基于转移矩阵P的复杂网络聚类方法

提出了一种相对简单、有效的划分复杂网络社团结构的方法.该算法利用复杂网络的转移矩阵P和K均值聚类算法来划分社团结构,并且用F统计量判定最优的聚类结果,在探测社团结构明显的人工网时具有较高的准确度.     

基于量子模糊聚类算法的复杂网络社团结构探测

研究了复杂网络的社团结构特性,探讨了复杂网络的社团结构探测算法.针对现有算法中判断社团结构时的主观性问题,提出了量子模糊聚类算法,并将该算法用于复杂网络社团结构的探测.实验结果表明:该算法可以准确、有效地探测到网络中实际存在的社团结构.     

基于对应分析的冗余模糊C均值聚类算法研究

针对模糊C均值聚类（FCM）算法聚类原型最适合于球状类型簇的特点,提出了基于类间分离度和类内紧缩度加权的冗余聚类中心的FCM算法,即先将大簇或者延伸形状的簇（非凸）采用加权FCM算法分割成多个小类（冗余类）,从而规避FCM算法对初始聚类中心敏感的弱点．由于隶属度划分矩阵的元素是每个样本隶属于各冗余类的隶属度值,因此将其作为各冗余类的类特征,通过对应分析得到冗余类的新特征,再次采用加权FCM算法进行冗余类合并,最后达到分类效果．以代表曲线分割和曲面分割分类问题的3个典型数据集为算例,结果表明该方法能够识别不规则的簇,解决了FCM算法对初始聚类中心敏感的缺陷．     

基于复杂网络的混合数据聚类分析

大多数的聚类算法都只是针对数值型数据,而在现实世界中,经常会遇到混合了数值属性和分类属性的数据,因此对混合数据的有效聚类是一个非常有挑战的研究问题。针对混合数据的基于熵的相似矩阵,利用阈值法构造相对应的复杂网络,对生成的复杂网络进行社团结构划分,复杂网络的一种社团结构划分就对应混合数据的一种聚类结果。通过三个实际混合数据集上的测试发现,与混合数据五种聚类算法:DP-MD-FN(density-based clustering algorithm for mixed type data employing fuzzy neighborhood)、K-Prototypes、KL-FCM-GM、EKP(evolutionary K-Prototypes)、OCIL进行比较,实验结果表明利用复杂网络社团结构划分算法得到的混合数据的聚类结果的准确性更高。     

基于模块度优化的加权复杂网络社团发现算法分析

社团结构是复杂网络的一种重要拓扑结构。针对加权复杂网络中的社团发现问题,在8个不同领域、不同规模的真实数据集上,从模块度、强/弱社团、聚集系数3个评估指标分析了基于模块度优化的GN算法、FN算法、CNM算法和BGLL算法在加权复杂网络社团发现的效果。研究结果表明,上述3个评估指标在加权复杂网络上的划分结果不能始终保持一致,基于优化模块度的算法更倾向于找到复杂网络中比较粗糙的社团结构,而不是精准的社团结构,其算法的泛化能力有待加强。     

空间加权模糊C均值聚类图像分割算法

为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。     

基于PSO和加权FCM的图像分割算法

结合PSO算法和加权FCM算法(WFCM)的优势,提出一种新的图像分割算法--基于PSO和加权FCM的图像分割算法(PWF).算法通过PSO进行全局寻优,克服了单纯FCM算法的对初始值敏感及对噪声数据敏感,容易陷入局部最优的缺点,能够找到全局最优的模糊划分,实现模糊聚类图像分割.实验利用了加权二维直方图的WFCM算法,考虑像素间的空间信息,改善了图像分割效果.     

改进模糊聚类与主成分分析下的变压器故障识别

针对经典模糊C均值聚类(FCM)对数据进行等权划分而造成聚类结果不理想的情况,首先,采用点密度加权方式,对变压器油中溶解气体分析(DGA)数据进行处理,提高样本可分性,削弱聚类时出现的等趋势划分对聚类中心以及分类结果造成的影响。然后,以DGA故障数据聚类中心作为变压器标准故障谱。最后,利用施加惯性系数的主成分分析方法对待测样本进行故障识别。研究结果表明:通过点密度加权的FCM对DGA数据进行故障类型分类时,平均准确率比传统FCM算法提升了9.6%。利用上述方法对多组油浸式变压器进行识别,识别结果与实测信息均一致。     

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。     

一种自动确定特征向量与类别数目的谱聚类算法

目前大多数应用于复杂网络社团划分的算法都不能自动确定类别数目.为了解决该问题,在计算出复杂网络的拉普拉斯矩阵特征值之后,利用特征值间隔提出一种自动确定特征向量与类别数目的谱聚类算法.该算法通过数据构造拉普拉斯矩阵,得到一系列特征值,再利用特征值差值确定聚类数目以及特征向量,然后利用K-means算法对特征向量进行处理最终得到社团划分结果.用MATLAB软件对常用网络进行测试,实验结果表明,该算法对复杂网络社团的划分具有较好的分类准确性.     

