函数型数据的分步系统聚类算法

函数型数据能够反映数据的内在规律,利用该特点可以挖掘数据更多的潜在信息。在对传统聚类算法研究的基础上,首次提出将导函数距离引入函数型数据的聚类中,设计了函数型数据的分步系统聚类算法,给出了算法的具体步骤。利用随机模拟对算法的有效性进行了检验,并针对40个国家41年的人均GDP数据进行了实例研究,结果表明,该算法能够对函数型数据进行有效聚类。此外,基于此算法提出了一种函数型数据的数据补齐方法,实例研究结果表明,该预测方法能够对函数型数据进行有效地补齐。     

基于遗传算法的区间数核模糊聚类方法

针对现有区间数聚类算法对多种聚类模式以及不对称数据聚类性能不理想的问题,本文提出了一种基于核方法的区间数模糊聚类算法.该方法通过设计合适的核函数,有效地对非对称数据以及混合模式原型的数据结构进行聚类,同时避免了直接在高维特征空间求解聚类问题.本文采用区间数遗传算法来求取高度非凸聚类优化问题得到聚类问题的全局最优解.仿真实例说明了本文算法的有效性.     

基于类内差和改进划分系数的聚类有效性函数

针对改进划分系数对模糊聚类有效性的判决并不十分理想,提出了将类内差和改进划分系数相结合的两个聚类有效性函数。该聚类有效性函数从数据聚类效果要求类内样本越相似而类间样本相差越大的观点出发,通过将反映数据聚类类内紧致性程度的类内差和类间分离性程度的改进划分系数相结合,并考虑到模糊C 均值聚类算法的适用条件作为构造聚类有效性函数的约束因子,得到新的聚类有效性标准。给出应用该函数进行模糊C 均值聚类有效性判决的具体步骤,通过仿真实验证明该有效性函数具有良好的分类性能。     

基于方差波动多重分形特征的金融时间序列聚类

提出了一种新的概率函数计算方法，用于研究金融时间序列在方差波动方面的多重分形特征。在此基础上提出了一种基于多重分形的时间序列聚类算法，该算法能够根据不同的分析目的，灵活地使用不同的概率函数以及序列的多重分形特征参量进行聚类。对上海证券市场实际数据的实验结果表明，本文提出的聚类算法是灵活有效的。     

基于混沌优化的模糊聚类分析方法

提出了基于混沌优化的模糊聚类方法(COFCM).COFCM将混沌优化策略与传统的模糊C-均值算法(FCM)相结合,用混沌变量搜索对模糊聚类目标函数进行全局寻优,同时结合梯度算子,使方法能有效收敛到极值点.以六组人工数据集和真实数据集作为实验数据,对聚类目标函数值、聚类有效性函数指标值进行对比实验,其结果表明COFCM能得到比FCM更好的目标函数值,从而有更好的聚类效果.最后将该方法应用于Lena图像进行图像分割,验证了方法的有效性.     

基于改进的进化型自组织映射的攻击实例挖掘

针对从入侵检测系统产生的复杂报警数据中难以获取有意义的攻击实例的问题,提出了一种基于改进的进化型自组织映射（IESOM）的攻击实例挖掘方法。IESOM算法给出了基于获胜神经元和其它神经元的距离的连接强度初始值,解决了进化型自组织映射（ESOM）算法中的连接强度初始值的选择问题。基于IESOM的攻击实例挖掘方法先对报警数据进行IESOM聚类,再使用合并规则得到初步的攻击实例,最后使用筛选规则获取有意义的攻击实例。对XJTU-sensor的报警数据的攻击案例获取结果表明了提出的基于IESOM的攻击实例挖掘方法能够从大量的报警数据中高效地获取典型的攻击实例。     

灰色熵权聚类决策方法研究

针对传统灰色定权聚类方法中权重是事先给定的,不具有客观性的问题,借鉴信息熵的思想,提出了基于熵权确定权重的方法,构造了基于熵权的灰色定权聚类评估方法的算法。该算法利用系统状态数据为依据通过计算熵来得到决策权重。以实际问题为背景进行了算例实证研究。结果表明该方法计算简单,权重确定客观,对灰色聚类决策理论进行了补充和完善。     

