无线Mesh网络节点聚类属性分析

通过分析无线Mesh网络节点空间属性,提出了一种改进的k-medoids网络节点聚类算法.该算法基于聚类思想,将无线Mesh网络中的网关部署问题转化为空间节点数据聚类问题.构建了网络拓扑图的邻接矩阵,并利用邻接矩阵选择具有最多一跳连接节点数的对象作为初始簇中心.然后以网络跳数代替传统聚类算法中的距离参数,将最小化跳数之和作为优化目标,通过迭代方法获得稳定的聚类和分组结果.实验结果表明,离散的网络节点在空间上具有聚类特性,利用该方法可以获得更小的平均跳数和最大跳数,因此可以较好地实现网络节点分组和网关发现.     

基于Voronoi图的无线Mesh网络网关部署算法

将Voronoi图应用于无线Mesh网络网关部署问题中,提出了基于Voronoi图的无线Mesh网络网关部署算法.算法首先根据已知AP(access point)位置对网络拓扑图进行Voronoi划分,使得每个终端与其最邻近的AP属于同一区域;然后提取每个Voronoi区域与相邻区域的交点作为备选网关位置,依次计算以每个备选网关作为根节点的网络最小生成树;最后将生成树权值最小、跳数最少的输出作为部署结果.NS2仿真结果表明,在经过Voronoi划分的较小规模网络场景下,所提出算法的丢包率、转发包数量等性能均优于最小权值算法和随机算法.     

Ad Hoc网络基于多指标综合的网关优选方案

考虑移动自组网(MANET)与Internet互联的网络结构,针对网关选取的问题提出基于多指标综合的Ad Hoc网络网关优选算法,该算法综合考虑节点能量对于无线Ad Hoc网络的重要影响和域内网关间切换的延时和丢包,以及重选网关带来的巨大开销等问题,以移动节点到网关的跳数、网关负载、链路可靠性作为优选指标,按照简单加权算法计算备用网关的效用函数,以此进行选取.仿真结果表明,在一定的开销范围内,应用该算法实现了网关负载均衡,延长了网络的使用寿命,缩小了平均分组时延,实验结果也表明该算法优于以跳数和网关负载为网关选择和切换标准的方案,并且不会带来太多的控制开销.     

基于GAlib和聚类技术的WMN网关部署优化研究

将网关部署问题化为数学模型,用集合覆盖问题求解多目标优化问题。其次采取了分簇、遗传算法、聚类算法相结合的方式设计了算法,实现部署网关的数量较少,骨干网中普通路由器与对应网关间的跳数较小的目标。同时仿真分析表明该聚类技术对仅基于GAlib提出的网关部署方案有着良好的优化效果。     

一种基于最大最小距离和SSE的自适应聚类算法

K均值聚类是一种常用的聚类算法,需要指定初始中心和簇数,但随意指定初始中心可能导致聚类陷入局部最优解,且实际应用中簇数未必是已知的。针对K均值聚类的不足,文中提出了一个自适应聚类算法,该算法基于数据实例之间的最大最小距离选取初始聚类中心,基于误差平方和(SSE)选择相对最稀疏的簇分裂,并根据SSE变化趋势停止簇分裂从而自动确定簇数。实验结果表明,该算法可以在不增加迭代次数的情况下得到更准确的聚类结果,验证了所提聚类算法是有效的。     

基于密度和最优聚类数的入侵检测方法

针对聚类算法在入侵检测应用中存在的参数预设、聚类有效性评价、未知攻击类型检测等问题,提出了一种基于密度和最优聚类数的改进算法,根据样本的分布情况启发式地确定初始聚类中心,从样本的几何结构角度提出一种新的内部评价指标,给出了最优聚类数确定方法,在此基础上,设计了一个增量式的入侵检测模型,实现了聚类中心和聚类数目的动态调整.实验结果表明,与K-means及其他两种改进聚类算法相比,新算法收敛速度更快、聚类准确率更高,能够对未知网络行为进行有效聚类,具有较好的入侵检测效果.     

