基于分层聚类的k-means算法

为了更好地实现聚类,在分析分层聚类和k-means算法优缺点的基础上提出了一种改进的聚类算法.改进算法将分层聚类和k-means聚类算法的优点相结合,首先采用分层聚类,得到一个初始的聚类结果,然后应用k-means聚类算法继续聚类.实验结果表明,改进算法较原先传统的聚类算法,不但算法执行速度快、效率高,而且聚类效果也比较好。     

一种大规模高维数据集的高效聚类算法

大规模高维数据集的聚类算法已成为当前聚类研究的热点,由于高维的原因,聚类往往隐藏在数据空间的某些子空间中,传统的聚类算法无法获得有意义的聚类结果.此外,高维数据中含有的大量的随机噪声也会带来额外的效率问题.为了解决以上问题,该文在CLIQUE算法的基础上提出了一种基于最优区间分割和数据集划分的聚类算法—OpCluster,并使用仿真数据对该算法加以验证,实验结果表明,OpCluster对大规模高维数据集具有很好的聚类效果.     

基于密度峰值剪枝后的最短路径聚类算法

聚类是通过数据标签或者属性，将一系列经验数据按照相似性或者相近性进行归类.基于密度属性展开的聚类算法，主要聚焦在聚类中心的确定和剩余点如何分配的问题上展开讨论.针对基于密度峰值的可训练最短路径算法，通过密度峰值确定聚类中心，提出使用截断阈值、对路径图进行剪枝的算法改进.然后基于最短路径法对剩余点进行全局分配.实验结果证明，在保持聚类精度的同时，有效地提升了算法执行效率.     

基于加权特征的无监督模糊聚类入侵检测研究

鉴于网络入侵检测数据样本特征属性的异构性及贡献率不同,提出一种加权特征的异构数据相似性度量法来反应网络数据样本间的相似程度.针对基于模糊C-均值聚类的网络入侵检测算法聚类数目难以确定的问题,提出了一种自动确定最佳聚类数的无监督模糊聚类入侵检测算法.通过KDDcup1999数据集的仿真对比实验,结果表明本文算法能找到最佳...     

基于云计算平台Hadoop的HKM聚类算法设计研究

为有效解决传统K-means聚类算法在处理大规模数据集时面临的扩展性问题,提出了一种Hadoop K-means聚类算法.该算法首先根据样本密度剔除数据集中孤立点或者噪声点的影响,再利用最大化最小距离思想选取K个初始中心,使初始聚簇中心点最优化,最后用Hadoop云计算平台的Map Reduce编程模型实现算法的并行化.实验结果表明,该算法不仅在聚类结果上具有较高的准确率和稳定性,而且能够很好地解决传统聚类算法在处理大规模数据时所面临的扩展性问题.     

一种基于聚类预测模型的动态多目标进化算法

为了在动态环境中快速地跟踪变化后的最优解集,提出一种基于聚类预测模型的动态多目标优化算法.通过对种群聚类,提高预测解集的分布性与广泛性,为分段预测做准备,然后利用历史信息对每个子类的中心点和形状进行预测,在环境变化后,预测产生的每个子类共同构成整个新的初始种群,有引导性地增加了种群的多样性,使算法能快速跟踪新的最优解集.在标准动态测试问题上进行算法测试,实验结果表明所提算法能快速地适应环境的动态变化,所获解集具有较好的收敛性和分布性.     

基于数据垂直分布的模糊关联规则入侵检测算法研究

把基于数据垂直分布的模糊关联规则挖掘算法引入到网络的入侵检测,利用该算法从网络数据集中对采集到的数据进行模糊化的处理,并将数据垂直分布于位图中.利用k-means聚类算法建立属性的模糊集和模糊隶属函数,该算法克服了传统的离散分区法的不足,同时改进了已有模糊关联规则,提取出具有较高可信性和完备性的模糊关联规则.     

基于免疫聚类和遗传算法的RBF网络设计方法

基于人工免疫机制和遗传算法,提出了一种训练径向基函数(RBF)网络的混合算法.该算法采用了一种可以实现数据聚类的人工免疫机制根据输入数据集合自适应地确定RBF网络隐层中心的数量和初始位置;采用遗传算法训练RBF网络,能够使优化过程趋于全局最优.将该方法用于多用户检测问题的实验结果表明,采用这种混合算法训练的RBF网络结构精简,具有很好的抗多址干扰的性能.     

多中心点增量式模糊聚类算法

增量聚类算法可以解决数据量大、内存不足的问题.传统的增量式模糊聚类(incremental multiple medoids based fuzzy clustering, IMMFC)算法只为每个数据块选择一个或多个相同数目的中心,当聚类中的对象权重较小时聚类效果不好.该文提出新的增量式模糊聚类算法用于处理大数据集.首先将大数据集分成多个小的数据块,并对每个小的数据块进行模糊聚类;然后从每个小数据块的每个簇群中选择目标中心点,中心点的个数是簇群中对象的权重之和大于阈值的最少对象数.最后合并所有选定的中心点,并对最终数据块进行模糊聚类,获取最终的中心点.实验结果表明,与IMMFC算法相比,当数据块占总数据的10%以上时,所提算法优于IMMFC.     