基于改进的模糊C-均值的分级递减聚类算法

提出了基于改进的模糊C-均值的分级递减聚类算法,利用改进的模糊C-均值聚类算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类数数据集的聚类。实验结果表明,本算法对未知类数、具有高斯分布的数据集具有聚类效果好、收敛快的特点,且对于类数较多的数据集,本算法也是一种快速聚类算法。     

基于最优划分的K-Means初如聚类中心选取算法

针对传统K-Means算法聚类过程中,聚类数目k值难以准确预设和随机选取初始聚类中心造成聚类精度及效率降低等问题,提出一种基于最优划分的K-Means初始聚类中心选取算法,该算法利用直方图方法将数据样本空间进行最优划分,依据数据样本自身分布特点确定K-Means算法的初始聚类中心,无需预设k值,减少了算法结果对参数的依赖,提高算法运算效率及准确率.实验结果表明,利用该算法改进的K-Means算法,运算时间明显减少,其聚类结果准确率以及算法效率均得到显著提高.     

基于目标函数的直觉模糊集合数据的聚类方法

针对直觉模糊集合数据的聚类问题,提出了一种基于目标函数的聚类方法。该方法定义了直觉模糊集合间的加权相似性准则,解决了数据聚类过程中各维特征分配不均匀的问题。通过增加非隶属度参数对模糊c〖CD*2〗均值(fuzzy c means, FCM)聚类算法中的模糊划分矩阵〖WTHX〗U〖WTBZ〗和目标函数进行改造,进而给出迭代推导公式和算法描述,把聚类归结为一个带约束的线性规划问题,适用于大数据量的情况。最后通过典型实例验证了该方法的有效性和优越性。     

基于属性加权的模糊K-Modes聚类算法

提出了一种基于属性加权的模糊K Modes算法。该算法假定不同属性对聚类结果有不同程度的影响 ,定义新的适应度函数 ,利用进化策略优化加权矩阵 ,以基于划分相似度的聚类精确度作为聚类结果的评价准则。实验表明 ,此算法具有较好的聚类效果 ,且属性加权矩阵反映了数据各个属性的重要程度 ,从而可以进行属性的提取和选择。     

基于FKCM的球磨机系统T-S模糊建模方法

针对传统的描述热工过程动态数学模型的方法难以建立非线性模型的缺点,提出了一种基于模糊核聚类的球磨机系统T-S模糊建模算法.该算法首先通过灰色关系法确定模型输入变量,利用FKCM聚类算法对输入空间进行模糊划分,确定T-S模型的前件结构和前件参数;进而利用最小二乘算法确定模糊规则的后件参数.最后,利用数字仿真数据对球磨机系统进行模糊建模,建模结果表明该算法简单、实用,模型能够精确地描述过程的非线性.     

基于自适应权重的面板数据聚类方法

基于二维信息的传统聚类方法并不适用于处理面板数据, 在考察面板数据多重信息特征的基础上, 基于面板数据的"绝对指标", "增量指标"及"波动指标", 重构了面板数据相似性测度的距离函数和Ward聚类算法, 提出了面板数据自适应权重聚类方法. 所提供的算法既可退化为传统的绝对量距离聚类方法, 亦可对面板数据的未来所属类别进行聚类预测. 最后, 实例显示此方法兼具有效性和灵活性.     

基于改进微粒群算法的快速山峰聚类法

依据样本密度使用高斯函数构造山峰函数时,削去对山峰函数贡献较小的大部分边缘,从而大大减少计算工作量;提出了一种改进的微粒群算法,使之具有多峰函数寻优能力,可以一次求出山峰函数的各个峰值,即基于改进微粒群算法的快速山峰聚类法,给出了算法的原理,步骤,快速山峰函数与常规山峰函数间的误差及计算工作量的比较.仿真结果表明,该算法计算简单快捷,可以一次求出所有的聚类中心,在满足精度要求的情况下,能够减少90%以上的计算工作量,有效地搜寻到数据样本空间的各个聚类中心,从而实现对数据样本的准确聚类.     

