基于局部探测的快速复杂网络聚类算法

目前复杂网络的规模越来越庞大,且呈现天然的分布式特性,因此从局部观点出发提出快速网络聚类算法就成为迫切需要.为解决这一问题,本文基于对网络模块性函数Q的分析,推导出一个针对于单个结点的局部目标函数f,并证明Q函数随网络中任一结点的f函数呈单调递增趋势,进而提出一个基于局部优化的近线性网络聚类算法FNCA.在该算法中,每...     

基于加权矩阵聚类的Web日志挖掘算法

Web服务器日志中记录了用户的浏览模式,为了从中提取出具有相似访问模式的用户群,对其提供个性化服务,提出一种针对Web日志的分析方法。通过构建UserID-URL关联矩阵,引入加权关联矩阵,提出一种基于加权矩阵的聚类算法——多标记传播算法。实验表明,该算法在Web日志挖掘中进行用户聚类和页面聚类是高效可靠的。     

基于Mueller矩阵分解的非监督聚类算法

该文描述了一种利用极化SAR图像的Mueller矩阵分解系数进行非监督聚类的算法。根据关于各种地貌目标散射电磁波机理的先验知识,该算法可以在不需要任何实地勘测的条件下将图像粗略地分割为三种完全不同的、物理含义明显的类别,即建筑区域、茂密植被和微粗糙表面(例如水面)。与利用单极化灰度图像的非监督分类算法相比,该算法的突出特点是不仅仅将每个像素按照其特征紧密地聚集在一起,而且还能确定每个聚类的散射机理,进而确定目标类型。     

基于加权co-occurrence矩阵的聚类集成算法

聚类集成是数据挖掘研究的一个热点。它是利用同一数据集的多个聚类划分集成在一起,以提高聚类分析的性能。当前相关研究大多没有考虑进行集成的聚类成员的质量,因此较差的成员会对集成结果产生不良影响。文中提出了一种基于加权co-occurrence矩阵的聚类集成算法(WCSCE)。该方法首先计算出聚类成员基于属性值的co-occurrence矩阵,然后对聚类成员的质量进行简单评价并赋予权重,生成加权co-occurrence矩阵,进而产生集成结果。最后通过实验验证了该算法的有效性,并提高了聚类质量。     

基于属性关系矩阵的AP子空间聚类算法

Affinity Propagation（AP）聚类算法将所有数据点作为潜在的聚类中心，在相似度矩阵的基础上通过消息传递进行聚类, 但却不适用于子空间聚类。基于属性关系矩阵的AP子空间聚类算法（AP clustering algorithm based on attributes relation matrix, ARMAP）是一种异步软子空间聚类算法，首先通过计算属性a的 邻域得到属性的关系矩阵，然后通过查找极大全1子矩阵得到数据集的兴趣度子空间，最后在各兴趣度子空间使用AP算法聚类，完成子空间聚类的任务。ARMAP算法将子空间的查找转换成查找矩阵的极大全1子矩阵，在正确查找子空间的同时，降低了时间复杂度。算法既保留了AP聚类算法的优点，又克服了AP算法不能进行子空间聚类的不足。     

基于图熵聚类的重叠社区发现算法

图聚类算法是数据挖掘和复杂网络研究中的一个关键环节。基于密度、层次划分的方法已经被广泛应用于流行病学、新陈代谢和科学引文写作中。尽管上述的聚类方法适用于复杂网络的社区发现,但精度受到限制,其中一个最大的挑战是重叠社区的生成。为填补这一缺口,提出了一种利用图熵搜索局部最优的聚类方法。与传统的基于密度的种子生长式方法不同,在每一次迭代中,引入图熵来衡量图结构的模块度,并为种子的选择提供了随机选择、基于节点的度和基于节点的聚类系数3种方案。经过自下而上迭代的聚类,引入准确率和召回率等评价指标评估聚类结果的精确度,证明了算法的有效性。     

基于均值漂移图聚类的复杂网络社区发现方法

现今图聚类复杂网络社区发现方法主要关注于网络拓扑结构,没有考虑节点间的属性相似性.利用结构和属性相似性融合,结合距离函数的间接连接路径,实现对均值漂移图聚类的优化.最后,利用真实复杂网络数据集对所提方法进行分析.实验结果表明,所提方法较其他社区发现方法更高效准确,且适用于大规模复杂网络数据集.     

