基于支持向量机的改进高斯核函数聚类算法研究

针对基于支持向量机的聚类算法中,由于高斯核在无限远处的衰减几乎为零,从而影响聚类效果的问题,采用了改进的高斯核函数。该方法使在高维特征空间中,核函数不仅满足在测试点附近有较快的衰减速度,而且在无限远处仍能保持适度的衰减,从而提高聚类效果。实验表明,改进的高斯核比高斯核聚类错误率更低。     

基于一种混合核函数的支持向量机聚类

在支持向量聚类中,采用单个核函数的支持向量机具有很大局限性,为了得到学习能力和泛化能力都很强的核函数,采用了一种新的混合核函数。将该混合核函数应用于支持向量聚类运算中,并且与普通核函数构造的支持向量机的实验结果进行了对比。结果表明了该方法的有效性。     

基于谱聚类的自加权多视图聚类算法研究

针对多视图聚类中如何更好地融合不同视图之间信息的问题,提出了一种多视图聚类算法。采用谱聚类中的归一化割算法,得到每个单视图的嵌入矩阵。通过最小化最终的全局图与各单视图之间的差距来学习最终的全局图。考虑到不同视图的重要性不同,使用了一种自加权的方式为每个视图添加权重。利用秩约束的方式控制全局图的连通分量个数。聚类结果可以从最终学习得到的全局图中直接得出,每个连通分量即为一个簇。通过在两个真实数据集上进行实验,对比该算法与其他类似算法在相同数据集上的聚类评价指标,得出该算法的聚类指标相比于对比算法有最大12%的提升。     

支持向量分类和多宽度高斯核

支持向量分类中,高斯核不区分样本中各个特征的重要性,显然各个特征对分类的贡献一般是不相同的.为了体现这种差别从而提高支持向量机的泛化性能,文中提出了多宽度高斯核的概念.多宽度高斯核增加了支持向量机的超级参数,进一步地,文中提出了多参数模型选择算法.算法利用误差界自动实现模型选择.通过实验验证了多宽度高斯核和多参数模型选择算法的有效性.     

拉普拉斯加权聚类算法

 本文提出了一种用于聚类分析的加权聚类算法,通过利用拉普拉斯权,将聚类对象之间的结构信息自动转换为对象的权重.由于拉普拉斯权能够描述数据的邻域结构,从而能够更好的聚类.该加权聚类算法在性能上比经典聚类算法有较大改进,还具有对孤立点鲁棒、适合类别不平衡数据聚类、对聚类个数不敏感等优点.人工数据集以及UCI标准数据集上的实验证实了本文算法的可行性和有效性.     

基于样本加权的可能性模糊聚类算法

可能性模糊聚类算法解决了噪音敏感和一致性聚类问题,但算法假定每个待分析样本对聚类的贡献相同,导致离群点或噪声点对算法的干扰较强,算法迭代次数过大.为此,提出一种基于样本加权的可能性模糊聚类算法,新算法具有更快的收敛速度,对标准数据集和人工数据集加噪后的测试结果表明,该算法具有更强的鲁棒性,在有效降低时间复杂度的同时能够...     

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。     

一种加权聚类划分决策树算法

针对斜划分决策树算法普遍存在时间效率低、部分算法仅能应用于二分类问题,提出了一种基于加权距离的聚类决策树算法。通过Relief-F算法为预测属性计算权重,并将权重用于树结点中数据的聚类过程,使用分簇结果对结点进行多路划分,得到可直接用于多分类问题的决策树。理论分析和实验结果表明,该算法与经典轴平行决策树相比,拥有更好的泛化能力以及相近的算法时间复杂度,与大部分斜决策树相比,在付出更少计算代价的前提下,获得了近似的正确率以及模型简洁度。     

一种改进的特征加权K-means聚类算法

提出了一种改进的特征加权K-means聚类算法.该算法首先基于数据样本分布选取初始聚类中心,然后设计特征加权的K-means聚类算法.实验结果证明,该算法能产生质量较高的聚类结果,并且能处理数值、符号两类数据.     

