面向数据流的加权聚类及演化分析研究

为解决无限数据流在有限内存空间中的聚类分析问题，本文提出了一种加权聚类及演化分析框架。为简要地描述此框架，给出了聚类、聚类簇的概念及其数据结构定义，接着对聚类、聚类簇的加法运算和差运算给出了清晰的描述和相应的实现算法。本框架与CluStream框架有较大的差别，这里采用聚类簇的加法运算来实现更大时间跨度内的聚类簇融合，采用聚类簇的差运算来进行聚类簇的演化分析。最后通过第一个例子来说明本框架是如何对数据流进行加权聚类及演化分析的，采用第二个例子来验证为实现本框架所需的十五个算法的正确性及有效性。     

带信息反馈的凝聚层次聚类算法

本文针对传统的基于相似性的层次聚类算法存在的两个问题(相似性度量中方向信息的丢失和算法的适应能力弱)提出了一种带有信息反馈的凝聚层次聚类算法.首先将无法预知的复杂数据结构描述成3个基本的结构特征单元,并对其进行建模构建一种相似性度量定义的泛型和一种凝聚的层次聚类算法.在凝聚的层次聚类算法中加入类信息的反馈机制,并在不同阶段对相似性定义的泛型进行具体化,充分利用数据点对之间的方向信息和距离信息进行聚类.该聚类算法主要有两大优势:(i)算法的适应能力较强,不需要假设的前提下可以处理无法预知的复杂数据结构;(ii)算法对噪声具有较强的鲁棒性,在不需要对数据集进行预处理的情况下能够在聚类的过程中识别噪声点或者噪声类.从人工数据和真实数据的试验结果可以看出新算法的优越性能.     

一种基于同步动力学模型的层次聚类方法

本文基于建模同步动力学行为的Kuramoto模型提出了一种新的有效层次聚类方法.本文提出的方法基于局部邻域的概念,能够实现稳定的局部同步聚类.通过不断扩大对象同步的邻域半径,所提出的方法能够实现层次化的同步聚类.此外,提出对象邻域闭包的概念,在对象间到达完全同步之前就能预测出聚类的形成,从而减少对象动态交互的时间.本文的方法不依赖于任何数据分布假设,无需任何手工参数设置,可以检测出任意数量、形状和大小的聚类.由于同步过程能够有效地规避离群点,该方法有较强的噪声数据抑制能力.在大量真实数据集和人工合成数据集上的实验结果表明本文的方法聚类准确率高,且运行时间较同类基准算法显著缩短.     

谱聚类的扰动分析

以矩阵的扰动理论为工具对谱聚类（spectral clustering）进行了分析，通过引入图的权矩阵并对权矩阵的谱和特征向量进行分析，得到了权矩阵的谱与聚类的类数、权矩阵特征值的大小与每一类所含点的个数、以及权矩阵的特征向量与聚类之间的关系．据此，设计了一个基于权矩阵的无监督谱聚类算法（unsupervised spectral clustering algorithm based on weightmatrix，简记为USCAWM），并在模拟点集和实际的数据集上进行了实验，实验结果肯定了理论分析的正确性．     

一种结构自适应的聚类神经网络

为了解决聚类分析中聚类数的确定问题，在SOFM神经网络的基础上，从聚类准则出发，通过试验对聚类准则的曲线特征进行了详细的分析和论证，设计出一种结构自适应的聚类神经网络，该网络能自动确定最佳的聚类数，并提出了一种减少计算量的改进算法。     

应用于无人驾驶车辆的点云聚类算法研究进展

点云聚类是激光雷达实现无人驾驶汽车环境感知中的关键步骤,其将激光雷达构建的点云地图中离散的点聚类成各个整体,是实现检测的重要前提,也为后续的辨识提供了必要基础。本文将应用于无人驾驶车辆点云聚类中的聚类算法分为六类,分别是现有的基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法、基于距离的聚类算法以及混合聚类算法。在系统分析各种聚类算法基础上,对点云聚类过程中存在的问题、解决方案和性能进行比较分析。考虑到无人驾驶车辆点云聚类的准确性和实时性要求,边缘算法、混合聚类算法和新型聚类算法的结合使用将是无人驾驶车辆点云聚类的研究热点,也是今后无人驾驶车辆点云聚类的研究重点。     

基于谱聚类的图像多尺度随机树分割

针对谱聚类（spectral clustering）应用于图像分割时权矩阵的谱难以计算的实际问题，定义了像素点与类之间的距离，给出一个采样数定理，设计了一个图像的分层分割（hierarchical divisive）算法．在利用该算法进行图像分割时，由于既要对待分类的点进行随机抽样，又要通过调节尺度因子来合并较小的类或拆分较大的类，因此图像的分割既具有随机性又具有多尺度特性，称之为基于谱聚类的图像多尺度随机树分割（multiscale stochastic hierarchical image segmentation byspectral clustering，简写为MSHISSC）．实验结果表明了算法的有效性．     

极大熵聚类算法及其全局收敛性分析*

借助极大熵原理构造了一致逼近目标函数的一簇可微的熵函数,由此利用最优化理论导出了一种新的聚类算法. 该算法是硬C均值算法的一种软的推广格式,具有全局收敛性,最后讨论了该算法同其他著名聚类算法的关系.     

关于极大熵聚类算法的收敛性定理的反例

追溯了极大熵聚类算法的历史渊源, 指出了张志华等提出的算法本质上缺少新意, 并构造了两个具体例子说明了极大熵聚类算法得到的迭代序列不一定收敛到目标函数的局部极小值, 有可能收敛到鞍点. 在此基础上,指出了他们关于极大熵聚类算法的收敛性定理一般不能成立的理论理由.     

