一种可分类数据的聚类算法及其应用

文章给出了一种新颖、高效的用于可分类数据的聚类算法－WeiSC，该算法具有好的精确性，适合大规模数据库中数据的聚类。通过理论推导和实验，证明了算法的正确性和有效性，并结合入侵检测中操作行为的识别，给出了该算法的一个应用实例。     

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。     

一种针对名义尺度变量的优化聚类算法

经典的聚类分析技术如系统聚类法和K-means等主要是处理间隔尺度的变量，而对于名义尺度变量则不适合。文章借鉴认知心理学和优化学习的思想，对名义尺度变量的聚类问题进行了研究，定义了名义尺度变量的距离度量——翻转距离，在此基础上，提出了一种目标函数优化制导的聚类算法，并演示了对名义尺度变量进行聚类的过程。实验表明，我们的算法结果可以得到合理的解释。     

一种改进的K平均聚类算法

典型K平均算法中的聚类数k必须是事先给定的确定值,然而实际中很难精确确定,因而无法解决该核算法的实际问题.为此,提出距离代价函数作为最佳聚类数的有效性检验函数,建立了相应的数学模型,并据此提出了一种改进的k值优化算法.实验证明,与传统基于平均值方法实现数据聚类相比,用改进K值优化算法有效提高数据聚类效果.     

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.     

一种基于证据推理的自适应聚类算法

为了有效处理模式分类中的不确定信息，将证据推理的 Dempster 和 Yager 规则与 K-NN 分类相结合，设计了一种新的证据 K-NN 分类器。然后针对目标样本数据缺失且类别数目未知的识别问题，又提出了一种基于证据推理的自适应聚类算法。随机给定各分类对象的初始置信度和类别数目，通过所设计的证据 K 近邻分类器对目标数据类别属性和类别数目进行迭代更新， 实现目标数据的完全自适应聚类。通过仿真和真实数据集实验，将新算法与目前聚类识别中应用最为广泛的 FCM 进行了对比分析，结果显示新算法能够有效提高目标数据的识别正确率。     

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。     

一种基于改进FCM聚类联合概率数据关联算法

针对多目标跟踪系统中的数据关联问题,提出一种基于改进FCM聚类联合概率数据关联算法(FJPDA)。该算法将改进的FCM聚类方法引入JPDA算法中,避免了对联合事件的概率计算,也避免了对确认矩阵拆分造成的计算量组合爆炸现象,实现了量测与航迹的关联,继而实现对多目标的实时跟踪。仿真结果表明算法简单有效,与JPDA算法相比,在跟踪性能相当的前提下,算法的复杂度和实时性得到了明显的改善。     

一种改进的距离度量的聚类算法

针对传统的K均值聚类分析,不考虑对象中每个变量在聚类过程中体现作用的不同,而是统一看待,用这样计算的距离来表示两个对象的相似度并不确切。文中提出了一种基于距离度量的聚类算法,算法使用新的距离度量代替了K均值聚类算法的欧式距离,应用新的距离度量之后,数据点的权重不再只为1或0,而是由系数来确定,这就将硬划分转化为软划分。最后经过实验证明了改进的聚类算法比传统的K均值聚类收敛速度有了很大提高,提高了算法的执行效率。     

下降迭代算法对数值聚类分析技术的优化研究

提出使用下降迭代算法对数值聚类分析技术进行优化.下降迭代通过设定函数,给出初始假设解,然后按照某种规则依次找到最优解.首先介绍常用聚类算法,从而引出下降迭代法聚类.通过实验证明了下降迭代算法对数值聚类优化的可行性.     

数据挖掘中的客户聚类分析及其算法实现

给出了数据挖掘技术中的数据聚类算法，把该方法应用到客户类型的数据挖掘中，企业可实现对客户的聚类分析，进而对同一类型的客户实行相同的营销策略，对不同类型的客户进行差别营销策略的制定。     

一种改进的CLTree算法

针对聚类算法CLTree 精度低、算法效率低的问题,提出了CLTree-R 算法,之后将其应用于UCI 数据集进行聚类分析。基于Spark平台的特性对数据进行并行处理,加快了算法运行效率。实验结果也表明,使用该算法对官方数据集进行聚类分析时,可以得到较为合理的顾客划分。     

基于改进模糊均值聚类算法的医学图像分割

为了提高医学图像分割性能,针对传统模糊聚类算法存在的缺陷,提出了一种改进模糊均值聚类算法的医学图像分割方法。首先采用粒子群算法选择模糊均值聚类算法的聚类中心,然后利用空间邻域信息设定聚类样本空间,最后采用具体的医学图像数据进行仿真实验,测试其有效性。仿真结果表明,相对于传统模糊聚类算法,本文算法不仅提高了医学图像分割精度,而且提高了医学图像分割效率。     

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.     

An optimal energy‐efficient clustering method in wireless sensor networks using multi‐objective genetic algorithm

In this study, an optimal method of clustering homogeneous wireless sensor networks using a multi‐objective two‐nested genetic algorithm is presented. The top level algorithm is a multi‐objective genetic algorithm (GA) whose goal is to obtain clustering schemes in which the network lifetime is optimized for different delay values. The low level GA is used in each cluster in order to get the most efficient topology for data transmission from sensor nodes to the cluster head. The presented clustering method is not restrictive, whereas existing intelligent clustering methods impose certain conditions such as performing two‐tiered clustering. A random deployed model is used to demonstrate the efficiency of the proposed algorithm. In addition, a comparison is made between the presented algorithm other GA‐based clustering methods and the Low Energy Adaptive Clustering Hierarchy protocol. The results obtained indicate that using the proposed method, the network's lifetime would be extended much more than it would be when using the other methods. Copyright © 2011 John Wiley & Sons, Ltd.     

基于混沌扰动的改进布谷鸟算法

针对布谷鸟算法存在收敛速度不够快、求解精度不够高的问题,应用混沌扰动,给出基于混沌扰动的改进布谷鸟算法(CCS),使用3个基准测试函数对改进后的算法进行仿真实验,实验结果证明改进后的布谷鸟算法相对改进前的算法有较快的求解速度和较高的求解精度.     

一种新型的改进Apriori算法研究

Apriori算法是数据挖掘关联规则研究中的经典算法,由于它需要多次扫描数据库,造成系统运行效率比较低。所以在对Apriori算法进行了分析之后提出了改进的Apriori算法。改进的主要思想是基于将事务数据库转化成相应的0-1矩阵,通过对矩阵中每个向量与其后的向量做内积运算来计算支持度,并将计算得到的支持度与给定的最小支持度作比较,删除小于最小支持度的行与列,缩小矩阵的规模,提高了运行速度效率。改进的算法只需要对数据库扫描一次,运行效率比较高。实验结果表明,该优化方案是有效可行的。