基于Hadoop平台上面向电影数据集Kmeans算法的改进

针对聚类算法并行化的需求,该文对基于Hadoop平台Kmeans算法进行了改进,选用Canopy算法对数据进行预处理,并在具有一定数据结构的电影数据集上进行了单机对比实验,集群加速比实验和集群扩展率实验,分别体现改进后算法实现的高效性、良好的加速比和可扩展性,从而可以有效地运用在实际海量数据挖掘中.     

基于干扰管理的宏基站与家庭基站联合资源分配

提出了一种宏用户与家庭小区联合资源分配算法,该算法基于启发式动态分簇算法对宏用户和家庭基站进行联合信道分配,在对家庭基站进行分簇的同时有效降低了家庭基站系统与宏蜂窝系统之间的跨层干扰. 在保证宏用户和家庭用户QoS 的约束条件下,构建了以最小化家庭基站发射功率为目标的最优化问题,并推导了优化的家庭基站发射功率的闭合式,最后用次梯度法解优化问题. 仿真结果表明,该算法降低了家庭基站系统干扰,减小了家庭用户中断概率,并提高了家庭基站能量效率.     

基于Floyd方法的最短路径算法优化算法

最短路径算法在各领域广泛应用,传统研究方法主要集中在算法应用及单一优化,将两种优化方法集于一体的算法很少.以兰州—北京的铁路运输系统实例,利用Floyd与Dijkstra算法结合、代码优化的方法优化传统Floyd算法.结果表明:优化后的算法在很大程度上减少了运算次数和时间,提高了算法的时间及空间复杂度,算法效率较高.     

基于IM-SAPSO和SVM的EBPSK检测器设计

参数选择对于支持向量机(support vector machine, SVM)的分类性能很重要,其本质是搜索寻优.该文提出以最小化K-fold交叉验证误差为目标,以改进模拟退火粒子群优化算法(improved simulated annealing particle swarm optimization, IM-SAPSO)为寻优方法的SVM参数优化方法. 利用优化的SVM对扩展的二元相移键控(extended binary phase shift keying, EBPSK)通信系统中经冲击滤波器的“0”和“1”码元进行分类,并和基于SVM、PSO-SVM以及幅度积分判决的EBPSK检测器进行性能对比. 仿真结果表明：基于IMSAPSO和SVM的EBPSK检测器性能明显好于其他3 种检测器.     

用半监督聚类算法实现WEB文本挖掘

随着Internet网络的高速发展,海量的未标签文档和相对少量的已标签文档是当前Web文档的一个普遍情形,如何有效的利用少量的已标签文档去聚类海量的未标签文档,从而更好地获取有价值的信息,即半监督学习问题,已成为当前研究的热点.本文针对目前Web文本挖掘领域的无监督学习算法的检测率不高,而监督学习算法需要大量的标签数据又不易获得的问题,将半监督中的标签绑定技术与优化球形k-均值聚类算法相结合进行Web文本挖掘,并使用真实的测试数据对Web文本挖掘系统进行实验.结果表明本文方法对有价值文本具有较高检测率及较低的误报率,整体检测性能优于基于监督和无监督学习的Web文本挖掘算法.     

一种全局寻优的进化规划算法

文章在常规进化规划算法的基础上给出了一种新的全局寻优的进化规划算法 ,该算法在不用导数的前提下综合了梯度法计算效率较高与进化规划算法全局寻优的优点 .文章还通过四个典型的例子对两种算法的计算效率和计算精度作了比较 .     

PSO与K-means混合聚类的PCB图像分割算法

图像分割技术在PCB自动光学检测中应用广泛。 K-means聚类算法简单有效,能实现PCB灰度图像的自动分割。然而,随机选取的初始聚类中心易导致K-means算法最终找到的是局部最优值,对PCB图像分割效果有一定影响。引入PSO算法的群智能搜索策略,提出一种新的寻找聚类中心的算法。实验表明,在PCB图像分割中使用该算法可防止陷入局部最优值。     

全身伽玛刀治疗过程自动化的解决方案

提出了一种基于靶点设计几何优化及治疗路径规划的一体化解决方案.该方案建立了几何优化靶点模型,采用遗传算法对模型进行优化,以获得靶点的最优配置;进而对治疗路径进行优化,以减少治疗床不必要的往复运动,提高治疗效率.当靶点数过多时,给出了一种分层优化方案,减少了治疗过程中的定位误差.模拟数据的实验结果表明,该自动化方案快速有效.     

真空退火炉模型的机理分析与优化

通过对退火炉工作机理的分析，以现场实际采集的数据为基础，采用加热炉物理机理建立对象的模型和利用遗传算法对模型中的系数值进行优化的方法，提出了一种真空退火炉的基于退火温度精确控制的优化数学模型，经仿真验证了该模型的有效性，实现了退火温度的精确控制。