一种改进的K-Modes聚类算法

传统的K-Modes算法采用0-1简单匹配方法计算对象与类中心(Modes)之间的距离,并将每个对象分配到离它最近的类中去。采用基于频率方法重新计算各类的类中心(Modes)、定义目标函数,然而,对象的归类方法和目标函数的定义没有充分考虑分类数据的特点。对此,提出一种改进的K-Modes算法,采用期望熵最小的衡量方法进行归类,并且采用期望熵作为新的目标函数。通过实验将该算法与传统的K-Modes算法进行比较,表明该算法是更有效的。     

一种尺度参数与初始中心自适应的谱聚类算法

提出一种尺度参数与初始中心自适应的谱聚类算法。与传统谱聚类算法中使用全局尺度参数相比,本算法根据样本数据点邻域信息自适应确定的局部尺度参数,充分考虑了数据的内在结构,并且将粒子群优化的FCM算法引入算法中,寻找最优粒子作为初始中心,解决初始聚类中心敏感性问题。实验结果表明,文章提出的算法相比原始谱聚类算法,聚类结果更稳定,正确率更高。     

基于PSO的K-means聚类优化

针对机器学习中聚类算法参数多样调参复杂的问题,分析了基于PSO算法在机器学习参数组合寻优方面的可行性,设计了一种基于PSO算法的K-means机器学习聚类算法的参数寻优策略。通过PSO算法找到模型最佳的参数组合,提高K-means机器学习模型的性能。通过对算法调优策略进行测试结果表明,使用PSO算法对K-means机器学习聚类算法进行参数调优,不仅能够找到适于该数据的最佳参数组合提高聚类算法的性能,也可以减少经验调参所带来的误差和成本。     

一种新的并行聚类算法

为了进一步提高计算效率,提出一种面向计算机集群的并行聚类算法.首先合理划分数据块,之后由集群中的节点并行聚类,最后合并聚类结果.这期间采用动态负载平衡和异构的通讯方式.实验证明该并行算法不仅能得到正确的聚类结果,并能够大幅度提高聚类速度.     

一种有效的启发式聚类算法

本文讨论了一种利用确定性退火技术的启发式聚类算法。它把聚类问题看作一物理系统。通过求解一系列随温度变化的自由能函数的全局极小来得到聚类问题的最优解。算例表明，对传统聚类算法无能为力的几种聚类问题，该算法都得到了比较满意的结果。     

一种改进的模糊聚类算法

ＦＣＭ（Ｆｕｚｚｙ Ｃ－Ｍｅａｎｓ）算法是一种基于目标函数优化的模糊聚类方法,其收敛地于初始条件敏感。与ＨＣＭ（Ｈａｒｄ Ｃ－Ｍｅａｎｓ）算法相比,ＦＣＭ算法的模糊分割矩阵提供的信息更加丰富。本文采用冗余聚类中心初始化,根据模糊分割矩 列和以及实际的要求逐级减少类别数目。实验结果显示改进的算法得到的收敛中心稳定,并且中以融合有关数据分布的先验知识得到所期望的结果。     

一种蜜蜂交配优化聚类算法

K-means算法因简单、高速等特点而被广泛应用,但该算法仍然存在依赖于初始聚类中心、易陷入局部最优等缺陷。为此,提出了一种蜜蜂交配优化聚类算法。该算法利用密度和距离初始化蜂群,并将局部搜索能力较强的粗糙集聚类算法作为工蜂的一种编码,以增强算法的局部搜索能力,最后在迭代过程中不断引入随机种群,增加种群的多样性,提高算法的全局寻优能力。实验结果表明,该算法不仅能有效抑制早熟收敛,而且具有较强的稳定性,较好的聚类效果。     

一种自适应的模糊C均值聚类算法

本文首先介绍了模糊C均值聚类算法及其不足。在模糊C均值聚类算法的基础上,结合有效性函数,提出了一种自动聚类算法——自适应的模糊C均值聚类算法,并建立了自适应的模糊C均值聚类算法的研究模型。最后,对改进算法用MATLAB进行编程实现,并通过多组数据集进行实验测试,对产生的多种实验结果进行分析,验证自适应的模糊C均值聚类算法可以实现自动类别数的判定。     

GWO与ABC的混合优化算法及其聚类优化

灰狼优化算法（Grey Wolf Optimizer,GWO）和人工蜂群算法（Artificial Bee Colony,ABC）是两种流行且高效的群智能优化算法.GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法（Hybrid GWO with ABC,HGWOA）.首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题.     

