基于蚁群算法的K-Means聚类雷达信号分选算法

在现代战争中随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文中将聚类分析技术引入到雷达信号分选中,将蚁群算法和K-Means相结合,互相弥补不足,提出了一种新的雷达信号分选方法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。     

基于K-Means聚类算法的客户体验管理优化策略研究

近年来,中国市场进入存量博弈时代,人口红利向人心红利转变,共同推动产业的迭代升级的迫切性日益凸显,对千人千面服务的要求也越来越高。为了解决这一问题,提出了结合K-Means聚类算法实现客户分群来优化客户体验管理。其中,K-Means聚类算法可以寻找出K个不同组别的簇,并将该组别所包含数值的均值作为各组别的核心。聚类结果可为后续各类客户提供的精细化服务和优化客户体验管理提供重要依据,实验表明,使用K-Means聚类的客户分群比使用其他聚类算法精准度更高,花费时间更短。     

一种对孤立点不敏感的新的K-Means聚类算法

针对传统K-Means聚类算法的不足,提出一种新的对孤立点不敏感的K-Means聚类算法。首先,采用孤立点移除算法消除数据集中存在的孤立点;然后,对不包含孤立点的数据集进行传统K-Means聚类,再引入轮廓系数并选择轮廓系数最大值对应的簇类数作为数据集中簇的最优选择数目K;最后,通过自定义的聚类有效性评价函数评估聚类效果。实验结果表明,相对于传统K-Means聚类算法,对孤立点不敏感的新的K-Means聚类算法能够消除孤立点对数据集整体的影响,并优化了聚类中心的选择。     

基于K-Means变异算子的混合PSO算法聚类研究

提出了基于K-Means算子的混合粒子群优化算法聚类,将K-Means算法的局部搜索能力与粒子群优化算法的全局寻优搜索能力相结合,根据群体适应度变化的情况自适应调整权重,并对种群中性能较差的粒子进行交叉选择,能充分挖掘群体本身信息,又能不断引入附加信息.数据集仿真实验表明,该算法有效的克服了传统粒子群优化算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果.     

基于K-Means聚类算法的景区数据分析——以黄果树景区为例

在大数据和互联网技术快速发展的背景下,行业发展在需要做好自身品牌的质量下与新兴技术相结合,打通行业间相融的通道.旅游业作为国家和地方省份经济发展的重要因素之一,更要在这个时代的风口浪尖做出革新和突破.相比以往旅游行业通过财务报表和人工统计的方法制定方针的策略,使用算法对景区数据尤其是高受众面、高流量的网络数据进行分析成...     

个性化服务中的并行K-Means聚类算法

K-Means聚类算法在基于Web日志的个性化服务领域得到广泛的应用,但是在处理海量数据过程中,传统的(单机)K-Means聚类算法存在着可扩展性差、效率低下、运行时间长等缺点,在充分研究传统K-Means聚类算法的基础上,发现K-Means聚类算法中蕴含的并行性,提出了一种基于用户的并行处理K-Means聚类算法,并将该并行算法应用到个性化服务中对网站用户进行聚类,有效地缩短了用户聚类的时间。     

用于数据挖掘的聚类算法

数据挖掘用于从超大规模数据库中提取感兴趣的信息。聚类是数据挖掘的重要工具,根据数据间的相似性将数据库分成多个类,每类中数据应尽可能相似。从机器学习的观点来看,类相当于隐藏模式,寻找类是无监督学习过程。目前已有应用于统计、模式识别、机器学习等不同领域的几十种聚类算法。该文对数据挖掘中的聚类算法进行了归纳和分类,总结了7类算法并分析了其性能特点。     

基于K-Means算法的雷达信号预分选方法

K-Means算法在雷达信号预分选中有着广泛的应用,传统K-Means算法对聚类个数以及聚类中心的初始设定依赖性很大,并且对噪声和孤立点很敏感,针对这些不足,文中提出了一种将距离法与改进的K-Means算法相结合的雷达信号预分选方法。仿真实验表明提出的方法可以有效的降低了噪声和孤立点对K-Means聚类算法的影响。     

数据场和K-Means算法融合的雷达信号分选

雷达辐射源信号分选是电子情报侦察的关键环节,其中未知雷达的信号分选一直是分选中的难题。针对传统K-Means聚类算法对初始聚类中心敏感、需要事先确定初始聚类数目的缺点,将数据场算法引入到雷达信号分选,并将其与K-Means聚类算法相结合,提出了一种融合算法,该算法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验验证所提出的融合算法分选准确率较高,为雷达信号分选提供了新的思路。     

