基于K近邻和多类合并的密度峰值聚类算法

针对密度峰值聚类（DPC）算法在处理结构复杂、 维数较高以及同类中存在多个密度峰值的数据集时聚类性能不佳的问题, 提出一种基于K近邻和多类合并的密度峰值聚类（KM-DPC）算法. 首先利用定义的密度计算方法描述样本分布, 采用新的评价指标获取聚类中心; 然后结合K近邻思想设计迭代分配策略, 将剩余点准确归类; 最后给出一种局部类合并方法, 以防将包含多个密度峰值点的类分裂. 仿真实验结果表明, 该算法在22个不同数据集上的性能明显优于DPC算法.     

基于自适应分层共享近邻的密度峰值聚类算法

针对传统密度峰值聚类算法未考虑类簇间密度差异、需预先设定类簇数量以及单一分配策略方面的不足,提出一种基于自适应分层共享近邻的密度峰值聚类算法.首先,通过自适应共享近邻与分层次增加权重的方式计算样本间相似度,重新定义局部密度和相对距离;其次,引入二阶导数识别拐点,并基于拐点信息计算加权三角形面积以自动选取聚类中心;最后,结合相似度矩阵与相对距离进行二次分配以降低链式反应的影响.在9个人工数据集和9个UCI真实数据集上的实验结果表明,该算法在聚类性能上普遍优于密度峰值聚类算法及其改进算法,展现出更高的准确性和鲁棒性,适用于复杂分布数据的聚类分析.     

一种基于K近邻团的聚类算法

在K近邻和逆K近邻理论基础上提出了K近邻团的概念。通过度量对象间的相似度,任意两个元素都互为K近邻和逆K近邻的对象集合构成一个K近邻团。利用同一个K近邻团中的对象彼此都具有较高相似性的特点,选取不同的K值对目标集合进行聚类。通过实验证明了该方法的有效性。     

基于三种近邻网络的聚类算法研究

根据K近邻、共享K近邻和互K近邻三种近邻算法的思想分别构造复杂网络,然后通过复杂网络的社团发现算法来实现对样本的聚类.最后,将三种方法分别在人工构造的非凸类簇数据集和UCI数据集上进行仿真实验,结果表明三种方法都是可行的,且互K近邻网络聚类方法还具有识别一定数量孤立点功能.     

一种基于网格密度的高效聚类算法

针对传统网格聚类算法聚类精度不高的缺点,把高密度单元格的网格平均密度作为密度阀值,将簇边界点从低密度网格单元中提取出来。算法即保留了网格算法运行速度快的特点,有提高了聚类结果的质量。     

融合相对密度与近邻关系的密度峰值聚类算法

密度峰值聚类算法(density peaks cluster,DPC)是一种基于密度的聚类算法,该算法可以聚类任意形状的类簇.在类簇间有密度差距的数据集上,DPC不能准确地选择聚类中心.DPC的非中心点分配策略会引起连续错误,影响算法的聚类效果.模糊k近邻密度峰值算法(fuzzy k-nearest neighbor DPC,FKNN-DPC)是一种改进的DPC算法,该算法采用边界点检测并结合2步分配策略来避免连续错误.当类簇间有密度差距时,FKNN-DPC的边界点检测效果不理想,此外,其非中心点分配策略缺乏对样本近邻信息的考虑.定义相对密度(relative density)并结合近邻关系(nearest neighbor relationship)提出RN-DPC算法解决上述问题.针对DPC因为类簇间的密度差距而不能准确选择聚类中心的问题,定义相对密度用于消除类簇间的密度差距.基于反向k近邻关系检测边界点并且引入共享最近邻关系来对FKNN-DPC的分配策略进行改进.RN-DPC算法在人工数据集和真实数据集上分别与不同的聚类算法进行了对比,实验结果验证了RN-DPC算法的有效性和合理性.     

Spark环境下基于网格索引的轨迹k近邻查询方法

移动对象轨迹的k近邻(k nearest neighbor trajectories,kNNT)查询是一种重要的空间信息服务,主要用于寻找与给定轨迹最近邻的k条轨迹,被广泛地应用于智能交通、信息推荐等领域。随着轨迹数据量的快速增长,由于单机计算资源的限制,传统集中式环境下的kNNT查询效率和可扩展性无法满足实际要求。为了解决这个问题,设计了轨迹数据的分布式网格索引结构,该索引在Spark环境下将轨迹切分并映射到网格中,并引入轨迹还原表以保留查询时候选子轨迹段间的连续性。基于此索引,提出了Spark环境下的轨迹k近邻查询方法kNNT-Grid。实验结果表明,kNNT-Grid方法在分布式环境下实现了良好的查询效率和可扩展性,能够应对海量轨迹数据的k近邻查询需求。     

一种基于密度的增量式网格聚类算法

增量算法的要求是聚类特征一般是可加的、非迭代的。文中提出了一种基于密度的网格聚类算法GDCLUS，并在此基础上提出了增量式算法IGDCLUS，它可发现任意形状的聚类，具有高效、易实现的特点，适用于数据库周期性地增量环境下的数据批量更新。     

基于SOA的网格制造单元构造方法

为解决动态、分布与异构制造资源的集成与共享,实现合作伙伴间的商务协同、制造协同、供应链系统,讨论了网格化制造模式下网格制造单元的构造和抽象过程.网格制造单元划分为设备网格、信息系统网格和知识网格,设备资源通过构造层的抽象封装成设备网格,基于J2EE和Microsoft.net的软件系统和数据库被封装成信息系统网格,在此基础上,运用知识和服务流技术,构建知识网格.     

