合算法比单一分形维数聚类算法得到的聚类结果更好,具有更好的鲁棒性。在分形维数聚类算法中,结合网格聚类与单一分形聚类的优点,提出了基于网格和分形维数的聚类算法,它可以发现任意形状且距离非邻近的聚类,适合于海量﹑高维数据。     

基于差分演化的K-均值聚类算法

针对K-均值聚类算法对初始值敏感和易陷入局部最优的缺点,提出了一类新的聚类算法——基于差分演化的K-均值聚类算法,进而提出了基于自适应差分演化的K-均值聚类算法,并将新算法与传统的K-均值聚类算法和最近提出的几个同类聚类算法进行比较。实验结果表明,该类算法能比较有效地克服传统的K-均值聚类算法的缺点,算法具有较好的全局收敛能力,稳定性强、收敛速度快,且比较研究表明该类算法具有一定的竞争力。     

基于视觉原理的密度聚类算法的改进

结合基于视觉原理的密度聚类算法对初始化参数不敏感、能发现任意形状的聚类、能够找出最优聚类及一趟聚类算法快速高效的特点,研究可以处理混合属性的高效聚类算法.首先简单改进基于视觉原理的密度聚类算法,使之可以处理含分类属性的数据,进而提出一种两阶段聚类算法。第一阶段使用一趟聚类算法对数据集进行初始划分,第二阶段利用基于视觉原理的密度聚类算法归并初始划分而得到最终聚类。在真实数据集和人造数据集上的实验结果表明,提出的两阶段聚类算法是有效可行的。     

基于蚁群聚类算法的组合算法

基于信息熵的蚁群聚类算法是一种自组织聚类算法,具备健壮性、可视化等特点,并能生成一些新的有意义的聚类模式.基于信息素的K-means算法的K值和初始聚类中心是事先给定的,而往往两者的选择可以直接影响聚类的效果和速度(K-means算法的缺点之一).因此,在基于信息熵的蚁群聚类算法的基础上,结合基于信息素的K-means算法,提出了一种聚类组合算法.     

一种提高DBSCAN聚类算法质量的新方法

针对基于密度带有“噪声”的空间聚类应用(DBSCAN)聚类算法存在的3个主要问题: 输入参数敏感、对内存要求高、数据分布不均匀时影响聚类效果,提出了一种基于遗传方法的DBSCAN算法改进方案数据分区中使用遗传思想的DBSCAN算法(DPDGA)来提高聚类质量．利用遗传算法改进K-means算法来获取初始聚类中心;对数据进行划分,在此基础上对划分的每一部分使用DBSCAN算法进行聚类;合并聚类的结果．仿真实验表明,新方法较好解决了传统DBSCAN聚类算法存在的问题,在聚类效率和聚类效果方面均优于传统DBSCAN聚类算法．     

一种基于数据包含度的自动聚类算法

聚类分析是机器学习和模式识别领域的一个重要问题,聚类算法常用于解决这类问题。针对传统聚类算法运算量大、不适应任意分布数据聚类的不足,提出了一种基于数据包含度的自动聚类算法。该算法引入数据包含度的概念,能够自动确定聚类个数和聚类中心,并进一步采用跟随策略实现聚类。多组数据的实验验证了自动聚类算法的有效性。对不同分布的数据进行了自动聚类算法与K-means聚类算法的聚类结果比较,实验结果表明自动聚类算法具有很好的聚类性能。     

基于离群点识别的聚类结果属性特征簇发现

对聚类结果的理解有助于评价聚类效果,可以据此调整聚类过程,更高效地使用聚类结果.但是,聚类结果的理解仍然是一个尚未解决的问题.提出了基于离群点识别技术分析任意聚类算法的聚类结果,发现了聚类结果属性特征簇的方法;提出一种基于不相似性比值的离群点识别算法.通过对全部数据簇的属性描述进行离群点分析,发现各数据簇的特征属性,实现对聚类结果的理解.所提方法适用于任意聚类算法结果的分析.对UCI的iris、ZOO和Housing数据集的采用X-means、Frozen和DBScan算法的聚类结果进行聚类结果分析,实验表明所提方法较成功地发现了不同聚类算法的属性特征簇,有助于对聚类结果的深入理解.     