烟花搜索导向的多路启发式聚类算法

启发式聚类算法具有收敛速度快、易实现等优点,但初始解敏感,严重影响了聚类算法的质量。针对这一问题,提出了一种烟花搜索导向的多路启发式聚类算法。该算法通过多次调用经典启发式聚类算法,产生多个局部最优解;在搜索空间中以多个局部最优解为搜索起点,采用烟花搜索进行多路搜索;基于信息熵浓度设计烟花选择算子确定搜索方向;再经过变异、映射、偏移算子变换局部最优中心点,以发现质量更好的搜索起点;直至算法收敛获得新的搜索起点;最终以新的搜索起点调用经典启发式聚类算法获得高质量聚类结果。实验结果表明,烟花搜索导向的多路启发式聚类算法在不同数据集上的聚类质量明显高于对比其他聚类算法的聚类质量。     

基于粗糙集理论的岩体结构面模糊C均值聚类分析

基于在利用模糊C均值聚类算法对岩体结构面产状进行优势分组时,需要人为确定分组数和初始聚类中心,在迭代过程中容易陷入局部最优解的问题,通过改进聚类中心的算法,提出一种基于粗糙集的模糊C均值聚类算法,以优化迭代过程,并通过对比多项聚类有效性检验参数,确定最优聚类分组情况。最后采用模糊C均值聚类算法和改进后的算法对浙江白鹤隧道左洞测得的结构面产状进行优势分组并对比。计算结果表明,本文所提出的方法聚类效果明显优于模糊C均值聚类算法。     

一种基于局部密度的k-means算法

针对k-means算法必须事先指定初始聚类数k,并且对初始聚类中心点比较敏感,聚类准则函数对求解的最优聚类数评价不理想,提出一种基于局部密度的启发式生成初始聚类中心方法,在此基础上设计一种准则函数自动生成聚类数目,改进了传统k-means算法.实验表明改进的算法比传统k-means算法提高了聚类效率.     

基于文本最小相似度的中心选取方法

基于划分的聚类算法是一种局部最优算法.聚类初始中心的选择对该聚类算法的收敛速度和聚类的性能都有很大的影响.初始中心点应该选择来自不同的类并且初始中心点文本之间的相似度应尽量小,为此提出了一种新的基于最小相似度的中心选取方法,该方法选择相似度最小的两个样本分别作为初始的两个中心,然后依次选择到已知中心相似度最小的样本作为其他类的中心.实验表明该方法能够选出来自不同类的样本作为聚类的初始中心,同其他初始中心选择方法比较,聚类算法的性能有明显提高.     

K-means算法聚类中心选取

传统K-means 算法对于聚类初始点的选取和距离度量的计算异常敏感,因而很可能导致K-means 算法只能收敛得到局部最优解。为此,提出一种改进的K-means 算法,即K-means 聚类算法最优匹配算法,并进行了相关的算法实验分析。该改进算法首先对传统的K-means 聚类算法进行初始点的选取,并分析聚类结果。然后,分别从初始聚类中心的选择和距离算法的确定进行实验测试,引入轮廓系数评价聚类效果,分析实验结果可知,K-means 聚类算法最优匹配算法具有较好的稳定性和较高的聚类准确率。     

一种快速减法聚类算法

在对山峰聚类和减法聚类进行分析之后提出了一种通过划分网格、规约数据、减法聚类3步完成的聚类算法.仿真试验表明,此方法较之山峰聚类,减法聚类能明显减少计算量,提高聚类的速度.     

