复杂网络社团划分的新算法

提出了一种快速寻找复杂网路中社团结构的新算法.首先通过寻找网络中度最大的节点和其邻居节点,构造出其相应的邻居矩阵和稠密集.然后重复这一过程,最后得到了网络的社团结构.由于算法仅仅涉及局部信息,因此计算量较小.实验结果表明,算法可行且可用于研究文本聚类、图像聚类和视频聚类等数据挖掘领域中的其他问题.     

基于改进的自组织特征网络聚类分析

针对传统Kohonen自组织特征映射(SOFM)神经网络模型结构需要预选指定的限制,特别在大的映射网络中寻找最佳匹配结点是很耗时的问题,我们采用一种新的动态增长树型自组织特征神经网络(GTS-SOFM),给出了实现聚类的具体算法,并且使用聚类密度来衡量聚类效果.对样本进行随机抽样,实验结果证实了算法的有效性.     

基于目标进化的aiNet聚类算法

针对aiNet算法中没有定义目标函数、记忆网络动态无规律变化等问题,提出了基于目标进化的人工免疫网络聚类新算法,将人工免疫网络压缩聚类抽象为多目标规划问题,定义了记忆网络的整体进化目标,并采用疫苗注射策略提升免疫学习质量.中心聚类和非线性聚类的仿真结果表明:新算法的聚类质量、压缩质量、参数敏感性等优于原aiNet算法;新算法的平均类散布矩阵迹为4.1420,低于原aiNet的4.2575;样本压缩率比原aiNet算法高8.42%;聚类正确率对压缩阈值的敏感性比原aiNet算法弱.     

一种基于黑洞算法的模糊C均值文本聚类方法

FCM算法应用于文本聚类时,由于初始聚类中心点选择的随机性,以及容易陷入局部最优的问题,导致文本聚类效果较差.为了提高FCM算法的聚类精度,提出了采用黑洞算法寻找FCM最优初始聚类中心的方法.黑洞算法是一种启发式优化方法,在FCM初始聚类中心寻优的过程中,始终保持黑洞为全局最优解,最终发现FCM的最优初始聚类中心.实验结果表明,基于黑洞算法的FCM文本聚类方法可以解决FCM算法对初始中心点敏感和容易陷入局部最优的问题,聚类精度明显提高.     

K-Means聚类中心最近邻推荐算法

针对KNN算法在处理推荐系统由稀疏性问题所造成的计算复杂度较大以及评分估计值有误差等问题,本文提出了K-Means聚类中心最近邻推荐算法,首先对初始数据集进行聚类运算,然后找出数据集的聚类中心;其次寻找每个用户所属的聚类中心,将聚类中心代替目标用户放入KNN算法中寻找用户的最近邻;最后做出评分预测.同时又考虑到目标用户...     

基于动态隧道系统的K-means聚类算法研究

针对K-means聚类算法易陷入局部极小的问题,利用动态隧道算法在解决全局最优化问题中的有效性,将算法中的动态隧道过程引入到K-means聚类算法中,提出了一种基于动态隧道算法的K-means聚类算法.该算法在K-means聚类算法寻优得到的局部极小值基础上,利用动态隧道过程寻找更小的能量盆地,再将其值提交给K-means聚类算法进行迭代寻优,重复该过程,直到找到全局最小值.理论分析和仿真实验证明,该算法的聚类效果要优于K-means聚类算法.     

一种改进的网络突发话题检测算法

引进文本相关度这一影响因子,提出了一种基于蚁群聚类算法的突发话题检测算法,该算法结合蚁群聚类算法的优势,综合考虑文本聚类和文本相关度的影响,得到对网络突发话题检测的最优聚类效果,并对近年来网络突发话题进行实验,达到了很好的聚类速度和聚类效果,验证了算法对突发话题检测的准确性和即时性.     

基于闻香识源的改进人工蜂群聚类算法

为了克服传统K-Means算法初始聚类中心选择的盲目性,提高聚类精度和聚类结果的稳定性,提出一种基于闻香识源的人工蜂群聚类算法,用于数据聚类.该算法首先利用样本数据稠密度反馈的信息(花香)来寻找初始聚类中心,接着交替进行K-Means聚类,人工蜂群在高密度数据区以贪婪原则搜索最佳聚类中心,往复多次以达到良好且稳定的聚类效果.实验表明该算法简单高效,聚类效果好.     

无线Mesh网络节点聚类属性分析

通过分析无线Mesh网络节点空间属性,提出了一种改进的k-medoids网络节点聚类算法.该算法基于聚类思想,将无线Mesh网络中的网关部署问题转化为空间节点数据聚类问题.构建了网络拓扑图的邻接矩阵,并利用邻接矩阵选择具有最多一跳连接节点数的对象作为初始簇中心.然后以网络跳数代替传统聚类算法中的距离参数,将最小化跳数之和作为优化目标,通过迭代方法获得稳定的聚类和分组结果.实验结果表明,离散的网络节点在空间上具有聚类特性,利用该方法可以获得更小的平均跳数和最大跳数,因此可以较好地实现网络节点分组和网关发现.     