基于聚类技术的股票价格趋势预测

利用聚类算法预测股票的价格趋势，通过聚类技术先将某些具备相似特征的上市公司提取出来，这些公司的股票趋势往往具有相饭性，此时再对这些提取出的上市公司财务报表进行具体分析，从而达到准确预测该上市公司股票趋势的目的。通过测试结果得出此方法在股票的预测中具有一定的应用前景。     

基于改进灰色聚类法的空气质量综合评价

通过构造指数型的白化函数和熵权法对灰色聚类法加以改进。此法充分利用已知的有限信息；避免了主观因素对环境质量综合评价的影响；使评价结果更符合实际、更准确。结合阜新市功能区空气质量评价的实例，介绍了此法的具体应用，并与经典灰色聚类法的结果相比较，除了个别功能区的评价等级有差异外，总体来看评价结果差异很小。对比值得出的结论是评价等级均为良，验证了改进方法的可行性和有效性。     

改进的等斜率灰色聚类法在地面水质量评价中的应用与分析

为了更好地将等斜率灰色聚类法应用于地表水质评价，提出了改进的等斜率灰色聚类法——灰色聚类样点排序法，并通过实例的计算比较，讨论灰色聚类样点排序法再权重处理过程的可行性。可以得出灰色聚类样点排序法能兼顾到：1）各测点地实测污染浓度都在级别标准范围内较有规律的变化，各污染物的标准之间差异不太大；2）污染物分布的离散度太大，各标准值之间差别也太大这两种情况。     

一种基于自体集层次聚类的否定选择算法

否定选择算法是用于产生人工免疫检测器的重要算法,然而传统的否定选择过程需要将随机生成的候选检测器与全部自体数据进行匹配以排除识别了自体的无效检测器,该匹配过程导致检测器的生成效率过低,极大地限制了免疫算法的应用.为此,文中提出了一种基于自体集层次聚类的否定选择算法CB-RNSA.算法首先对自体数据进行层次聚类预处理,然后用聚类中心取代自体数据点与候选检测器进行匹配,以减少距离计算代价.在生成检测器的过程中,候选检测器被限定在非自体空间的低覆盖率区域内,以降低检测器冗余.对检测器的非自体空间覆盖率进行了概率分析,给出了中止生成检测器的条件,该条件较传统的预设检测器数量的中止条件更为合理.理论分析表明CB-RNSA的时间复杂度与自体集规模无关,从而解决了经典的否定选择算法的时间复杂度随自体数量呈指数增长这一难题,极大地提高了大自体样本空间下的检测器生成效率.对比实验结果表明:在相同的实验数据集与期望覆盖率下,CB-RNSA的检测率比经典的RNSA与V-detector算法分别提高了12.3%与7.4%,误警率分别降低了8.5%与4.9%,产生检测器的时间代价分别降低了67.6%和75.7%.     

Spatiotemporal positioning of multipotent modules in diverse biological networks

A biological network exhibits a modular organization. The modular structure dependent on functional module is of great significance in understanding the organization and dynamics of network functions. A huge variety of module identification methods as well as approaches to analyze modularity and dynamics of the inter- and intra-module interactions have emerged recently, but they are facing unexpected challenges in further practical applications. Here, we discuss recent progress in understanding how such a modular network can be deconstructed spatiotemporally. We focus particularly on elucidating how various deciphering mechanisms operate to ensure precise module identification and assembly. In this case, a system-level understanding of the entire mechanism of module construction is within reach, with important implications for reasonable perspectives in both constructing a modular analysis framework and deconstructing different modular hierarchical structures.     

大规模定制模式下的顾客需求管理：获取、识别和聚类分析

为了有效处理不同客户的需求以保证大规模定制生产的规模性和经济性，提出了一种以聚类分析思想为核心的定制需求管理方法。该方法在获取客户需求信息并进行有效化处理的基础上，采取模糊聚类的方法将数量众多的单个客户转化为具有相似需求的客户群体，指导企业产品的标准化、生产的模块化以及产品族的规划设计并提升客户满意度。文章最后，结合笔记本电脑的应用实例说明了该方法的可行性和有效性。     

一种基于模糊聚类的新型入侵防御攻击系统模型

本文从降低传统入侵防御系统检测引擎的虚警率、漏警率与增强主动防御能力方面入手,给出了一种基于模糊聚类的入侵防御系统检测引擎实现方案;并探讨了将蜜罐技术与入侵防御系统相结合的可行性;进而提出了一个全新的入侵攻击防御系统模型。在这个模型中,入侵防御系统同时具有了实时防御与攻击防御的能力。     

Neuromuscular synaptogenesis: clustering of acetylcholine receptors revisited

Clustering of neurotransmitter receptors in the postsynaptic membrane is critical for efficient synaptic transmission. During neuromuscular synaptogenesis, clustering of acetylcholine receptors (AChRs) is an early sign of postsynaptic differentiation. Recent studies have revealed that the earliest AChR clusters can form in the muscle independent of motorneurons. Neurally released agrin, acting through the muscle-specific kinase MuSK and rapsyn, then causes further clustering and localization of clusters underneath the nerve terminal. AChRs themselves are required for agrin-induced clustering of several postsynaptic proteins, most notably rapsyn. Once formed, AChR clusters are stabilized by several tyrosine kinases and by components of the dystrophin/utrophin glycoprotein complex, some of which also direct postnatal synaptic maturation such as formation of postjunctional folds. This review summarizes these recent results about AChR clustering, which indicate that early clustering can occur in the absence of nerves, that AChRs play an active role in the clustering process and that partly different mechanisms direct formation versus stabilization of AChR clusters. Received 10 April 2002; received after revision 4 June 2002; accepted 10 June 2002