一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means 算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.     

多元宇宙优化算法应用于聚类分析

[目的]聚类是数据分析和数据挖掘技术中最重要的概念,其中,k-均值聚类算法是最常用的方法之一.然而,k-均值聚类算法高度依赖于初值,容易陷入局部最优解.为了克服k-均值聚类算法存在的不足,[方法]本研究提出一种利用多元宇宙算法(MVO)解决聚类分析问题的新算法,并进行一些数据集测试实验.[结果]数值模拟实验表明多元宇宙算法解决聚类问题效果优于人工蜂群(ABC)算法,布谷鸟搜索(CS)算法、粒子群优化(PSO)算法等.[结论]在大多数测试数据集的情况下多元宇宙算法解决聚类分析问题具有收敛速度快、聚类精度高和稳定性好的优点.     

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。     

一种增量式MinMax k-Means聚类算法

针对MinMax k-means算法易产生空解、 收敛速度慢和计算效率低的问题, 提出一种增量式MinMax k-means聚类算法. 该算法从给定的初始聚类个数开始, 以固定步长递增式产生新的聚类中心, 采用基于数据均衡的快速分裂方法产生增量聚类中心, 从而避免了传统增量聚类中心选择中遍历数据、k-means聚类算法运行次数过多导致的大计算量问题. 与MinMax k-means及相关算法的对比实验结果表明, 该算法在计算效率和求解精度上均优于对比算法, 有效改善了MinMax k-means聚类对初始化中心敏感和易产生空解的问题.     

基于K-means的城市轨道交通社区接驳共享单车停靠点规划

研究基于K-means的城市轨道交通社区接驳共享单车停靠点规划问题。首先,在分析现有共享单车停靠存在问题基础上,对其骑行数据挖掘,采用K-means算法聚类后进行二次划分,得到候选停靠点;然后建立在可供选择和容量限制的共享单车停靠点双层规划模型,上层为政府追求出行者广义出行成本最小化、共享单车出行量最大化模型,下层为出行者不同接驳方式和站点选择的交通分配模型;最后采用遗传算法优化求解,通过实例予以验证。结果表明:该方法确定共享单车停靠点与规模,方便共享单车出行,增加其出行量,同时解决了停放混乱问题,提高了接驳服务水平。     

基于生成对抗网络的低分化宫颈癌病理图像分类

使用生成对抗网络(GAN)扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试集相同的情况下,该方法可以将总体分类准确率提升约2.5%,尤其对低分化宫颈癌病理图像有显著效果.通过GAN解决了组织病理学图像无方向性、内容复杂、前景目标规则性差等问题,证明了该方法的有效性及发展潜力.     

基于GrabCut的免交互图像分割算法

针对GrabCut算法需要用户交互进行初始矩形框的设定而不能做到自动分割,且在前景图像较为复杂时分割效果不佳等问题,提出一种基于GrabCut的免交互图像分割算法。首先,训练Faster R-CNN网络,将待分割图像通过Faster R-CNN进行目标检测来得到前景目标所在区域矩形框;然后在k-means算法初始化高斯混合模型时加入位置信息,进行聚类以得到优化的初始高斯混合模型参数;最后对GrabCut算法分割结果中的边缘像素进行平滑后处理。试验结果表明,该算法无需用户交互即可完成分割且相比原始GrabCut算法具有更好的视觉效果和更高的分割正确率。     

基于灰度共生矩阵和区域生长算法的红外光伏图像分割

随着光伏产业的迅速发展,这种光伏新能源在各个方面正扮演越来越重要的作用,因此对光伏面板的维护和状态监测就变得尤为急切。而对光伏面板红外图像的分割是后期对光伏面板故障检测的基础。因此,针对红外光伏图像对比度低、信噪比低等特点,本文提出一种改进的区域生长算法结合灰度共生矩阵(GLCM)的纹理特征和图像的梯度特征对红外光伏面板图像进行分割,该算法通过图像的梯度特征和灰度共生矩阵的熵特征对原始红外光伏图像进行预处理,获得梯度特征和熵特征图像加权叠加后的预处理图像,然后再利用红外图像灰度直方图分布集中的特点,针对需要人工干预进行种子点的选取,实现自动进行种子点的选取,同时对区域生长准则进行改进,使其能够自动的调整生长阈值,从而可以分割出光伏面板区域。实验结果表明,本文算法相比OTSU和K-means聚类算法分割效果更好且更接近手动分割的目标区域。     

基于k-means与Apriori算法的食物营养成分分析

营养作为人类生活的必要前提,大量患有某种疾病患者或由于工作职业原因对不同营养成分需求各不一致,发现不同食物种类营养成分及含量间的关系具有较强的应用价值。由于各类食物类别所含食物数量不同,针对Apriori算法通过支持度和置信度来衡量关联规则的特点,为克服各类食物数量不一致容易对挖掘结果产生不良影响,设计了一种通过k-means与Apriori算法对多种食物的营养成分及含量的挖掘与分析的方法。首先根据不同食物营养成分含量采用k-means聚类算法进行聚类,将食物数据集划分出了多个互不相交的"簇",再在各"簇"内通过Apriori算法实现食物营养成分含量之间的关联规则挖掘,其结果表明使用该方法经过聚类后的同一簇内食物营养成分关联程度明显优于直接在数据集中使用Apriori算法进行挖掘,为各类人群的合理膳食及饮食健康提供了重要的参考依据。     

基于最小生成树的多层次k-Means聚类算法及其在数据挖掘中的应用

针对传统聚类算法存在挖掘效率慢、 准确率低等问题, 提出一种基于最小生成树的多层次k-means聚类算法, 并应用于数据挖掘中. 先分析聚类样本的数据类型, 根据分析结果设计聚类准则函数; 再通过最小生成树对样本数据进行划分, 并选取初始聚类中心, 将样本的数据空间划分为矩形单元, 在矩形单元中对样本对象数据进行计算、 降序和选取, 得到有效的初始聚类中心, 减少数据挖掘时间. 实验结果表明, 与传统算法相比, 该算法可快速、 准确地挖掘数据, 且挖掘效率提升约50%.