模糊聚类方法在医学病理图像分类中的应用

图象分割和对象提取是从图象处理到图象分析的关键步骤。本文将经典的模糊C-均值聚类算法和模糊测度和模糊积分结合起来,并将这两种算法应用于医学病理图象的分割。经典的模糊C-均值聚类算法采用欧式距离计算像素之间的相似度,本文中采用模糊测度和模糊积分计算像素之间的相似度,基于模糊测度和模糊积分的特点,这种计算方法可以提高计算的准确度。最后对两种算法的处理结果进行了比较,结果表明改进的模糊C-均值算法对医学病理图像的分割效果比原算法有所改进。     

基于自适应聚类的数据预处理算法I

提出了KDD的一种逻辑模型。以数据库或数据仓库中的数据为例 ,根据先验知识或可能的挖掘目标 ,利用SQL命令滤除无关属性 ,形成基于某种概念分层的归纳数据库或汇总数据库。针对数据库中的属性 ,利用非监督学习算法 ,获取相应聚类 ,从而形成面向任务的目标数据子集 ,以保证数据挖掘结果的质量和有效性     

智能答疑系统中基于聚类的问题分类研究

研究了智能答疑系统中的问题分类。针对基于章节目录的分类方式过于依赖特定教材的不足,提出了基于关键词聚类的问题模糊分类方法。此方法基于关键词的语义,采用NERF算法对关键词进行聚类。并利用聚类有效性的方法来弥补此算法过于依赖初始值的不足。最后通过实例进行分析,说明此分类方法的可行性和对基于章节目录的分类方式不足的弥补。     

一种基于核聚类的关键帧提取方法

为了在视频数据库中提供有效的视频检索和浏览功能，必须用简明的方式表示视频的内容。关键帧是对视频镜头的简洁表示，关键帧提取已成为视频检索的一个重要研究方向。文中提出了一种基于核聚类的视频关键帧提取方法，它通过对视频提取颜色特征．并将这些特征作为样本映射到高维特征空间之后，在特征空间中进行聚类，使原来没有显现的特征突现出来，自动将内容相似的样本归为同类，每一类可取一个样本代表其内容，这样的样本即为关键帧。实验结果表明这种方法可以较好地概括视频内容。     

模糊聚类在信息检索中的应用

信息检索是与数据库系统并行发展了很多年的一个领域,它主要研究大量文本的信息组织和检索。典型的信息检索问题是基于用户的输入来定位相关的文本。而文本的相关性是一个模糊的概念,为了对这个模糊的概念以客观的度量,提出了一种新的文本间相关性的计算方法,该方法利用词频矩阵和模糊相似矩阵,在基于相关性检索的一组文档中,使用模糊聚类中的最大树算法,计算出一组文档间的相关度,最后用一个实例加以说明,得到了比较客观的结果。     

基于Chameleon算法的用户聚类的设计与实现

用户聚类是Web挖掘的重要部分,而Chameleon算法是一种通用的聚类算法。文中把Chameleon算法应用于Web挖掘,设计了Web用户的聚类,采用J2EE体系架构实现了这一算法,并在此基础上做了改进,实验结果表明,该算法取得了良好的效果。     

基于音频流的电视智能监测系统设计

广电总局的电视监测业务已经实现了设备控制自动化和卫星信号采集的数字化、信息化和网络化,但基于内容的异态事件监测和信息处理还是完全依赖人工完成.语音处理、语音识别和关联检索等技术的发展,为电视监测业务智能化提供了可能.本文介绍了电视监测业务智能辅助系统的架构,该系统能够自动定位电视节目,把电视新闻语音转化为文字,对敏感语言内容预警,并关联聚类相关信息,方便人工后续处理.     

一个基于复制的相关任务调度算法

基于任务复制的调度是一种新的调度方法，现已有许多基于任务复制的调度算法在任务满足某些条件时能产生最优调度，但也存在一些不足．因此，针对一些算法存在的问题，提出一种新调度算法，该算法既考虑合并其它父任务以减少通讯时间，同时尽可能少的合并祖先任务，从而尽量减小任务的启动时间，因而能产生更短的调度．大量实验数据表明，该算法的性能明显优于其它算法。     

基于Hash函数取样的线性时间聚类方法LCHS

作为数据挖掘中的经典算法,k-中心点算法存在效率低、对大数据集适应性差等严重不足．该文针对这一不足,提出并实现Hash分层模型LCHS（Linear Clustering Based Hash Sampling）,主要贡献包括：（1）将m雏超立方体按等概率空间进行分桶,使得每层（即Hash桶）的数据个数相近,以较小的计算代价获得分层抽样的效果;（2）新算法保证了样本具有对总体数据的充分的统计代表性;（3）从理论上证明了新算法复杂度为O（N）;（4）对比实验表明新算法在数据集的个数接近10000时,效率比传统算法提高2个数量级,数据集的个数接近8000时,聚类质量比CLARA算法提高55％．     

基于概率典型性和聚类排斥的无噪声模糊聚类方法

提出了建立在概率典型性和聚类排斥基础上的一个新型无噪声模糊聚类方法RTCM，给出了它的迭代算法过程，并验证了它的收敛性．首先引述了一般的聚类方法，它们主要分为两种：噪声聚类，如模糊c均值（FCM）、可能模糊c均值（FPCM）；无噪声聚类，如NC、PCM等，然后给出了RTCM算法模型和过程，并验证了它的局部收敛性．该算法解决噪声环境下的数据聚类问题，避免了重叠聚类．对比试验表明，该算法改善了噪声环境下FCM，NC、PCM、FPCM的聚类中心质量，有效地解决了PCM在近邻聚类数据中的聚类重叠问题．