基于K －均值聚类的混合聚类算法

K-均值聚类算法是聚类算法中比较典型的算法之一,在其各类改进算法中都受到了离群点、初质心、类个数等因素的干扰。本文利用相似密度提出一种新的聚类初始质心选取和离群点判别方法,对K-均值聚类算法进行了改进。通过实验证明改进算法提高了聚类的有效性和稳定性。     

语音识别中基于模糊聚类分析的参数聚类

为减少语音识别中声学模型的参数量，提高参数训练的鲁棒性，基于声学决策树结构，提出利用模糊聚类分析方法对模型参数聚类，包括高斯聚类和方差共享．对大词汇量汉语连续语音识别的实验结果表明：高斯模糊聚类使高斯数减少25％时，识别率提高了0．15％．进一步做模糊方差共享，当方差减少到初始模型的24％，与同样参数量的未进行聚类的模型相比，误识率下降了3．01％，证明了模糊聚类分析在语音参数聚类中的有效性．     

可能性熵聚类

研究了基于可能性熵理论的聚类问题．首先定义并讨论了可能性熵,继而将可能性熵引入聚类分析,提出了可能性熵聚类算法．它考虑到熵聚类的全局和局部效应,具有清晰的物理意义和数学特征．该算法还能在聚类过程中自动地确定分辨率参数,克服了对于噪声和外围点的敏感性．仿真实验证明,即使各类大小不一,数据集被强噪声所污染时,该算法仍能有效地估计各类中心．     

基于蚁群聚类算法的文本模糊聚类方法

针对模糊C-均值本文提出将基于蚁群算法的模糊聚类算法应用于文本聚类中,聚类采用二级结构,蚁群算法(ACA)作为一级结构,模糊C-均值聚类FCM用于二级结构。将此算法对文本集合进行聚类实验,并用分离系数、分离熵来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的聚类效果。     

基于AFS优化初始聚类中心的GK聚类模型

Gustafson-Kessel(GK)聚类算法可以有效地搜索超椭球、平面和线型的数据类,但仍然存在对初始聚类中心较敏感、易于陷入局部最优的缺陷.为此,文中根据鱼群觅食与聚类的相似性,利用人工鱼群(AFS)算法对聚类中心进行初始化,提出了改进的G-K聚类算法,并利用人工数据集和IRIS数据集进行仿真研究.结果表明,文中算法能有效地发现数据集中的聚类结构,聚类效果优于GK聚类算法.     

基于谱聚类的词和文档的联合聚类

文档聚类和词聚类都是重要且被充分研究的问题.大多数现有的聚类算法针对文档和词是分别聚类,不是同时的.本文提出文档集作为文档和词间的一个二部图的模型思想,使用这个思想,联合聚类问题可以被看成二部图的分割问题.为了解决图的分割问题,使用一个新的联合谱聚类算法,即使用适度规模的词-文档矩阵的奇异向量产生好的分割结果.谱算法得到一些最佳的性能,表明奇异向量通过连续放松解决图划分的NP难问题.最后通过实验结果验证联合聚类算法在实践中非常有效.     

一种基于GFKM的集群入侵检测模型

为了提高入侵系统的检测率和检测速度,论文提出一种基于灰色K均值聚类算法的集群入侵检测模型。利用灰色关联分析理论对原始数据进行预处理,根据ηij=1/n-1∑n2ξij(k)计算相关度,再对原始数据集合进行聚类;最后引入集群技术,将GFKM算法装入集群系统中的每个检测结点形成集群入侵检测模型。最后,通过仿真实验对该模型进行了验证,结果表明,GSFK算法应用于入侵检测模型中出现的误报率为0.31%,漏报率为0.34%,而且该模型呈现出较好的泛化性,应用于网络入侵检测中具有较好的性能。     

一种基于灰色聚类和模糊聚类的集成方法

根据灰色聚类,模糊聚类,关联系数原理,提出一种新的综合集成方法,利用灰色关联系数将灰色聚类与模糊聚类集成,使聚类结果不仅反映了各聚类对象所属灰类的信息,还有效显化了各个对象间的相互关系的信息.