一种基于修正划分模糊度的聚类有效性函数

针对大多数现有的聚类有效性函数都是针对于数值型数据提出的,无法有效地评价和分析类属型数据的问题,提出了一种新的聚类有效性函数—修正划分模糊度;通过结合模糊划分熵和划分模糊度测度,所提出的聚类有效性函数既可以评价数值型数据分类结果,也可以评价类属型数据的分类性能。实验结果表明了这一新的聚类有效性函数的合理性     

基于模糊投影寻踪聚类的洪灾评估模型

针对洪水灾害样本集的复杂性、随机性以及差异性,本文将模糊聚类迭代理论与投影寻踪技术进行互补融合,构建了模糊投影寻踪聚类模型.该模型采用投影值标准差和投影值欧氏距离平方和来构造投影指标函数,避免了传统投影寻踪模型由于经验性选取密度窗宽导致过于主观的问题;将高维数据低维化后进行模糊聚类运算,再通过对最优投影方向的寻优进行投影寻踪聚类运算,降低了模糊聚类迭代的运算量,实现了两种模型的双重迭代聚类.误差分析及聚类有效性评价表明,互补融合后模糊聚类与投影寻踪聚类的双重迭代聚类使得聚类精度和效果也得到了较大提高;此外,除优化算法初始化参数外,模型无需预设其它参数,也不依赖于随机训练样本,可客观依据历史样本集内在规律来进行洪灾聚类评估.实例研究和方法比较表明,提出的模型计算简洁,且能有效处理洪灾评估中的随机、模糊等主客观不确定性,能够为洪灾风险管理提供科学的决策支撑.     

三种典型的基于图分割的谱聚类方法比较

在分析谱聚类实现思路和已有算法基础上,对规范切判据,最小最大切判据和自动确定聚类数目的谱聚类典型算法进行了研究和应用,通过理论分析算法各自实现机理的联系与区别,讨论它们各自的聚类特点,并利用UCI(University of California,Irvire)机器学习数据集试验对比了三种算法的聚类效果.发现谱聚类算法实现数据聚类的有效性,以及参数及相似度度量对算法性能有很大影响,在此基础上提出了算法用于解决可建模为模式识别的工程问题的可行思路,为工程实践提供了借鉴.     

广义均衡模糊C均值聚类算法

模糊C均值聚类(FCM)算法是一种快速有效的聚类算法,但它没有考虑各类样本容量的差异, 其最小化代价函数会导致聚类判决有利于少样本类.提出一种新的聚类算法—-广义均衡模糊C均值聚类, 通过对模糊C均值聚类最小化代价函数的改进,使得样本容量在聚类代价函数中发挥效用, 从而弱化了样本容量差异对聚类判决的干扰.讨论分析了该算法的性质,模糊隶属度的推导突破了FCM解析解的约束. 通过仿真实验,验证了所提出算法的有效性.     

基于免疫聚类算法的离群数据挖掘

离群数据挖掘是数据挖掘研究的重要内容,在实际生活中获得广泛应用.论文结合了免疫算法全局搜索的优点和K-均值方法局部收敛速度快的特点,提出了一种基于免疫聚类算法的离群数据挖掘方法,有效地克服了传统聚类方法对初始化敏感、容易陷入局部最优等缺点,使聚类结果能够快速收敛到全局最优,有效地检测离群数据.实验结果表明,该方法实用有效的.     

新的基于数据几何结构的聚类有效性函数

以Xie-Beni指标作为聚类有效性函数取得了良好的效果,但当聚类个数很大时,Xie-Beni指标将单调递减。针对此问题,分别考察改进的HubertΓ统计量和聚类分离度,导出一个新的基于数据几何结构的聚类有效性函数,使得它有惟一的最大值,函数值随聚类个数增大而递减的趋势并不影响最优聚类个数的判定。实验表明,该有效性函数能够发现最优的聚类个数,对于分类结构比较明确的数据,有良好的性能,而且对模糊因子m有良好的鲁棒性。