改进k中值聚类及其应用

文章对划分方法、层次聚类方法以及小波变换进行了介绍,并详细分析了划分方法和层次聚类方法中存在的不足,将划分方法和层次聚类方法相结合,各取所长,提出改进的中值聚类,该方法分别从相似性度量、初始聚类簇及其簇中心的获取两方面对原始的基于划分的聚类方法进行改进.通过在混合数据聚类以及图像分割中的具体应用,验证了本文算法聚类的有效性及适用性.其中,在图像分割应用中,由于数据量的大小直接与图像本身的大小相关,当处理大型图像时,考虑首先对图像进行小波变换,通过对低频信号进行层次聚类从而能够快速有效地获取初始的聚类簇及其中心.     

一种改进的快速全局k均值聚类分割算法

针对k均值聚类算法的聚类结果易受初始中心随机选择和噪声的影响,本文提出了一种改进的快速全局k均值聚类算法,该方法将聚类中心选择转化为一系列子问题,解决了k均值原始聚类中心的随机选择而导致聚类结果不正确的问题,通过中值方法选择新一轮聚类中心,缓解了k均值聚类结果易受噪声影响的问题.实验结果表明,本文提出方法提高了图像聚类分割的准确性.     

基于半监督学习的k平均聚类框架

为克服k-means算法难以探测出一些局部分布稀疏不均、聚类区域的形状与大小不规整数据点集的聚类分布结构这个缺点,在半监督学习思想的指导下,针对混合属性空间区域中具有同一分布性质的带有类别标记的小样本数据集和无类别标记的大样本数据集,提出了一种基于半监督学习的k平均聚类框架。仿真实验表明：该框架经常能取得比k-means更好的聚类精度,从而说明这个半监督学习框架具有一定的有效性。     

基于烟花算法优化k均值聚类的教学质量评估模型

针对当前质量评估模型精度低、可靠性差和效率不高的问题,提出一种基于烟花算法优化k均值聚类的教学质量评估模型;利用具有平衡全局和局部搜索能力的烟花算法对k均值聚类算法进行优化,将获得的数据结果作为k均值聚类算法的初始聚类中心点,解决k均值聚类算法容易陷入局部最优问题,分别从精度和建模时间2个方面验证所提出模型的评估性能。结果表明,所提出的模型对不同课程的评估精度均大于92%,评估结果可靠性较高,建模平均时间小于32.1 ms,效率较高。     

一个基于谱图分割的简单聚类算法

目前谱聚类在文本分类、图像分割和信息检索等领域的应用越来越引起研究者的重视,并取得了一定的成果、但是,大多数已有的谱聚类算法需要事先给定聚类数．在k-means算法、EM等聚类方法中也存在相似的问题、在此介绍了一种简单的容易实现的谱聚类算法,可以自动确定合适的聚类数．实验表明本算法结果很好、     

基于自组织映射优化k均值聚类合成少数类算法及应用

针对金融数据高度不平衡使信贷违约预警模型训练和评估的复杂度大大增加的特点,为了改进重采样方法,运用自组织映射(SOM)神经网络来优化k均值聚类合成少数类(k-Means-SMOTE)算法,通过自组织映射神经网络识别和分析不平衡数据集的结构特征,将高维数据有效地映射至低维空间。在此基础上,结合k-Means算法进行数据聚类,以识别少数类样本的潜在群集,从而更准确地确定过采样的焦点区域。最后运用SMOTE技术对这些焦点区域进行过采样,增加少数类样本数量的同时保持数据的原始特征分布,从而减少过拟合的风险。在Bank marketing、Credit＿Fraud等多个经典的真实金融数据集上的实验证明,该方法能够通过增加聚类稳定性来提升传统过采样算法的质量,在提升模型性能的同时降低算法复杂度。     

基于k平面聚类的时序数据粒化和预测

设计了一种针对时间序列的k平面聚类算法,在时间维度和数值维度上同时对所有时序数据点进行聚类,从而将所有数据点划分到若干个不等长的时间窗口.在每个时间窗口上建立线性模糊信息粒子,最终得到原始时间序列的分段线性粒化表示.为便于采用模糊推理系统进行时间序列的预测,还定义了这些线性粒子的距离,从而构建了一种基于线性模糊信息粒子的预测方法.实验表明,所提出的预测方法可以有效地对具有伪周期的时间序列进行长期预测.     

