一种基于划分的动态聚类算法

聚类分析是数据挖掘的一个重要研究分支,已经提出了许多聚类算法,划分方法是其中之一。划分方法的缺点是要求事先给定聚类结果数,对初始划分和输入顺序敏感等。为克服这些缺陷,以划分方法为基础,提出了一种基于划分的动态聚类算法。该算法按密度从大到小,依距离选择较为分散的初始值,同时可以过滤噪声数据,并在聚类的过程中动态地改变聚类结果数,改善了聚类质量,获得了更自然的结果。     

基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中,特征提取在金字塔结构小波变换的基础上进行;特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持;纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比,该方法在运行时间上得到了明显的提高。     

k-means和QGA优化RBF神经网络模型在导水裂缝带高度预测方面的应用

导水裂缝带高度选取精度的高低直接影响到水体下采煤系统的安全性。为准确预计导水裂缝带高度,本文构建了RBF神经网络基础模型,采用QGA量子遗传算法和K-means算法对基础模型进行优化,获得了K-means和QGA优化的RBF神经网络导水裂缝带高度预计模型。模型经过训练学习和检验,发现模型预计精度满足工程精度需求,且与PSO-RBF神经网络相比,精度更高、收敛速度更快。     

基于视觉注意机制的感兴趣区提取方法

以精确获取图像中对象感兴趣区域为目标,提出一种基于视觉注意机制和K均值聚类相结合的感兴趣区提取方法。图像经过视觉特征提取、高斯金字塔多尺度变换后,依据多特征图合并策略生成显著图。采用K均值聚类方法分割图像的候选区域,并结合显著图提取图像感兴趣区。实验结果表明,运用该方法提取的感兴趣区更接近人类的视觉注意过程,并具有一定的抗噪能力。     

基于粗糙集的混合属性数据聚类算法

传统聚类方法将对象严格地划分到某一类,但是很多时候边界对象不能被严格地划分。基于粗糙集的k-means聚类算法和基于粗糙集的leader聚类算法,利用粗糙集理论将数据对象划分到一个簇的上近似集或下近似集当中,提供了一种新的处理不确定性的视角,很好地解决了这种边界不确定问题。但其缺点是不能处理混合属性数据,聚类结果对初值有明显的依赖性。针对这些算法存在的不足,给出了一种适用于混合属性数据的距离定义,对初始值的选取提出了改进办法,提出了一种基于粗糙集的混合属性数据聚类算法。仿真实验证明,在不确定聚类簇数的情况下,该算法的聚类准确率比传统k-means算法明显提高。     

基于聚类和项目相似性的Slope One算法优化

随着用户项目数量的增长,用户项目矩阵变得越来越稀疏,使用基于最小生成树的k-means算法对项目进行聚类并以聚类结果对用户评分矩阵进行预测填充。考虑到Slope One算法存在用户兴趣变化问题,将时间权重加入Slope One算法中进行评分预测。将改进后的算法在Movie Lens数据集上进行验证,结果表明,改进后的算法可有效解决稀疏性问题和用户兴趣变化问题,并将MAE值降低到0.015以下。     

基于聚类分析的地球化学数据分布特征研究

将地球化学采样点作为数据对象,测量的16种元素作为数据对象属性,运用数据挖掘技术中的聚类分析对采样点进行聚类,研究与分析了测区内地球化学元素的分布特征.研究结果表明,聚类结果和地层岩性有明显对应关系,能够有效地反映出不同地质单元的地球化学元素分布特征.     

抽样改进加权核大数据谱聚类算法

经典谱聚类算法将数据聚类转为图划分问题,在分析其Normalized Cut函数与传统加权核k-means等价基础上,设计了一种基于抽样改进加权核k-means算法的大规模数据集谱聚类算法,算法通过加权核k-means迭代优化避免Laplacian矩阵特征分解的大量资源占用,通过随机映射得到近似奇异值分解,并由近似奇异...     

基于改进k-均值聚类算法的风机振动分析

针对风机振动信号的非平稳和非线性特征,提出了一种基于时域信号分析和改进的k-均值聚类算法的故障识别方法。对离心式风机运行中产生的几种非稳态振动故障信号,提取其时域信号的峰峰值、Hurst指数和近似熵参数作为特征向量,采用改进的k-均值聚类算法作为故障分类器,设置转子不平衡、联轴器不对中、风机基座松动、转轴径向摩擦和轴承内圈损坏5种故障。对离心式风机试验的结果表明,3种时域特征能较好地反映各故障之间的差异,改进的k-均值聚类算法与原始的k-均值算法相比分类性能更好,稳定性更强,平均识别率达到88.67%。     

基于变预测时域MPC的自动驾驶汽车轨迹跟踪控制研究

为了保证自动驾驶汽车轨迹跟踪的精度及行驶过程中的稳定性,提出一种基于车辆横向稳定状态在线识别和模糊算法的变预测时域模型预测控制（MPC）方法。针对车辆稳定状态的在线识别,采用k-means聚类算法对车辆行驶状态参数进行聚类分析,得到聚类质心,通过在线对比当前车辆状态量与不同聚类质心之间的欧氏距离获取车辆的实时安全等级。同时计算出当前车辆的轨迹跟踪横向偏移量,以这二者为输入,通过模糊控制算法在线计算出预测时域的变化量并输出给MPC控制器实现预测时域的自适应调整,最后求解出自动驾驶车辆跟踪轨迹的最优的控制序列,以达到在保持车辆稳定的前提下实现高精度轨迹跟踪控制的目的。CarSim/Simulink联合仿真结果表明,改进后的变预测时域MPC算法在提高自动驾驶汽车轨迹跟踪精度及横向稳定性方面的表现优于传统MPC控制器。