近邻同步聚类模型与指数衰减加权同步聚类模型的比较与分析

聚类是一种重要的数据分析与预处理技术.与传统的静态聚类分析方法相比,基于同步模型的聚类算法属于一种动态演化的聚类分析技术.先提出了应用到聚类中的两种指数衰减加权同步模型和一种δ近邻指数衰减加权同步模型.对前两种同步模型,提出了基于指数衰减加权同步模型的聚类算法;对后一种同步模型和已发表的扩展Kuramoto模型、Vicsek简化模型及Vicsek模型的一个线性版本,提出了基于近邻同步模型的聚类算法.然后比较分析了这些同步聚类模型的算法复杂度、性质及特点.在人工数据集和8个UCI数据集的仿真实验中,对这几种同步聚类模型在聚类精度、聚类速度等方面进行了适当的比较.最后对基于同步模型的聚类算法的发展进行了总结及展望.     

免疫接种粒子群的聚类算法

将粒子群优化算法和K均值算法结合进行聚类分析,同时引入了免疫系统中的免疫接种和免疫选择机制来指导粒子的迭代过程,提出了一种基于免疫接种粒子群的聚类算法,在粒子群迭代的过程中加入免疫接种机制指导粒子的飞行方向,再通过免疫选择机制对接种的结果进行选择,确保粒子种群向更优的方向移动。实验结果证明,基于免疫接种粒子群的聚类算法基本克服了K均值算法容易受初始聚类中心影响的缺点,聚类结果稳定,而且比基于粒子群优化的聚类算法取得了更好的聚类效果。     

免疫粒子群核模糊聚类快速分形图像编码

针对经典分形编码算法编码时间过长和基于K-均值聚类等快速分形编码算法依赖数据分布等问题,提出了一种基于免疫粒子群优化(IPSO)和核模糊聚类的快速分形图像编码算法.提出基于IPSO的核模糊聚类算法,将IPSO算法应用于聚类中心的求解中,并将其应用于分形图像编码,分别对子块和父块进行核模糊聚类,以更加合理的分类搜索取代全局搜索,减少编码时间.实验结果表明,新算法的编码时间约为经典分形编码算法的1/6,其峰值信噪比只略微下降;与基于K-均值聚类和基于粒子群优化聚类等快速分形图像编码算法相比,新算法能以更少的编码时间获得更高的峰值信噪比.     

Sonar Image Detection Algorithm Based on Two-Phase Manifold Partner Clustering

According to the characteristics of sonar image data with manifold feature, the sonar image detection method based on two-phase manifold partner clustering algorithm is proposed. Firstly, K-means block clustering based on euclidean distance is proposed to reduce the data set. Mean value, standard deviation, and gray minimum value are considered as three features based on the relatinship between clustering model and data structure. Then K-means clustering algorithm based on manifold distance is utilized clustering again on the reduced data set to improve the detection efficiency. In K-means clustering algorithm based on manifold distance, line segment length on the manifold is analyzed, and a new power function line segment length is proposed to decrease the computational complexity. In order to quickly calculate the manifold distance, new all-source shortest path as the pretreatment of efficient algorithm is proposed. Based on this, the spatial feature of the image block is added in the three features to get the final precise partner clustering algorithm. The comparison with the other typical clustering algorithms demonstrates that the proposed algorithm gets good detection result. And it has better adaptability by experiments of the different real sonar images.     

