模糊C-均值(FCM)聚类算法的实现

传统的FCM算法能够将靠近边界的具有固有形状的两个簇合并成为一个大的簇.然而,对于一些稍微复杂的数据,如果没有其它的像去除小簇之类的机制的话,FCM算法很难将非常接近的类聚类到一起.给出的聚类算法是在传统FCM算法的循环之后添加了去除掉空簇的步骤,解决了上述很难将非常接近的类聚到一个簇中的问题.另外,为便于选出最优结果,在递归之后又添加了计算聚类有效性的步骤.最后用Java实现了该算法并在数据集上进行了实验,证实了改进方法的有效性.     

WSN中层次性簇聚路由选择算法中的一种优化策略

对层次性簇聚路由算法,提出了一种优化策略。具体实施是在已选出的多个簇首中,以能量均衡损耗和节能为依据,设计一个优化路由机制．选出一个二级簇首,由该二级簇首与汇点通信。通过分析,该策略能够有效的降低网络的能量损耗,大大延长网络的生命周期。     

基于可变染色体长度的遗传K均值聚类算法

针对传统K-均值聚类算法需要事先确定聚类数,以及对初始质心的选择具有敏感性,从而容易陷入局部极值点的缺点,使用了一种基于可变染色体编码长度的遗传算法对传统K-均值聚类进行改进.该算法可以在事先不确定K值的情况下,通过多次的选择、交叉.变异的遗传操作,最终得到最优的聚类数,以及最优的初始质心集.通过Reuters数据集的实验结果表明,基于该算法的聚类划分结果明显优于传统K-均值聚类算法,并且好过基于固定染色体编码长度遗传算法的K-均值聚类算法.     

BK-means:骨架初始解K-means

K-means是典型的启发式聚类算法,容易受到初始解的影响而无法获得高质量的聚类结果。骨架是近年来启发式算法设计的研究热点,它是指所有全局最优解中相同的部分,对于提高启发式算法性能具有重要意义。给出的骨架初始解K-means算法(BK-means)的基本思想是:首先利用K-means算法得到一组局部最优解(聚类结果),通过对局部最优解求交得到骨架簇。利用骨架簇构造骨架初始解及新的搜索空间。最后以骨架初始解引导K-means算法在新的搜索空间中搜索聚类结果。在15组仿真数据集和4组实际数据集上的实验结果表明,BK-means算法具有获得高内聚、高分离的聚类结果能力。     

一种基于图论的聚类算法NeiMu

提出一种新的基于图论的聚类算法NeiMu。该算法首先分析数据中的对象,寻找每个对象的k近邻,根据k近邻关系构造k近邻有向图,然后通过k近邻有向图中的k-互邻居关系构造k-聚类图,发现数据中的自然聚类。算法的特点是根据数据之间的互为k近邻关系确定数据中的自然簇,而不必引入其他方法来划分小簇,从而能够保证对象不会被错误聚类,仅会与其他小簇一起融合到一个大簇中。这一优点可以有效保证NeiMu算法的聚类质量。而且,NeiMu算法给出的这种类似自底向上的层次聚类结果还有利于用户根据渐变的结果确定最佳的k值。实验结果表明,该算法对密度变化大的数据、大小相差大的数据、任意分布形状的数据均具有很好的聚类质量,对孤立点也很健壮。     

Architecture of Integrated Data Clustering Machine

Data clustering is a significant information retrieval technique in today’s data intensive society. Over the last few decades a vast variety of huge number of data clustering algorithms have been designed and implemented for all most all data types. The quality of results of cluster analysis mainly depends on the clustering algorithm used in the analysis. Architecture of a versatile, less user dependent, dynamic and scalable data clustering machine is presented. The machine selects for analysis, the best av...     

基于超图模型的大规模门级网表层次化聚类算法

为了克服现有层次化方法通用性差、运算效率不高、电路结构提取不准等缺点,提出了一种基于超图模型的层次化聚类算法.首先对网表中最基本的迭代、总线、扇入和串联结构进行自动识别,然后将这4种基本结构按不同的组合方式进行多级聚类,最终建立起了网表的层次化结构.由于文中基本结构聚类算法是专门针对超图数据结构设计的,其时间复杂度较低.实验结果表明,该算法既可以得到较准确的层次信息,又能保证较高的运算速度,对各种应用均有较好的效果.     

多工作模式产品配色意象的灰色评价方法

针对产品开发过程中的色彩规划问题,考虑多工作模式产品的配色特征,构建一种多工作模式产品的配色意象评价模型.基于灰色关联分析法建立产品方案色彩与意象之间的关联模型,运用灰色聚类法判断产品配色方案的意象值;将产品各工作模式下的配色意象同时作为评价属性并赋予相应的权值,进行综合评价.文中方法兼顾了多工作模式产品色彩面积的可变性和消费者主观意象的不确定性,将多工作模式产品的配色意象评价方法置于灵活、直观的框架中.最后以工程机械产品为应用实例,证明该方法较单属性评价方法更为贴近消费者的主观意象.     

基于用户聚类的播客节目推荐

许多播客推荐机制一般根据整体点击次数来向用户推荐节目,但是一些点击次数很高的节目未必就是某类用户所喜欢的,因而推荐的节目对用户的喜好针对性不是很强.为了提高推荐节目对用户喜好特点的针对性,提出基于用户聚类的节目推荐.对用户在播客平台上的采集数据进行聚类分析后,把用户归为某一类型,并把该类型的所有节目根据点击次数多少存放入相应的推荐表.在用户下次登录时,根据其所属用户类型从推荐表中选出其最可能观看的尚未浏览的节目.试验结果证明,该播客推荐系统能很好地根据用户的喜好特点来进行针对性节目推荐.     

莫尔斯报务信号的检测和识别

目前莫尔斯报务信号的接收译码主要采用人工值守方式,长期工作在这种环境下会给收报员的心理和生理带来很大的影响,研究能够部分取代人的信号自动检测与识别方法十分必要。基于短时傅立叶变换的特性,在时频域上对莫尔斯信号进行特征捕捉,并对捕捉到的莫尔斯信号采用模糊c均值聚类算法(FCM)实现种类识别,以区分莫尔斯信号的点、划和间隔。实验表明,该算法具有较好的识别效果,在莫尔斯报务的自动识别上具有一定的实用价值。