基于聚类算法的电网告警数据分析与处理模型

提出了一种基于时间戳和关键字的聚类算法来解决告警数据种类繁多且难以提取关键信息的问题。首先,对告警数据中的最新发生时间进行K-Means聚类;其次,基于告警数据开始时间进行K-Means二次聚类;再次,使用具有噪声的基于密度的聚类算法（Density-Based Spatial Clustering of Application with Noise,DBSCAN）对每列关键字进行聚类;最后,对结果进行了整合,并给出了关联性描述结果。实验结果表明,通过上述聚类算法构建的告警数据分析与处理模型的平均压缩率为79.28%,平均准确率达到93.41%,能够有效提高对现有告警数据的具象化描述能力,降低告警数据理解的复杂度。     

K-Means聚类算法研究及图形演示的实现

K-Means聚类算法用于将数据分成类,同一个类中的数据之间具有很高的相似度,而不同类中的数据高度相异.K-Means聚类算法已在网络入侵检测、计算机图像处理等领域有着广泛的应用.研究了K-Means聚类算法的原理,并通过VC+ +6.0实现了K-Means聚类算法聚类过程的图形演示.     

基于层次的K-均值聚类

介绍一种基于层次的K-均值聚类算法(HKMA)。在统计力学的基础上,对传统K-均值聚类划分矩阵里的元素("隶属"概率)做了形式上的改变,并引入一个调控实际聚类数目的因子。这样,在对同一组数据集进行聚类时,调控因子值不同,结果得到的类数目就不同。用一组二维正态分布的数据集和一组用来测试聚类算法的标准数据集(Iris数)进行测试,结果表明该算法具有层次聚类的性质和较满意的聚类精度。     

基于K-均值聚类和势函数法的欠定盲分离

K-均值聚类法能估计出观测信号聚类直线方向,利用主成分分析(PCA)提取主成分,可以提高直线估计的精准度和鲁棒性.在此思想的指导下,本文提出基于K-均值聚类的势函数法.势函数度量了聚类中心与所有观测点的距离,对势函数求导得到更新聚类中心的迭代公式,利用该公式对K-均值聚类法得到的聚类中心进行调整得到精估计.该算法计算量较小,能有效估计出混合矩阵.仿真实验验证了算法的有效性.     

一种新的基于粗糙集K-均值的社区发现方法

针对许多社区发现方法将社区看作一个集合而无法描述社区模糊区域的问题,该文提出一种基于粗糙集理论的社区发现方法。该方法将社区看作两个集合,即社区的下近似集和上近似集,来刻画社区的模糊区域。该方法首先选择K个节点作为社区的中心节点,然后根据节点与社区中心之间的距离将节点关联到社区中心节点形成社区,接着重新计算社区的中心点及节点的社区标签,如此迭代直到收敛。通过公开数据集和仿真数据集验证了该方法在社区发现方面的可行性和有效性。     

综合布线的测试和验收

目前综合布线系统已得到了广泛应用，但广大用户并未认识到综合布线系统测试的重要性，本文全面地介绍了综合布线测试的重要性、测试标准、测试电气技术参数的测试原理。     

基于协同熵的K-均值算法

针对传统K-均值算法容易受到野点和噪声点的影响,缺乏鲁棒性的问题,提出了一种基于协同熵的K-均值算法。该方法利用协同熵作为一种局部的相似度度量手段,并依赖最大协同熵准则进行最优聚类中心的求解。采用迭代重加权的优化算法可以用来快速实现最优聚类中心的求解。对于残差较大的野点和噪声,它们在聚类中心更新的过程中将被赋予较小的权重。实验结果表明,基于协同熵的K-均值算法具有较好的鲁棒性,并获得较好的聚类效果。     

基于路径选择的自适应蚁群算法研究

本文提出样本空间经过K-均值聚类算法聚类加工处理后,算法通过动态地调整选择路径概率,优化TSP求解过程中解的分布均衡性,可以在加速收敛和防止早熟、停滞现象之间取得很好的平衡。这种新的算法提供了在样本空间预处理情况下,动态自适应地解决TSP问题最优解的新方法。比起普通蚁群算法,此算法对大规模数据的最优解的求解更有显著效果。