基于数据加权策略的模糊聚类改进算法

该文提出了一种数据指数加权的模糊均值聚类策略,引入了指数权因子和影响指数,使得可以在聚类过程中差异化处理各个数据。新策略和现有的Gustafson-Kessel(G-K)算法相结合,提出了一种新的模糊聚类算法DWG-K用于提高聚类质量和挖掘离群点。数据试验表明DWG-K在提高聚类质量方面优于现有的G-K;在离群点挖掘方面,DWG-K对离群点的判定是全局的,离群点的物理意义清楚,且计算效率明显高于当前广泛采用的基于密度的离群点挖掘算法。     

基于粗糙集边界的V-支持向量聚类算法

根据粗糙集理论的边界区域和V-支持向量机的优点对支持向量聚类算法进行改进。使用核函数进行特征空间的映射,发现最小粗糙球的包络点。根据上近似集与下近似集,定义粗糙球的内半径r和外半径为R。数据点映射若位于下近似区,则属于一个确定的聚类;若边界的点位于上近似区,属于不确定的聚类,位于球体外的点属于孤立点。实验结果表明,该聚类算法可以不需要额外的计算开销,能够解决任意形状的软聚类问题,有效地处理边界点。     

基于聚类支持向量机的入侵检测算法

针对支持向量机应用到入侵检测中训练时间长的特点,提出了一种基于聚类的支持向量机的入侵检测算法。该方法可以对训练数据进行剪枝,以靠近判别边界的聚类中心集合作为有效的训练样本集合对支持向量机进行训练,减少了样本的训练时间,提高了算法的效率。实验结果表明该方法对入侵检测是有效的。     

一种基于支持向量机的分类算法

支持向量机是在统计学理论基础上提出的一种新的机器学习方法，由于其出色的学习性能，该技术已成为机器学习界的研究热点，并成功地应用在文本分类、图像识别、生物信息处理等领域。这里简要介绍了支持向量机算法及其应用，并且讨论了其未来的发展方向。     

基于支持向量聚类改进的雷达信号分选方法

在复杂的电磁信号环境下,针对使用支持向量聚类算法进行信号分选时,聚类结果易受核函数参数和惩罚因子的影响,及计算复杂度高和准确率低的问题,提出了一种将支持向量聚类与集对分析相结合的雷达信号分选方法。该方法使用集对分析先对支持向量进行聚类,再用所得的聚类结果对剩余数据进行聚类。仿真结果表明该方法在含有一定数量的噪声信号环境下,能获得较好的分选效果,不仅耗时短,而且还具有较高识别率。     

尺度核函数支撑矢量机

本文提出了一种可容许的支撑矢量机核—尺度核.该尺度核函数可以被看作是一个具有平移因子的多维尺度函数,它能作为平方可积空间的子空间上一组完备的基函数.在此意义上,采用尺度核函数的支撑矢量机,可以认为是在尺度空间中寻找最佳的尺度系数.因此在理论上尺度核函数支撑矢量机能够以零误差逼近某一空间上的任何目标函数,文中给出的仿真实验进一步验证了它的可行性和有效性.     

基于贪婪树的外部支持向量机近似重复图像聚类算法

准确地检测出近似重复图像对于冗余去除和版权侵犯检测具有重要的意义。为了改善基于均匀分裂外部支持向量机聚类算法的性能,提出了一种结合贪婪树和外部支持向量机的近似重复图像聚类算法。该方法先利用外部支持向量机将数据集聚为两类,然后采用贪婪树生长算法选择“最优”的类进行分解,重复上述过程直到不可分为止。此外,为了克服图像视觉单词的同义性问题,利用概率潜在语义分析模型将同现的图像视觉单词映射到潜在语义空间中的同一方向上。实验结果表明,与内部支持向量聚类算法和基于均匀分裂的外部支持向量机聚类算法相比,该方法在聚类性能方面有了明显的提高。。      

基于支持向量机数据分析红外手势识别方法研究

该文提出了利用支持向量机结合仿生六点手势模型优化红外体感控制设备手势识别的方法。采集空间手势信息,仿生六点手势模型提取手势特征向量,利用支持向量机分类及校对数据,引用核函数将低维空间不可分信息映射至高维空间实现线性可分。结果表明,运用基于支持向量机的红外体感设备手势方法能有效识别手势,减轻计算机通信的传输负荷。