一种基于DFC聚类算法的图像分割方法

图像分割是一种重要的图像技术,在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类很多,有些分割运算可直接应用于任何图像,而另一些只能适用于特殊类别的图像。目前,图像分割的方法层出不穷。其中,最具代表性的图像分割算法是基于FCM聚类算法的图像分割方法。然而FCM聚类算法从理论上来说存在着聚类数目无法自动确定及运算的开销太大的缺点,因而限制了这种方法的应用。针对其不足,本文将FCM聚类算法引入到图像分割方法中。数值实验结果显示：新方法分割图像的效果是良好的。     

基于博弈的大规模无线传感器网络分簇算法

合理的分簇方式能够有效延长大规模无线传感器网络(LS-WSN)的寿命,从而降低其部署使用成本。当前很多WSN分簇的研究均假设节点均匀分布,这与实际应用中的大规模WSN有所差距。该文针对节点非均匀分布的大规模WSN,提出了一种分簇算法。该算法在基于蜂窝结构虚拟网格的位置分簇之后,引入博弈理论设计分簇调整流程,使网络达到各簇中节点数尽量均匀的分簇状态。理论分析和仿真结果证明,通过该方法进行分簇,可以有效均衡各个簇中的节点数,从而延长网络有效寿命。     

基于初始种群优化粒子群算法的通信抗干扰决策引擎

针对抗干扰决策引擎对实时性能要求较高的问题,借鉴了一种基于初始种群优化的粒子群算法(IPO-PSO)。该算法通过把上一次决策的部分解作为当前初始解集的一部分,以此来优化粒子群算法的初始种群。仿真结果表明,该算法能够在不增加复杂度的情况下显著提高粒子群算法在缓变干扰环境下的收敛速度,具有较好的实时性能,更加符合通信抗干扰的应用场景。     

An Adaptive Clustering Algorithm for Intrusion Detection

1 IntroductionBefore data mining techniques are introduced into net-workintrusion detection,intrusion detection was heavily de-pended on a manually maintained knowledge base which con-tained signature of all known attacks.Features of monitorednetworktraff…     

一种改进的基于密度的聚类算法

聚类是数据挖掘领域中的一个重要研究方向,在基于密度的聚类算法DBSCAN的基础上,提出了一种改进的基于密度的聚类算法,该算法在核心点的邻域扩展中不再将邻域内的点作为种子点,而是按顺序选择一个邻域外未被标记的点作为种子点,然后分不同情况进行相应的聚类扩展,此算法可以有效减少聚类中核心点邻域重叠区域查询的次数和运行的时间,实验测试结果也表明该算法聚类的效率和质量明显优于DBSCAN算法.     

一种改进的层次聚类算法

为了更好地实现聚类,在分析层次聚类(agglomerative)算法和神经网络的ART2算法的基础上,提出了一种改进的层次聚类算法.改进算法将首先采用一种基于ART2的改进神经网络聚类算法得到一个初始的聚类结果,然后在此基础上利用agglomerative算法实现分层聚类.实验结果表明,改进算法较原先传统的聚类算法,不但算法执行速度快、效率高,而且聚类效果也比较好.     

一种初始化不敏感的谱聚类算法

针对传统谱聚类算法初始化敏感引起的聚类效率与正确率不稳定问题,给出一种改进的谱聚类算法.该算法首先构造Laplacian矩阵并得到其特征谱空间,然后引入粒子群优化的FCM算法在该空间中寻找最优粒子作为初始类簇中心用以解决敏感问题.实验表明,与传统谱聚类算法比较,该算法的聚类结果更稳定,在较高维数据集上聚类效率与正确率有明显提高.     

An Optimized Fuzzy Clustering Algorithm for Wireless Sensor Networks

Wireless Personal Communications - Clustering is a promising solution to enhance lifetime of wireless sensor networks. Fuzzy logic is being used to address uncertainties in cluster head selection....     

一种聚类模式下基于密度的改进KNN算法

KNN是基于实例的算法,训练样本的数量影响KNN的分类性能.合理的样本剪裁可以提高分类器的效率.提出了一种聚类条件下基于密度的KNN改进模型.首先使用聚类方法对训练集进行基于类别的选择,裁剪边缘样本以减少噪音;再基于类别密度对样本进行加权,改善k近邻选择时大类别、高密度训练样本的占优现象.试验结果表明,本文提出的改进KNN分类算法提高了KNN的分类效率.     

一种改进的CLIQUE高维子空间聚类算法

针对红外图像由于目标和背景边界模糊, 采用单一熵阈值法进行图像分割结果不理想, 提出了一种基于距离灰度补偿的红外图像增强方法, 利用距离作为空间信息对灰度进行补偿, 改善了目标和背景边界模糊对图像分割的不利影响; 然后提出了一种基于交叉熵约束的最大熵阈值图像分割方法, 在交叉熵约束保证类间差异的前提下利用类内均匀性进行图像分割, 避免了单一熵方法阈值的局限性。实验结果表明, 对小目标复杂背景和复杂目标大背景的红外图像, 所提出的方法得到了准确的图像分割结果。