基于网格密度和距离信息特征的聚类算法

摘要: 提出的基于网格密度和距离信息特征的聚类方法（GDD）通过构建基于距离的跃迁函数将局域密度波动特征与距离分布信息联系在一起，根据计算出的跃迁函数值扩展和增长聚类簇，从而避免了多数基于网格和密度的聚类算法存在的单调性搜索聚类缺陷。结合具体的跃迁函数在不同测试集上的实验结果表明：GDD算法不仅能够发现任意形状的簇和对噪音数据不敏感，且具有线性于网格数目的时间复杂性，能够回避密度分布不均对聚类结果的影响，更适合于对大规模真实数据集的聚类。     

基于内容相关性挖掘的反馈式搜索引擎框架

当前主流的搜索引擎根据查询词在网页中的出现频率,辅以网页权威性等信息,生成查询结果．但用户提供的查询词往往非常简单,因此搜索引擎难以确定用户的查询意图．为此,给出了一种利用海量clickthrough数据进行网页内容相关性挖掘的方法,在此基础上给出了一种反馈式搜索引擎（FSE）框架及相关算法．FSE根据网页相关性动态生成查询结果,以期提供给用户更中肯和个性化的信息．基于真实点击数据,进行了网页相关性矩阵的压缩实验和有效性实验,证明了该框架的可行性．     

适用于高必要嵌入维的混沌时间序列预测算法

针对现有的混沌时间序列预测算法－－延迟坐标状态空间重构法不能对必要嵌入维较高的奇异吸引子进行有效预测问题,分析表明了高嵌入维时预测精度下降的原因在于 构空间的全局Ｌｙａｐｕｎｏｖ指数谱的变化。通过引入仿射变换,改善了高维重构空间的全局Ｌｙａｐｕｎｏｖ指数谱的性状,并由此给出了适用于高必要嵌入维的预测算法。仿真结果很好地支持了这一设想。     

基于统计判据的非线性维数约简

现有非线性维数约简算法均需要人工设定适当的邻域点数而（或者邻域半径ε）才能获得合理的嵌入结果．但常用的基于嵌入残差的邻域参数选择方法本质上是循环依赖的，不能有效工作．为实现非线性维数约简算法的定量评价的参数辨识，从讨论优化嵌入的基本判定原则出发，给出了基于空域互信息和正则依赖指数谱的优化嵌入判据实现嵌入质量的定量评价和非线性维数约简算法的非监督参数辨识．仿真实验表明，直观的嵌入质量可被优化嵌入判据有效反映，且由嵌入集拟合恢复原数据集时的拟合精度与优化嵌入判据之间存在显著的正相关．     

基于互信息判据的小波去噪

通常的线性滤波技术不能很好地解决非线性时间序列去噪问题，而现有的非线性去噪技术的参数选择往往要依赖于直觉和经验．为此，提出基于互信息判据的小波去噪方法，利用小波进行非线性去噪处理，并以互信忠作为去噪处理截止的判定条件，给出了小波去噪算法，分析了其优势，并进行了仿真实验．仿真结果表明，小波算法能更好地处理不平稳和突发的噪声；互信息所指示的优化截断尺度，既较好地保留了信号的动力结构，又有效地实现了非线性噪声过滤．     

快速鲁棒的密度基聚类算法

为有效改善基于密度的聚类算法的聚类效果,提出了判定顺序聚类算法的聚类合理性的形式判据,简述了其神经生物学证据,并据此给出了可有效改善DBSCAN算法的聚类精度和时间效率的新算法DBSCANJZPoll．该算法首先以随机处理次序多次执行一个顺序依赖的子进程;再根据子进程的各次执行结果,由“合理聚类”的形式判据和简单的统计原则确定最终聚类结果．在聚类精度方面,仿真实验表明,DBSCANJZPoll可有效处理密度不均匀的样本集,聚类效果显著优于DBSCAN．在时间效率方面,理论分析表明,对于中高维样本集,DBSCANJZPoll的时间复杂性渐近于O(N),优于DBSCAN算法族中其他算法至少O(N log N)的复杂性;对于低维样本集的仿真也表明, DBSCANJZPoll具有相对优化的时间效率．