基于变精度粗糙集的FCM聚类算法

传统的模糊C均值聚类(FCM)算法具有简单、稳定和高效等特点,但在噪声点较多的情况下容易受噪声影响,使得算法效率降低。文章结合变精度粗糙集模型,提出一种改进的FCM算法,该算法利用变精度粗糙集模型刻画不确定集合上近似集和下近似集的原理,将经过聚类算法后的类簇边缘范围中的对象根据变精度粗糙集的阈值特性划分为正域、负域、边界域三个部分,使得聚类的准确率得到提升。仿真实验结果表明该算法使得聚类结果更加清晰,在边界域较模糊的情况下聚类准确率比传统FCM算法有一定的提高。     

基于最短路径相似度的复杂网社团识别算法

基于最短路径的思想,定义新的节点相似度,利用谱平分算法来识别复杂网络的社团结构.首先根据节点间最短路径的思想计算改进的共享最近邻(SNN)相似度,将其标准化后求出标准化矩阵的特征值及特征向量,然后根据网络选取一定数目的第一非平凡特征向量作为聚类样本,利用FCM算法可识别网络的社团.实验结果表明,该算法对于社团结构不明显的网络划分效果很好.     

基于遗传模糊聚类算法的入侵检测研究

针对常用聚娄算法在网络入侵检测中结果不理想的问题,在研究典型模糊C均值聚类算法（FCM）的基础上,提出了一种结合CA与FCM的网络入侵检测算法GFCM,以克服FCM聚类时对初始值敏感、受噪声影响大、容易陷入局部最优等问题,通过在KDD CUP99数据集上对比实验,证明该算法的检测度高,对网络异常攻击行为检测效果较好。     

基于PSO的WFCM算法研究及其在医保欺诈行为发现中的应用

【目的】在没有先验知识的前提下,采用基于粒子群优化算法(PSO)的加权模糊C-均值(WFCM)聚类算法,从30多万条记录的医疗保险数据中挖掘出疑似医疗保险欺诈的记录。【方法】首先,引用改进的欧式距离、相似性函数以及交叉熵函数并通过PSO算法极小化交叉熵函数,对属性权重进行分析;其次,选取Calinski-Harabasz(CH)有效性指标,展开聚类有效性的研究;然后,基于数据预处理的结果将数据运用于PSO算法,不断更新得到各属性的权重,并运用聚类有效性评价中的CH有效性指标来动态估计最佳聚类个数,提高FCM聚类的速度;最后,将属性权重和最佳聚类数应用于FCM聚类算法,根据隶属度矩阵聚类得到疑似医疗保险欺诈结果。【结果】基于上述研究方法,本研究根据最后的隶属度矩阵来进行聚类分析。【结论】将优化的权重应用于加权FCM聚类算法与聚类有效性评价,既提高了聚类算法的高效性,又避免了主观评价对分类的影响。     

一种改进的模糊聚类算法研究

本文研究了模糊聚类方法,针对模糊C-均值(Fuzzy C-means Method,FCM)算法的不足,提出新的初始化算法方法,将其应于模糊聚类数目的初始化,结合近似K中心对FCM算法进行改进。实验表明,改进后的FCM算法要有效避免了聚类结果的局部最优,有较好的抗噪能力,从而提高模糊聚类性能和可靠性。     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法,神经网络采用RBF网络结点结构,聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中,仿真结果表明具有并行实时性、聚类能力强的特点。     

基于模糊C均值算法的城市快速路交通状态识别

针对城市快速路交通状态划分问题,提出一种改进的模糊C-均值(FCM)算法.为了解决FCM算法对初始聚类中心敏感、聚类前必须对聚类数和模糊加权指数给出恰当赋值等问题.首先采用减法聚类得到最大聚类数及相应的初始聚类中心,然后基于模糊决策的方法优选参数m,最终将聚类有效性函数融入FCM聚类,动态确定交通状态的分类.对上述方法通过Matlab6.5编程得出结果,对比分析表明提出的方法能够提高城市快速路交通流状态的分类效果.     

优化初始中心的模糊C-均值(FCM)算法

文章针对模糊C-均值(FCM)算法对初始中心敏感的缺点,通过计算样本的权重,提出基于权重的初始中心选取算法,选取有代表性的样本作为初始聚类中心,给出优化初始聚类中心的FCM算法.与传统算法比较,改进算法可以得到较稳定的结果,并且提高了聚类的准确率;实验证明了改进算法的有效性.     

一种基于集合划分的鲁棒性自适应模糊聚类分割算法

模糊C均值算法(FCM)是图像分割最常用的算法之一,这种方法需要提前确定初始聚类中心和聚类数.为此,提出了一种新的自适应模糊聚类算法(AFCM),AFCM算法中构造的观察矩阵、判断矩阵和集合划分可以自动确定合适的聚类数.为了得到更好的图像分割效果,采用核距离作为相似性度量,提出了一种鲁棒性自适应模糊C均值算法(RAFCM).实验结果表明,与FCM算法相比,AFCM和RAFCM算法不仅能自动地确定聚类数目,还可以得到更好的图像分割质量.     

基于直觉模糊集的模糊C均值聚类改进算法

针对特征权重未知且具有直觉模糊数的特征信息的聚类分析问题,提出一种改进的基于直觉模糊集的模糊C均值聚类算法.首先,定义区域密度参数,选择高密度区域中相距最远的样本为初始聚类中心;然后,利用直觉模糊熵计算聚类样本的特征权重,对样本特征值进行加权处理.给出改进的FCM聚类算法的具体步骤,并进行了算例验证.研究结果表明,该算法不仅克服了FCM算法易陷入局部极小值的问题,同时大大减少迭代次数,加快了收敛速度,提高了聚类性能.