基于改进的经验模态分解的时间序列匹配算法

针对经验模态分解（EMD）的不足之处,对原有EMD方法中利用上下包络的乎均值得到平均包络进行了改进,采用三次样条对连续极值点的平均值进行插值获得乎均包络。通过这种方式,增加了近似极值点,在“筛”过程的每次循环中,只需要一次而不是两次祥务插值,缓解了“逆冲”和“欠冲”现象,改进了EMD方法,然后引用改进的EMD方法降低序列的维度,并用K均值算法实现模式匹配．实验结果表明,提出的在对EMD进行改进的基础上实现模式匹配的方法,优于传统的基于小波的模式匹配方法。     

基于混合聚类和网格密度的欠定盲矩阵估计

欠定盲矩阵估计是欠定盲源分离的关键技术,其估计结果直接影响源信号的分离精度。针对目前欠定盲矩阵估计算法稳定性差、估计精度不高的缺点,提出了一种基于混合聚类和网格密度的新算法。该算法利用基于人工蜂群算法和K-均值的混合聚类方法对信号数据进行聚类,提高聚类结果的稳定性;利用网格密度法修正每一类的聚类中心,提高混合矩阵的估计精度。实验结果表明,所提算法在稳定性和估计精度方面都比传统欠定盲矩阵估计算法有了明显改善。     

一种组合K近邻聚类在煤与瓦斯突出预测中的应用

针对煤与瓦斯突出影响因素复杂,即不仅具有随机性,又具有模糊性。为了保证预测的准确性,采用组合聚类策略。通过建立多个k近邻聚类器,可以产生多个簇集。来自不同簇集的子簇之间必然存在交集,最后利用子簇的加权连通图合并子簇。以平顶山八煤矿煤与瓦斯突出的相关因素指标为基础,对历年的煤与瓦斯突出的数据进行聚类分析,预测结果表明,该方法具有较好的预测效果,为煤与瓦斯突出预测提供了一种新的解决方案。     

一种改进的分水岭分割算法

为了提取人脑CT图像中的脑部组织,提出了一种改进的分水岭算法,首先采用K-means聚类算法对图像进行初始分割,从而有效地抑制了由图片表面的灰度变化引起的过分割,使边缘定位更加准确;然后在聚类图像的梯度图上利用自动阈值法增强其对比度,进行分水岭分割。最后为了避免过分割现象,对分割后的图像进行了相似区域合并。实验表明该方法简单有效,能够得到符合人类视觉系统特性的分割结果。     

一种对于K-means算法的改进

数据聚类是一个功能强大的技术,它能够把数据特征相似的对象划分为一类,但是并不是所有的聚类算法的实现都能产生相同的聚类结果;并且K均值算法的结果很大程度上依赖它的初始中心的选择;提出了一种新颖的关于K均值初始中心选择的策略;该算法是基于反向最近邻(RNN)搜索,检索一个给定的数据集,其最近的邻居是一个给定的查询点中的所有点;使用这种方法计算初始聚类中心结果发现是非常接近聚类算法所需的迭代聚类中心;对提出的算法应用到K均值聚类中给予了证明;用几种流行的数据集的实验结果表明了该算法的优点。     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

基于出行态度的自行车通勤出行市场划分

为识别自行车通勤出行中不同出行者选择偏好的差异,针对基于出行态度的自行车通勤出行市场进行划分.根据南京市居民通勤出行问卷调查,采用结构方程模型从29个观测变量中提取出若干态度潜变量,分析了出行偏好态度变量间的相关性,并采用K-means聚类方法对自行车通勤出行市场进行划分.根据选择自行车通勤出行意愿、对固定出行时刻需求、对出行舒适度需求及环保意识4类态度变量将自行车通勤出行市场划分为6个子市场,同一子市场内个人选择自行车出行意愿近似,不同子市场间选择意愿明显不同.分析了每个子市场内个人通勤出行态度特征以及自行车方式选择特征,针对每个子市场提出了相应政策以引导自行车通勤出行方式的选择.     

面向不平衡数据集融合Canopy和K-means的SMOTE改进算法

针对SMOTE算法和随机森林可较好解决不平衡数据集的分类问题但对少数类样本分类效果还有待提高的问题,融合Canopy和K-means两种聚类算法,设计了C-K-SMOTE改进算法。先后利用Canopy算法进行快速近似聚类,再利用K-means算法进行精准聚类,得到精准聚类簇,最后利用SMOTE算法增加少数类样本数量,使数据趋于平衡。选取公开数据集KEEL(knowledge extraction on evolutionary learning)数据库中的不平衡数据集,结合随机森林分类模型进行了实验验证,实验表明C-K-SMOTE算法可有效平衡不平衡数据集。     

基于K-means聚类的电信企业客户分群决策

数据挖掘应用开发对电信企业的发展有重要意义,其中客户分群可以准确认识客户总体构成,使得服务和营销更具针对性。以常州市电信企业为例,采用K-means聚类分析技术,利用商业数据挖掘自动化软件KXEN给出了一个电信客户分群的解决方案。实践表明,该方案是有效的。     

基于自适应权重的粒子群和K均值混合聚类算法研究

针对K均值聚类算法存在的缺点,提出了一种基于自适应权重的粒子群优化(PSO)和K均值混合聚类算法.该算法在运行过程中通过引入非线性动态惯性权重系数,提高了混合聚类算法全局搜索能力和局部改良能力,并根据群体的适应度方差来确定K均值算法操作时机,增强算法局部搜索能力的同时缩短了收敛时间.将该算法与K均值聚类算法、基本PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,表明该算法不仅能有效地克服陷入局部最优,而且全局收敛能力和收敛速度都有所提高.