Neutrosophic fuzzy clustering segmentation algorithm based on HMRF

Considering neutrosophic C-means clustering algorithm with weak ability of suppressing noise, a neutrosophic C-means clustering segmentation algorithm based on the hidden Markov random field is proposed. First, the hidden Markov random field is used to describe the prior information of the arbitrary pixels classification. Second, information divergence between the prior information and sample classification membership is taken as a regular term and embedded into the existing neutrosophic C-means clustering objective function. Third, the samples in the European Space is mapped into the high-dimensional space through the kernel function, and the iterative expression for the neutrosophic C-means clustering segmentation algorithm based on the hidden Markov random field is obtained by the optimization method. Many standard, actual, and synthetic images corrupted by noise are used to validate the segmentation performance of the improved clustering segmentation algorithm. Experimental results show that the anti-noise performance of the proposed segmentation algorithm is improved significantly than the fuzzy C-means clustering algorithm based on the hidden Markov random field, and other fuzzy clustering segmentation algorithms.     

利用CondEns算法实现聚类过程的改进

在已知数据挖掘、聚类、数据聚类、非冗余等相关概念和基本聚类算法背景下,给出了非冗余聚类的总体概念框架和过程．引出了基于条件集非冗余聚类的改进聚类算法——CondEns算法,阐述了利用CondEns算法实现数集聚类的过程．最后在实验的基础上比较CondEns算法和没改进域聚类算法中的一种：CCIB算法,随着正交性减弱研究非冗余数集聚类的鲁棒性,发现了算法CondEns表现得比CCIB更好．     

基于蚁群模糊聚类算法的图像边缘检测

提出了一种基于蚁群动态模糊聚类算法的图像边缘检测,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足.两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的目标函数聚类分析.最后将该算法应用到图像边缘检测,对比实验表明,该算法具有很强的模糊边缘和微细边缘检测能力.     

基于群体智能的一种聚类算法研究

研究了一种聚类组合算法。首先概要介绍了数据挖掘中聚类分析的概念，同时对当前研究的热点群体智能也作了简要的说明，对基本的蚁群聚类算法作了详细的分析，提出了一种基于群体智能的聚类组合算法，借鉴改进的单蚁群算法SACA的聚类收集和标识方法，进行聚类的标识。并根据蚂蚁觅食的转移概率进行二次聚类。实验表明，该算法用于对银行客户细分有较好的聚类效果。     

一种基于分组遗传算法的聚类新方法

为提高聚类效果,提出了一种基于分组遗传算法的聚类新方法。以改进的分组编码方式表示种群中的个体并基于此制定了合理的种群初始化方案,采用改进的遗传操作算子和种群更新规则,利用遗传算法高效的全局搜索能力实现聚类。通过非线性排序选择机制和精英保留策略提高了遗传进化的稳定性;引入同类并行交叉和合并分割变异算子提高了算法运行效率,增强了全局寻优能力。实验结果表明,该聚类新算法能够自动获得最优聚类数和最优划分方案,具有良好的性能和聚类效果。     

基于进化思想的聚类算法及其类簇融合算法

针对K均值聚类算法对类簇数目预先不可知及无法处理非凸形分布数据集的缺陷,提出基于进化思想的聚类算法及其类簇融合算法．该算法将K均值聚类算法嵌入进化聚类算法框架中,通过调整距离倍参,将数据逐渐划分,在此过程中自动确定类簇数目,提出基于最近距离的中间圆密度簇融合算法和基于代表类的中间圆密度簇融合算法,将相似度大的类簇进行融合,使得k值逐渐趋向真实值．实验表明,该方法具有良好的实用性．     

面向垂直划分数据库的隐私保护分布式聚类算法

针对垂直划分的分布式数据库提出了一种基于隐私保护的分布式聚类算法PPDC-VP,该算法基于K-Means的思想实现分布式聚类,并且聚类过程中应用扰乱技术保护本站点真实信息不被传送到其它站点,从而达到隐私保护的目的.理论分析和实验结果表明PPDC-VP算法是有效的.