一种基于核的混合c-均值聚类模型

FCM和PCM的混合模型可以克服它们单独聚类时的缺点,在聚类效果上有很大改进,但是对于特征不明显的样本而言,这种混合模型的聚类效果并不太好,为了克服这一缺点,本文引入Mercer核,提出了一种新的基于核的混合c-均值聚类模型(KIPCM),运用核函数使得在原始空间不可分的数据点在核空间变得可分。通过数值实验,得到了较为合理的中心值以及较高的正确分类率,证实了本文算法的可行性和有效性。     

分类属性数据的泛化中心聚类算法

针对采用经典划分思想的聚类算法以一个点来代表类的局限,提出一种基于泛化中心的分类属性数据聚类算法。该算法通过定义包含多个点的泛化中心来代表类,能够体现出类的数据分布特征,并进一步提出泛化中心距离及类间距离度量的新方法,给出泛化中心的确定方法及基于泛化中心进行对象到类分配的聚类策略,一般只需一次划分迭代就能得到最终聚类结果。将泛化中心算法应用到四个基准数据集,并与著名的划分聚类算法K-modes及其两种改进算法进行比较,结果表明泛化中心算法聚类正确率更高,迭代次数更少,是有效可行的。     

基于核函数的混合C均值聚类算法

提出了一种基于核函数的混合C均值聚类算法.首先利用模糊C均值聚类算法和另一种类型的可能性C均值聚类算法的优点,设计出一种混合C均值聚类算法.然而鉴于该算法存在的不足,本文将Mercer核函数引入到该算法中,仿真实验结果证实了该方法的可行性和有效性.     

一种改进的k-modes聚类算法

传统的K-modes算法采用了简单的0-1匹配来计算属性间的相异度,后改进为频率计算相异度,但是他们都忽略了各属性间的差异。本文研究了基于粗糙集和知识粒度的属性加权算法,该算法既克服了属性的冗余问题又综合考虑了各属性间的差异。在此基础上,通过对传统K-modes算法进行属性加权来改进K-modes算法中忽略的属性间差异问题。通过与其他的K-Modes算法进行实验比较,结果表明新的算法更加有效的。     

一种稳健的聚类方法

本文讨论一种新的聚类方法 :属性均值聚类 .通过理论分析 ,属性均值聚类是比模糊均值聚类更稳健的聚类方法 .数值实验说明了该方法的有效性     

一种改进的遗传k-means聚类算法

在经典的k-means聚类算法中,聚类数k必须事先给定,然而在现实中k很难被精确的确定.本文提出了一种改进的遗传k-means聚类算法,并构造了一个用来评价分类程度好坏的适应度函数,该适应度函数考虑的是在提高紧凑度(类内距)和分离度(类间距)的同时使得分类个数尽可能少.最后采用两个人工数据集和三个UCI数据集对k-means聚类算法(KM),遗传聚类算法(GA),遗传k-means聚类算法(GKM)和改进的遗传k-means聚类算法(IGKM)进行比较研究,比较的指标有类间距、类内距和分类正确率.研究证明改进的遗传k-means算法能够自动获取最佳聚类数k并且保持较高的正确率.     

一种随机聚类法

本文给出了一种新的随机聚类法 ,并应用这种方法分析了银行帐号 ,对于银行系统选择帐号校验码的算法这类问题有参考价值 .     

一种基于密度敏感的自适应谱聚类算法

针对传统的谱聚类算法不适合处理多尺度问题,引入一种新的相似性度量—密度敏感的相似性度量,该度量可以放大不同高密度区域内数据点间距离,缩短同一高密度区域内数据点间距离,最终有效描述数据的实际聚类分布.本文引入特征间隙的概念,给出一种自动确定聚类数目的方法.数值实验验证本文所提的算法的可行性和有效性.     