基于Fisher判别的分布式K-Means聚类算法

为了解决集中式聚类算法不能处理海量大数据的问题,提出基于Fisher判别确定置信半径的分布式聚类算法.应用网络上各个节点的计算、存储能力,以及网络的带宽,将聚类所需的时间复杂度和空间复杂度平摊到各个节点.通过应用Fisher线性判别找到节点在同一子类数据上的稠密和稀疏分布,从而快速确定聚类的置信半径并指导下一步的聚类过程,使得保持聚类精度的同时能提高分布式聚类的速度.对算法进行了数值模拟,并使用真实数据完成了试验.结果表明,所提出算法相比DFEKM聚类算法,能根据数据分布的不同在聚类结果和聚类速度上达到很好的平衡,这表明该算法具有更好的健壮性.     

适用于集群无人机的自组网安全分簇算法

集群无人机自组网的节点数量多、移动速度快,适合采用分簇的网络拓扑结构,而安全的分簇算法是簇结构自组网安全性的重要基础。分析了集群无人机自组网的特点和其对安全分簇算法的需求,提出了一种适用于集群无人机自组网的安全分簇算法,该算法结合使用密码机制和信任机制来保证网络分簇过程中的信息安全并且选出可信度较高的簇首,分析证明了其具有较高的安全性和可行性。     

基于改进神经网络的模糊聚类算法

文章提出了一种新的聚类方法NFC,首先用模糊逻辑神经元网络的聚类算法和Cauchy训练的模拟退火算法相结合的局部算法得到初始聚类中心,然后用FCM算法进行模糊聚类;实验证明,NFC算法在一定程度上解决了FCM局部极值问题且有效性非常高。     

基于K-means++的无线传感网能量高效分簇协议

针对传统无线传感网的分层路由算法中存在着分簇不均匀、簇首数量不固定、簇首位置不合理、节点的可扩展性不足以及数据传输方式比较单一的问题,提出一种无线传感网能量高效分簇协议.该协议在簇的建立阶段基于K-means++聚类算法进行分簇并采用S_Dbw聚类评价指标挑选其最优分簇,在簇的建立阶段,从每个簇中选取簇内剩余能量最高的节点作为簇首;在数据传输阶段,基于节点间的通信代价使用Dijkstra算法来寻找每个簇首到汇聚节点的最优路径.仿真结果表明:该协议可降低节点与汇聚节点之间数据传输的能耗,延长传感网的生命周期,并且在整个网络能量处于较低水平时也可以较好的覆盖整个监测区域.     

基于目标进化的aiNet聚类算法研究

针对aiNet算法中没有定义目标函数,记忆抗体网络动态无规律变化等问题对算法进行改进,提出了基于目标进化的人工免疫网络聚类新算法,将人工免疫网络压缩聚类抽象为多目标规划问题,提出了免疫网络的整体进化目标和疫苗注射策略,仿真结果表明,新算法的聚类质量、特征压缩质量、参数敏感性等优于原有aiNet算法。     

无线传感器分簇网络实验系统设计

针对无线传感器网络分簇算法验证,设计了分簇网络实验系统。系统中无线网络节点计算能量消耗,通信报文传输节点消耗能量值和分簇节点标记,主机节点依据数据实时绘制分簇网络结构和能量消耗分布图,并计算总消耗能量,对分簇算法进行评估。系统经试用,对分簇算法设计与优化有重要的作用。     

基于特征融合的说话人聚类算法

针对单一声学特征和k-means算法在说话人聚类技术中的局限性,为了更好地表达说话人的个性信息并提高说话人聚类的准确率,将特征融合和AE-SOM神经网络应用于说话人聚类中,提出一种改进的说话人聚类算法.该算法通过对语音信号特征分析,将MFCC特征参数和LPCC特征参数相结合,从而完善说话人的个性信息.并在k-means...     

Ad Hoc网分簇算法探讨

对Ad Hoc网的分簇算法进行了深入的研究,提出一种用于Ad Hoc网络的分簇算法,该算法以改善分簇结构网络总体性能,减少系统总体开销,有效提高移动节点可靠性为目标.文中对该算法进行了详细描述,对其性能进行了分析研究.     

模糊超球神经网络及其在模式聚类中的应用

把模糊集理论和神经网络引入模式聚类的研究 ,在无须事先知道模式集数目的条件下 ,为提高聚类精度 ,提出模糊超球神经网络结构和聚类算法 ,同时给出仿真实验的结果 ,以说明模糊集理论和神经网络在模式聚类研究中的活力 .     

无线传感网中分簇分层k-medoids协议研究

研究了大规模高密度节点部署的无线传感器网络(Wireless Sensor Networks),提出了一种具有可扩展性的分层分簇k-medoids协议.在簇的建立阶段采用改进的k-medoids聚类算法分簇,并将多级分层技术和k-medoids分簇算法融合形成多个层次的分层分簇网,在层0完成全部分簇之后,启动第1层的分簇,并以此类推直到用户指定的层数.仿真实验表明,多层k-medoids分簇算法缩减了网络节点与sink节点之间的通信量,降低了能耗,最终延长了网络生存期.