基于COSA算法的中文文本聚类

传统聚类算法在计算两个对象间的距离时,每个属性对距离的贡献相同。COSA(Clustering On Subsets of Attributes)算法^[1]认为在不同的分组中,每个属性对计算距离所起的作用可能并不相等,因为不同分组中的对象可能在不同的属性子集上聚集。文献[1]在此基础上定义了新的距离,并提出了两种COSA算法: COSA1算法是一种分割的聚类算法;COSA2算法是一种层次聚类算法。为了对比COSA距离和传统的欧氏距离在文本聚类中的表现,本文对中文文本进行了分割聚类和层次聚类的实验。实验结果显示出COSA算法较基于欧氏距离的聚类算法有更好的性能,而且对于属性数的变化,COSA算法更加稳定。     

一种自适应神经模糊运动规划器设计

使用减法聚类和自适应神经模糊网络方法设计了一种水下机器人运动规划器。根据输入、输出数据的特性,用减法聚类算法,确定模糊系统的初始结构和参数,避免了模糊逻辑系统设计中隶属函数确定及模糊规则自动提取的盲目性和随机性。提出将神经模糊系统参数分解为非线性前提参数和线性结论参数并分开辨识。采用梯度下降算法和最小二乘算法分别进行自适应模糊推理系统前后件参数的优化。仿真结果表明:在相同的仿真环境下,所设计的自适应神经模糊运动规划器的规划效果要好于模糊运动规划器。     

战术互联网同质层基于信任评估的安全分簇算法

提出一种适用于构建战术互联网同质网层分级结构的安全分簇算法（SCABTE），给出簇形成和簇维护的详细设计策略。最后从入侵节点的角度分析其安全性，并用NS-2构建了战术互联网仿真环境在节点传输距离、节点移动速度、网络规模变化条件下验证算法的可用性。     

基于信息粒度的聚类分析及其应用

在处理复杂问题时,通过改变问题所在的粒度空间,不仅可以有效获取对象的特征,而且可去除干扰和非本质属性,使问题易于分析解决。所谓从粒度计算的观点来讨论聚类分析问题,就是认为聚类是在原问题的粒度下(同一问题的最细粒度空间)进行问题分析。为了简化处理,引入不同的聚类相似性函数,其实质就是得到不同粒度空间的等价类。在实际问题求解中,可以根据问题需要取不同相似性函数,以便将问题变换到所需的粒度空间进行处理。为推广其应用,将该思想应用于车牌二值化,提出了基于信息粒度的聚类变换的二值化算法,实现了从彩色3维空间到黑白1维空间的粒度变换。实验结果表明,该算法所得结果更加切合实际图像,不仅具有普适性,而且有利于下一步的识别操作,尤其对于各种斜车牌、光照不均车牌更具有一定的优越性。     

A decomposition of Moran's I for clustering detection

The test statistics I_h, I_c, and I_n are derived by decomposing the numerator of the Moran's I test for high-value clustering, low-value clustering, and negative autocorrelation, respectively. Formulae to compute the means and variances of these test statistics are derived under a random permutation test scheme, and the p-values of the test statistics are computed by asymptotic normality. A set of simulations shows that test statistic I_h is likely to be significant only for high-value clustering, test statistic I_c is likely to be significant only for low-value clustering, and test statistic I_n is likely to be significant only for negatively correlated spatial structures. These test statistics were used to reexamine spatial distributions of sudden infant death syndrome in North Carolina and the pH values of streams in the Great Smoky Mountains. In both analyses, low-value clustering and high-value clustering were shown to exit simultaneously.     

基于二维直方图与FCM相结合的图像快速分割方法

基于二维直方图的模糊聚类分割方法,可以有效地抑制噪声。但是FCM(模糊C均值)算法用于图像聚类时最大的缺点是运算开销太大,进而限制了该算法在图像分割中的应用。通过构造合理的二维直方图,并筛选出符合规定条件的元素作为聚类样本,再结合FCM算法进行图像分割。实验结果表明该方法具有与基于一维直方图的模糊聚类分割方法速度相近,但却比其分割精度高很多的良好特点。     

The use of background and ability profiles to predict college student outcomes.

To determine whether profiles of predictor variables provide incremental prediction of college student outcomes, the authors 1st applied an empirical clustering method to profiles based on the scores of 2,771 entering college students on a battery of biographical data and situational judgment measures, along with SAT and American College Test scores and high school grade point average, which resulted in 5 student groups. Performance of the students in these clusters was meaningfully different on a set of external variables, including college grade point average, self-rated performance, class absenteeism, organizational citizenship behavior, intent to quit their university, and satisfaction with college. The 14 variables in the profile were all significantly correlated with 1 or more of the outcome measures; however, nonlinear prediction of these outcomes on the basis of cluster membership did not add incrementally to a linear-regression-based combination of these 14 variables as predictors. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

随机分类算法的实现及与普通遗传算法的比较

针对普通遗传算法中均采用单点交叉和基本变异算子的不足,引进数据挖掘中聚类分析随机分类重组的思想,采用随机分类的遗传算子并实现了其算法,并简单的模拟两种算法,计算结果表明新的遗传算法有较明显的改进.     

基于MANET的分簇算法研究

分簇是一种能将节点分成逻辑上独立的组的机制，在MANET中应用分簇算法得到的分级式结构能提高网络的总体性能．介绍了分簇算法的构成和度量分簇算法性能优劣的标准，并对几类典型的分簇算法进行了分析和比较，最后指出了其中存在的问题．     

未知数量稀疏源盲分离的一种新方法

提出了一种新的用于未知数量稀疏源盲分离的统一方法。为了改善聚类分离的精度，该方法选取混合空间中半径给定的、中心位于原点的超球面以外的所有数据点，然后将这些数据点映射到中心位于原点的单位超球面上以得到集合Cy。由此，原来的聚类变为致密聚类，各聚类互相重叠的现象几乎消失。随后，先通过关于Cy的聚类分离来估计混合矩阵，再根据混合矩阵估计源，其中最佳不相似阚值和相应的聚类数量是自动生成的。计算机仿真结果验证了该方法对具有不同程度稀疏性源的有效性。当源充分稀疏时，重构信噪比大约是300dB。因此，该方法精确、便利。