共查询到20条相似文献,搜索用时 62 毫秒
1.
郑燕玲 《微电子学与计算机》2011,28(8)
空间数据挖掘技术是从空间数据库中提取隐含的、用户感兴趣的知识.针对当前的聚类算法没有很好考虑到空间数据的复杂性和数据之间的联系,再加上聚类的精确度不高,设计了一种新的算法—基于信息熵的空间聚类算法(ESCA算法),该算法优先考虑空间数据的复杂性和数据之间的联系,并采用蚁群优化机制改善传统算法中聚类簇数不确定的缺点.实验结果表明该算法是可行,并且具有更高的精确度. 相似文献
2.
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。 相似文献
3.
4.
5.
6.
7.
8.
随着贪污、受贿、网络诈骗、走私、贩毒、逃税、非法集资、恐怖主义等上游犯罪日益猖獗,全世界洗钱的次数和规模也在迅速增长.洗钱活动不仅给国家带来不可估量财产损失,而且严重危害国家金融体系的安全及经济秩序的稳定.本文分析了金融网络中洗钱的典型特征,提出了一种基于可疑度函数和信息熵的金融网络洗钱社团发现算法.实验结果表明,该算法能够有效地识别出金融网络中的洗钱社团. 相似文献
9.
10.
11.
12.
13.
两阶段模糊C-均值聚类算法 总被引:12,自引:0,他引:12
针对模糊C-均值(Fuzzy C-Means,FCM)算法对初始值敏感、收敛结果易陷入局部极小的问题,本文提出了一种新型的两阶段模糊C-均值聚类算法。算法提出了一种简洁快速的初始聚类中心的选取规则,从而使获得的聚类结果为全局最优。仿真结果证明了该算法的有效性和优越性。 相似文献
14.
15.
16.
模糊球壳聚类算法(FCSS)广泛应用于模式识别与机器学习领域。由于其采用传统的基于梯度法和交替寻优策略求解模型,对初始值比较敏感,往往只能得到模型的局部极值点,从而影响聚类的效果,甚至使所采用的方法失效。本文将现代全局优化方法之一的粒子群优化算法与模糊球壳聚类算法(FCSS)相结合,利用粒子群算法良好的全局收敛能力来改善传统聚类算法易于陷入局部极值的缺陷,从而得到一种新的球壳聚类算法(PSO-FCSS),数值实验表明,新方法对球壳形数据有令人满意的聚类效果。 相似文献
17.
基于最优分类系数及分类熵准则的模糊C均值聚类算法 总被引:1,自引:0,他引:1
本文分别以模糊分类系数和分类熵为聚类有效性的测度函数,采用模糊C均值分类法,求最优的测度函数值所代表的全局极值的那种分类,确定为最佳分类方,对一张由卫星拍摄的地面MIG-29型飞机照片进行了成功的分类试验。 相似文献
18.
模糊C均值(FCM)聚类算法及其相关改进算法基于最大模糊隶属度原则确定聚类结果,没有充分利用迭代后的模糊隶属度矩阵和簇类中心的样本属性特征信息,影响聚类准确度。针对这个问题,该文提出一种新的改进思路:改进FCM算法输出定类原则。给出二元属性拓扑子空间中属性相似度的定义,最终提出一种基于属性空间相似性的改进FCM算法(FCM-SAS):首先,选择FCM算法聚类后模糊隶属度低于聚类置信度的样本作为存疑样本;然后,计算存疑样本与聚类后聚类中心的属性相似度;最后,基于最大属性相似度原则更新存疑样本的簇类标签。通过UCI数据集实验,证明算法不仅有效,还较一些基于最大模糊隶属度原则定类的改进算法具有更优的聚类评价指标。 相似文献
19.
针对说话人分段与聚类算法中先验知识不足的问题,利用基于信息瓶颈(IB)准则和基于隐马尔科夫模型(HMM)/高斯混合模型(GMM)方法间的互补性,提出了一种基于特征层融合的说话人分段与聚类算法。该算法将基于IB准则算法的输出结果进行对数变换和降维处理;然后利用变换后的特征与传统梅尔频率倒谱系数(MFCC)特征分别训练说话人GMM模型,并在得分域对说话人类别的得分进行加权融合;根据融合的得分,进行基于HMM/GMM模型的说话人分段与聚类。实验表明,融合后的特征可以为系统提供更多的先验信息,比传统方法的误配率降低了1.2%。 相似文献
20.
Grira N. Crucianu M. Boujemaa N. 《Vision, Image and Signal Processing, IEE Proceedings -》2006,153(3):299-304
The identification of categories in image databases usually relies on clustering algorithms that only exploit the feature-based similarities between images. The addition of semantic information should help improve the results of the categorisation process. Pairwise constraints between some images are easy to provide, even when the user has a very incomplete prior knowledge of the image categories that one can expect to find in a database. A categorisation approach relying on such semantic information is called semi-supervised clustering. A new semi-supervised clustering algorithm, pairwise-constrained competitive agglomeration, is presented on the basis of a fuzzy cost function that takes pairwise constraints into account. Evaluations show that with a rather low number of constraints this algorithm can significantly improve the categorisation. 相似文献