自适应最优混合差异聚类算法

针对多维情况下,数据量很大,不可避免的受到噪声干扰,因此需对原始数据进行必要的处理。本文用二次差异序度调整一次差异度,提出了自适应最优混合差异聚类算法,该算法具有谱系结构,这在地层划分,时间序列分析等应用上极其重要,在地层划分上,本文给出了一个实例,我们可以看到谱系结构的重要性。对无序样品给出了相应的最优聚类算法,并分析了西安地下水文的分布情况。     

一种动态获取簇核心的自动聚类tNN-MEANS算法

K-means算法是一种非常重要的聚类算法,然而算法的聚类效果受簇的个数、初始中心点位置的影响很大.提出基于优化初始中心集合和中心移动算法tNN-MEANS,算法有效解决了以下三个问题:1)准确确定大规模数据集中簇的个数;2)精确确定全局高密度的核心区域;3)克服了簇中存在多个高密度区域的问题.运用UCI数据集分别对X-means算法、DBSCAN算法和tNN-MEANS算法进行对比实验,实验结果验证了tNN-MEANS算法的聚类精度、确定簇的个数、蔟划分的正确率等性能均优于与之对比的其它算法.     

土壤分类的模糊集成算法与应用

土壤是一个多性状的连续体,其分类的首选方法是模糊聚类分析.但是模糊聚类分析中现有的基于模糊等价关系的动态聚类法和模糊c-均值法各有利弊,采用其中一种方法聚类肯定存在不足.为此集成两种聚类方法的优点,避其缺点,提出了用基于模糊等价关系的动态聚类方法和方差分析方法确定聚类数目和初始聚类中心,再用模糊c-均值法决定最终分类结果的集成算法,并将其应用到松花江流域土壤分类中,得到了较为切合实际的分类结果.     

径向基函数神经网络在股票走势模式分类中的应用

探讨了径向基函数神经网络在个股走势模式分类中的应用问题。提出了一种可调基宽度的计算方法和若干数据预处理的措施。实例计算表明,该方法取得了较好的效果     

基于模式搜索的渴求函数法在多响应优化中的应用

渴求函数法是处理多响应参数优化的常用方法之一,它通过最大化总体渴求值获得因子的最佳水平组合.然而,随着因子个数和响应个数的增加,渴求函数往往变得多约束、多峰分布、高度非线性,传统的基于梯度的优化算法不适用.根据因子及响应个数等问题复杂程度不同,提出了以模式搜索算法为基础,用重叠等值线图或遗传算法设定模式搜索的起始点,对总体渴求函数进行寻优的新方法.算例验证了该方法的有效性.     

灰色聚类法在城市公共交通发展水平评价中的应用

针对城市公共交通发展水平的评价难以做到客观、全面、准确的问题,构建了城市公共交通发展水平评价的指标体系及其递阶层次结构;运用灰色聚类分析法建立了数学模型对城市公共交通发展水平进行综合评价.利用该评价模型,对青岛市公共交通发展水平进行了实例分析,运行表明,评价结果与青岛市就公交现状所进行的民意调查结果基本吻合,提高了评价效率,从而提供了一条对城市公共交通发展水平进行定量分析的途径.     

Feature Set Extraction Algorithm based on Soft Computing Techniques and Its Application to EMG Pattern Classification

Recognizing bio-signals, such as EMG, EEG, EOG and ECG, is a promising theme of study since it provides with a convenient means for human-machine interaction. Various approaches of determining features of bio-signals were known for discerning predefined motions/intentions of human, but most of them are applicable mostly only to a single subject, due to inherent characteristics of bio-signals. Lately, several new types of pattern classifier with known features have been proposed to cope with the problem of subject-dependency, but their error rates are still conspicuous when accommodating multiple subjects. Based on the soft computing techniques, this paper presents a comparative experimental study to minimize the subject-dependency. It is shown that the induced feature vector set obtained by the proposed algorithm has less subject-dependency than other existing methods.     

灰色聚类分析在城市设施水平评价中的应用

本在灰色聚类有关概念的基础上，建立了评价待分析体的综合聚类方法，通过对全国45个主要城市设施水平的综合评价，表明此方法具有很强的实用性。