基于人工免疫网络的动态聚类算法

聚类分析的两个基本任务是分析数据集中簇的数量以及这些簇的位置.大多数的聚类方法通常只关注后一个问题.为了在聚类数不确定的情况下实现聚类分析,本文提出了一种新的结合人工免疫网络和遗传算法的动态聚类算法—DCBIG.新算法主要包含两个阶段:先使用人工免疫网络算法获得聚类可行解,然后使用遗传算法依据聚类可行解实现动态聚类.本文对获得聚类可行解的条件和概率进行了分析.仿真实验结果表明与现有方法相比,新方法具有更高的收敛概率和收敛速度.     

基于蚁群聚类的二部图网络推荐算法

二部图网络推荐算法是近几年研究较多的推荐算法,但在进行资源分配时都是基于全部用户的资源,大量不相干的用户使得用户间的耦合度下降,影响推荐质量。针对该问题,文中利用蚁群聚类算法基于用户进行聚类,后根据项目一定半径内的项目集合进行二部图网络推荐,实验结果显示在一定条件下该算法相比原来算法有较好的推荐性能,表明该算法在一定的条件下能降低耦合度过低的影响。     

基于位置感知的无线传感器网络聚类算法

针对以能量有效的方式收集传感器网络空间相关性数据的问题,本文提出了一种新的基于位置感知的无线传感器网络聚类算法。算法根据用户查询误差门限和基于位置信息的节点感知数据相异度矩阵,进行无监督数据挖掘,将监测区域划分成信息等价域。每个等价域选取城内当前剩余能量最大的节点作为簇头,网络通过移动代理收集簇头感知信息,从而减少了传输数据量,有效节省了网络能量。     

基于遗传聚类的无线传感器负载均衡路由算法

通常的无线传感器分簇网络存在节点负载不均衡的问题。为均衡各节点能量消耗,延长网络生存周期,将K均值算法与遗传算法相结合,提出一种负载均衡的无线传感器网络路由算法,算法利用遗传算法的全局寻优能力以克服传统K均值算法的局部性和对初始中心的敏感性,实现了传感器网络节点自适应成簇与各节点负载均衡。仿真实验表明,该算法显著延长了网络寿命,相对于其他分簇路由算法,其网络生存时间延长了约43%。     

基于复杂网络的社区划分算法分析

近年来,复杂网咯吸引了大量的学者,作为一个新兴起来的学科,来自各个领域的学者们都开始对其进行研究分析。社区划分是复杂网络的重要特征之一。针对复杂网络中社区划分问题,对三种的社区划分算法进行了研究,传统GN算法、FN算法和谱聚类算法,分别阐述了各种算法的基本原理,并对这两种算法基于真实世界网络模型进行了适当的分析和比较,选取出较为高效的谱聚类算法,用于现实世界复杂网络中的社区划分,为实际应用中社区划分算法的认识与应用提供了方法参考。     

基于遗传聚类的无线传感器负载均衡路由算法

通常的无线传感器分簇网络存在节点负载不均衡的问题。为均衡各节点能量消耗,延长网络生存周期,将K均值算法与遗传算法相结合,提出一种负载均衡的无线传感器网络路由算法,算法利用遗传算法的全局寻优能力以克服传统K均值算法的局部性和对初始中心的敏感性,实现了传感器网络节点自适应成簇与各节点负载均衡。仿真实验表明,该算法显著延长了网络寿命,相对于其他分簇路由算法,其网络生存时间延长了约43%。     