一种增量式MinMax k-Means聚类算法

针对MinMax k-means算法易产生空解、收敛速度慢和计算效率低的问题,提出一种增量式MinMax k-means聚类算法.该算法从给定的初始聚类个数开始,以固定步长递增式产生新的聚类中心,采用基于数据均衡的快速分裂方法产生增量聚类中心,从而避免了传统增量聚类中心选择中遍历数据、k-m eans聚类算法运行次数过...     

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。     

一种基于k prototype的多层次聚类改进算法

针对k-prototype算法在处理复杂的数据集时,常出现一些纯度不高的簇,影响了聚类质量的问题,提出一种基于k-prototype的多层次聚类改进算法,利用属性自动选择的方法将一些纯度不高的簇进行再聚类,以提高聚类质量.以UCI标准测试数据集进行实验,实验结果表明,该改进算法能够明显提高混合型数据集的聚类质量,并且在数据约简方面有良好表现.     

基于k-均值的自适应PSO优化算法

提出了一种新的基于k-均值聚类的自适应PSO优化算法（KCMPSO）．首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子群体中的最好个体更新自己的位置和速度,其次引入自适应变异算子,有效地增强了粒子群之间信息交换和PSO算法跳出局部最优解的能力．几个典型函数的测试结果表明,该算法是非常有效的．     

基于自适应混沌变异的k-均值聚类粒子群算法

针对经典粒子群(PSO)算法易出现早熟收敛和搜索精度差的缺陷,提出了一种基于混沌变异的k-均值聚类PSO优化算法(FCPSO).该算法首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子种群中的全局极值来更新自己的位置和速度.其次,在算法中引入自适应混沌变异,有效的增强了子群体之间信息交换和经典PSO算法跳出局部最优解的能力.对几个典型可变维函数的测试结果表明,该算法是非常有效的.     

PP平均绝对离差及其渐近性质

对两类较稳健的PP平均绝对离差M_1(a),M_2(a),(a∈S~(p-1))进行了讨论,获得了它们的渐近表示式,并由此得到M_1(a),M_2(a)关于a一致地渐近分布为高斯过程的上界.     

最小二乘与最小一乘

最小二乘与最小一乘是回归分析中两个重要的估计方法,在这篇文章中,我们将通过线性回归给出它们的定义,并给出它们的优缺点,希望能为使用者提供方便。     

基于模糊 C均值聚类算法在消费心理学中的应用

手机厂商为了提高销售份额,就必须了解消费者的需求。传统的C均值分析方法对距离比较敏感,借助模糊控制理论可以克服传统方法的缺点。本文随机抽取200名大学生对影响智能手机选购的6个因素进行问卷调查,运用改进的模糊C均值聚类进行数据分析,结果表明：手机的功能、外观和手机品牌对选购手机具有影响作用。结果有助于手机厂商了解用户的消费心理,提高产品竞争力。     

聚类算法综述

聚类分析是一种基本的数据分析方法,它在数据挖掘,统计学,空间数据库技术,人工智能,生物学研究,机器学习,模式识别等领域都得到了广泛的应用.论文介绍了各类主要的聚类算法,并概述了其主要应用领域.     

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.     

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.     

文本聚类综述

聚类作为一种自动化程度较高的无监督机器学习方法,近年来在信息检索、多文档自动文摘、智能搜索引擎、短文本信息处理等领域获得了广泛的应用。本文首先讨论了文本聚类（Textclustering）的应用,然后对文本聚类算法、聚类关键技术进行了综述。