关于顶点凝聚度的几个定理

本文研究图Ｇ的顶点、是负点（Ｃ（ｖ）＝Ｋ（Ｇ）－Ｋ（Ｇ－ｖ）＜０, 零点（Ｃ（ｖ）＝０）、正点（Ｃ（ｖ）＞０）的充要条件。     

利用高斯混合概率假设密度滤波器对扩展目标量测集进行划分

针对杂波环境下多扩展目标高斯混合概率假设密度(ET-GMPHD)量测集划分难、计算量大的问题,提出了一种新的基于网格密度分布和谱聚类的扩展目标量测集划分方法。利用动态网格生成技术来获得量测集的网格密度分布; 在获得网格划分后,将全部量测数据映射到网格单元中并统计网格单元的密度,且采用双密度阀值法来滤除量测集中的杂波; 在谱聚类算法中利用密度敏感距离测度对去除杂波后的量测集构造相似矩阵,继而变换得到拉普拉斯矩阵; 利用k-均值聚类算法对拉普拉斯矩阵的特征向量进行聚类划分。采用网格密度划分法滤除量测集中的杂波,使划分子集尽可能多地包含真实量测,增加划分子集与量测集合的近似度,从而在减少计算量的同时保证算法的跟踪性能损失不大。仿真实验表明,与典型的量测集划分算法相比,所提方法在跟踪误差损失约5%的前提下,计算效率提高了38%以上,具有更好的性能。     

无箔二极管研究中的几个问题

探索了无箔二极管设计与计算中 遇以的几个关键问题（１）阴极杆损失;（２）近阴极区束流计算模型;（３）空间电荷密度的计算。     

基于空间分布优选初始聚类中心的改进K-均值聚类算法

针对海量数据聚类过程中,经典的K-均值聚类算法对其K个初始聚类中心点的选择以及数据集噪声十分敏感的问题,提出了一种针对海量数据考虑初始聚类中心点选择的聚类算法.该算法首先采用冒泡排序法对数据集进行排序,获取数据集的各维中心值组成第一个初始聚类中心点.其次,通过计算与第一个初始聚类中心点的欧式距离,对剩余候选初始聚类中心...     

Generalization Rough Set Theory

In order to avoid the discretization in the classical rough set theory, a generlization rough set theory is proposed. At first, the degree of general importance of an attribute and attribute subsets are presented. Then, depending on the degree of general importance of attribute, the space distance can be measured with weighted method. At last, a generalization rough set theory based on the general near neighborhood relation is proposed. The proposed theory partitions the universe into the tolerant modules, and forms lower approximation and upper approximation of the set under general near neighborhood relationship, which avoids the discretization in Pawlak＇s rough set theory.     

密度函数的小波估计及其影响函数

把小波的思想和方法应用到统计学的密度估计中,得到了密度小波估计的一个统一的非迭代表示形式.对于给定的一种系数估计方法,这种表示形式容易计算密度估计的影响函数,进而可以进行简单的稳健性分析.     

自相似集的平均密度

讨论了满足强分离条件的自相似集的平均密度,利用遍历定理,得到一平均密度的存在性定理。     

G-预不变凸函数的几个判别准则

在拓扑线性空间中,用集合的近似凸性研究G-预不变凸函数.在较弱的条件下,获得了G-预不变凸函数在上（下）半连续性以及半严格G-预不变凸性下的几个判别准则,改进了一些相应的已知结果.     

一维连续型随机变量函数分布的理论研究

本文给出了求一维连续型随机变量函数分布密度的一般方法:分布函数法,并用分布函数法对现有文献中的计算公式进行了理论探讨,对现有的定理进行修正拓展,扩大了应用范围。     

一种求解N-S方程的自适应直角网格方法

提出了一种用直角网格表达背景、切削网格表达边界的非结构化自适应直角网格方法.该方法采用四叉树保存网格数据,将切削简化成6种类型,用速度的旋度和散度作为自适应加密标准,从而可实现任意二维区域网格的自动生成和自适应加密.通过将极小网格边界化处理,利用SIMPLE算法处理速度和压力的耦合,实现了该网格上N-S方程的离散和求解.算例表明,该方法网格生成简单,可以用于任意形状上的流动和传热模拟,相比非自适应方法,用一半的网格数目即可达到相同的计算精度.