基于聚类学习算法的网络入侵检测研究

目前的入侵检测系统存在着在先验知识较少的情况下推广能力差的问题。在入侵检测系统中应用聚类算法,使得入侵检测系统在先验知识少的条件下仍具有良好的推广能力。首先介绍入侵检测研究的发展概况和聚类算法;接着提出了基于聚类算法的入侵检测方法;然后以KDD99这类常用的入侵检测数据为例,讨论了该方法的工作过程;最后将计算机仿真结果进行了分析。通过实验和比较发现,基于聚类学习算法的入侵检测系统能够比较有效地检测真实网络数据中的未知入侵行为。     

超密集网中一种基于人工蜂群的节能分簇算法

超密集网络中,密集部署的低功率基站将会加大系统的能耗,并且造成紧缺频谱资源的浪费.探寻干扰协调和系统节能的可行性方法在超密集网络架构下提出基站的休眠—唤醒—活跃机制,减小了休眠基站直接转为活跃状态的开启时间;另外,提出一种基于人工蜂群染色分簇算法,尽可能使用最少的颜色给拓扑图中的小区染色,并对簇内活跃基站进行优化功率分配.经仿真表明,休眠—唤醒—活跃机制能够提升系统的能源效率,染色分簇算法也可以改善用户的频谱效率和吞吐量.     

基于DBSACN聚类算法的XML文档聚类

为了满足对XML文档集合进行数据挖掘需求,本文提出了根据XML文档树的语义信息和结构信息来计算其结构相似度,通过结构相似度构造其结构相似度矩阵,在此基础上应用DBSCAN算法来对XML文档集合进行聚类.与其他聚类算法相比,其聚类的速度得到了很大的提高.     

基于改进LEACH的多簇头分簇路由算法

为了降低无线传感器网络(WSN)的能耗,延长网络的生存周期,提出一种多簇头双工作模式的分簇路由算法.算法对低功耗自适应集簇分层(LEACH)协议作了以下改进:采用多簇头双工作模式来分担单簇头的负荷,以解决单簇头因能耗较大而过早消亡的问题;选举簇头时充分考虑节点位置和节点剩余能量,并应用粒子群优化(PSO)算法优化簇头的选举,以均衡网络内各节点的能耗;建立簇与簇之间的数据传输路由,以减少簇间通信的能耗.仿真结果表明,算法有效降低了网络的能耗,延长了网络的生存周期.     

基于模糊KHM聚类的跳频网台分选方法

针对聚类分析实现跳频网台分选时,分选结果对初始聚类中心敏感且某些样本点“既可以属于类A也可以属于类B”的问题,提出了一种基于模糊K调和均值(KHM)聚类的跳频网台分选方法。首先利用搜索统计直方图位置法预估聚类数目和聚类中心,减少了算法的迭代次数;然后根据跳频信号的各项参数,应用模糊KHM聚类算法对跳频网台进行分选,有效解决了样本点的隶属度问题;最后通过类内类间距法估计得到准确的聚类数目K、聚类中心位置,大幅提升了聚类算法准确度。仿真结果表明,该算法聚类中心接近实际类中心,分选正确率高,迭代次数少。     

无线传感器网络基于分簇路由的数据融合研究

无线传感器网络节点资源有限,所以需要采用有效的路由算法与数据融合机制来节省资源,延长网络寿命,提升数据采集效率。LEACH是经典分簇路由协议,针对其在簇头选择机制、数据融合以及簇头与基站通信的路由方面的不足,提出了几点改进方法,在簇头选择的算法中加入了能量控制条件,簇头与基站的路由改为更适合数据融合的多跳反向组播树,并基于信息熵提出了有效数据融合机制。仿真实验表明,改进之后的算法比原LEACH算法更有效地利用了节点资源,延长了网络生存时间。     

采用自适应退避机制的无线传感网分簇算法

传统的LEACH算法因为簇首选举的随机性而导致节点能量分布不均,从而影响网络寿命和系统吞吐量,在此基础之上提出了一种基于自适应退避机制的分簇算法,通过设定一个能量门限来衡量簇首的健康度,并采用退避机制来使那些趋于衰亡的簇首能找到合适的继任者来担当簇首,保证数据传输的可靠性.仿真实验显示,该算法能够较LEACH获得更长的网络寿命,并提高了网络的吞吐量.