基于覆盖率的递归K-均值方法及其在应急系统选址布局中的应用

应急服务的站点选址布局问题是城市应急管理领域中一个重要研究方向.在某行政区域中,为了保证绝大多数的应急需求都能获得及时而有效的服务,同时又要达到建立"最少站点"的目的,提出一种基于覆盖率的递归K-均值方法(CRRKC).与普通K-均值聚类分析不同,所提方法不需要事先给定K值,可以自动得出最佳聚类个数.在实际应用中,方法一方面可以自动计算出某区域所需要的全部站点个数,另一方面可以同时给出每个站点的基本地理位置,十分简便、快捷.仿真算例和实证分析验证了CR,RKC方法的有效性与稳健性.     

基于k-means的(1+ε)近似算法求解

针对Amit Kumar提出的求解k-means算法的1 ε近似求解随机算法,提出了一个改进措施用来提高每次取样的成功概率。当固定k和ε值时该算法为线性的。通过多次运行该算法能以较高的概率求出k-means算法的1 ε近似值。     

MapReduce框架下支持差分隐私保护的k-means聚类方法

针对传统隐私保护方法无法应对任意背景知识下恶意分析的问题,提出了分布式环境下满足差分隐私的k-means算法。该算法利用MapReduce计算框架,由主任务控制k-means迭代执行;指派Mapper分任务独立并行计算各数据片中每条记录与聚类中心的距离并标记其属于的聚类;指派Reducer分任务计算同一聚类中的记录数量num和属性向量之和sum,并利用Laplace机制产生的噪声扰动num和sum,进而实现隐私保护。根据差分隐私的组合特性,从理论角度证明整个算法满足ε-差分隐私保护。实验结果证明了该方法在提高隐私性和时效性的情况下,保证了较好的可用性。     

一种基于D~2权重的核k-means聚类算法

核k-means算法是标准k-means算法的扩展,提高了k-means聚类中对非线性不可分数据的聚类效果.传统核k-means算法的初始中心是随机选取的,导致出现聚类时间较慢、聚类性能低等问题.文中提出了一种基于D2权重的核k-means算法,它根据点对簇内距离的贡献,选取对其贡献最大的点为簇中心,然后在核空间内进行相应的聚类.在UCI数据集上进行实验,实验结果表明,新算法相对于传统的核k-means算法,可以有效地缩短聚类时间,并提高聚类的质量,新算法性能优于传统的核K-means算法.     

医学图像三维重建的研究

作为目前计算机视觉领域的一个热点问题,医学图像三维重建在诊断医学、手术规划、模拟仿真等领域都有重要的应用。首先对图像进行预处理,以去除噪声并平滑图像,然后用K均值聚类算法对图像进行分割,最后用移动立方体算法实现图像的三维重建。重建后的三维图像可以帮助医生明确诊断和制定正确的手术方案。     

Detection of Interval Changes from a Pair of Images: A Proposal of Pattern Histogram

A new method to detect interval changes from a pair of images is presented, especially when the precise image registration is not available. We extend a well-known image histogram to multi-dimensions with some modifications and make use of it to elucidate differences between the images. The framework herein introduced is based on a comparison of the images in their multi-dimensional histogram space rather than in a spatial domain. Due to its flexibility, this approach is preferred as an alternative image comparison technique. The performance of the method is confirmed on simulated and real medical images and compared with the results from related conventional counterparts.     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

基于局部形状结构分类的心血管内超声图像中-外膜边界检测

本文提出了一种基于局部形状结构分类的心血管内超声（Intravascular Ultrasound,IVUS）图像中-外膜边界检测方法.首先利用k-均值（k-means）聚类方法,确定局部形状结构类别;其次通过类别标号索引图像块,并对其进行积分通道特征和自相似性特征提取,构建多分类随机决策森林模型;最后由分类模型寻找IVUS图像的关键点,采用曲线拟合方法,实现IVUS图像中-外膜边界检测.实验结果表明,本文方法能够有效地解决IVUS图像中斑块、伪影和血管分支等造成边缘难以准确检测的问题,与已有算法相比,其JM （Jaccard Measure,JM）达到了88.9%,PAD （Percentage of Area Difference,PAD）降低了19.1%,HD （Hausdorff Distance,HD）减少了9.7%,更准确地识别目标边界的关键点,成功地检测出完整的中-外膜边界.     

周期性时间序列数据聚类算法的改进研究

聚类分析是时间数据序列分析的一种常用手段,现有的聚类算法通常从相似性度量方面进行改进.实际的时间序列数据往往具有一定的周期性和连续性,现有的算法往往忽略时间序列数据周期性和连续性特点对聚类算法的影响.对此问题进行了研究,尝试采用延拓的方法来解决该问题,从而改善聚类的效果.初步的实验结果表明了该方法的可行性和有效性.     

基于划分的聚类算法研究综述

在数据挖掘的所有算法中,聚类分析尤为重要.基于划分的聚类算法就是用统计分析的方法研究分类问题.本文介绍了聚类的定义及聚类算法的种类,详细阐述了K均值聚类算法和K中心点聚类算法的基本原理并对它们的性能进行分析,对近年来各学者对基于划分的聚类算法的研究现状进行了梳理,对其具体应用实例做了简要介绍。