聚类谱系图的计算机打印及其应用

聚类谱系图是聚类分析中必不可少的十分有效的分析手段.当聚类样品数较少时,可将聚类结果用手工画出谱系图,但当样品数较大时,用手工绘制谱系图就很困难繁杂,甚至不可能.从而限制了系统聚类法在大样品情况下的应用.为解决这一问题,本文编制了通用的计算机程序,用这个程序可迅速准确地把谱系图在打印机上打印出来,聚类结果一目了然.1 基本方法与实例计算 给定一组数据,样品数为n ,因子个数为m. (1)聚类计算 ①开始形成几个类,每类含一个样品.由它们形成n×n距离(或相似系数)对称矩阵; ②从距离矩阵中找出距离最近(最相似)的两个类,设为U和V,…     

聚类分析在图像边缘提取中的应用

提出了一种结合数据挖掘方法——聚类分析提取图像边缘的算法．该算法先用拉普拉斯算子给出图像各像素的二阶导数,然后根据一组预先给定的闲值,将图像中的像素分类,每一个像素仅属于一类．在这些类中进行某种准则的凝聚层次聚类．完成聚类后,就得到了图像的边界．比较而言,该算法有效地避开了由噪声信号引起的大量孤立点,更清楚地输出图像边界．在一定程度上,该算法弥补了拉普拉斯算子的不足（孤立点比较多）,发扬了拉普拉斯算子的长处（边界完整程度比较高）．     

三类图的拉普拉斯谱半径的极限点

将图的结构与对应的拉普拉斯矩阵相结合,研究其拉普拉斯特征多项式。根据拉普拉斯特征多项式的特征求出了图的拉普拉斯谱半径的极限点。利用图经粘连运算后的拉普拉斯特征多项式以及图的拉普拉斯谱半径的上界和下界,证明了三类图的拉普拉斯谱半径的极限点的存在性,证明了n→∞时图类的拉普拉斯谱半径是某方程的最大根。     

多特征融合的超像素谱聚类MRI脑肿瘤图像分割

为了有效地提高MRI脑肿瘤图像的分割精度,更好地辅助医生诊断病情,提出了一种多特征融合的超像素谱聚类MRI脑肿瘤图像分割方法.首先通过简单线性迭代聚类分割的超像素替代像素点来构建加权无向图,并且融合多种图像特征构建相似度计算函数,同时采用自适应的方式计算高斯核的尺度参数,根据相似度函数计算相似度矩阵进而求得拉普拉斯矩阵...     

基于热核嵌入的图像分类技术

由于热核具有反映图像几乎全部背景信息的性质,提出利用热核特征代替图像谱特征来反映图像特征以提高图像的分类准确率。在对图像提取热核特征前先对图像的特征点检测算法做了改进,即采用Canny-Harris与Harris-Laplace相结合算法对图像进行特征点的检测。然后利用改进算法得到的特征点建立图的谱特征(邻接矩阵特征与拉普拉斯矩阵特征)以及热核特征,最后对这些特征进行SVM分类并比较实验结果。     

基于图滤波的快速谱聚类

谱聚类是一种无监督学习方法,在许多环境中都能高效地进行应用,且易于实现,已经成为非常流行的聚类算法之一.然而谱聚类仍面临两个主要的问题:(1)如果数据量过大,在对拉普拉斯矩阵进行特征分解时,需要大量的计算;(2)k-means在面对大量数据时也会有计算时间过长的缺陷.为了克服这两个缺陷,文章提出了一种基于图滤波的快速谱...     

基于Normalized Cut的基因表达数据聚类

利用基因表达数据进行聚类分析可提高肿瘤诊断的正确率,对生物医学研究具有重要意义.该文将Normalized Cut应用于基因表达数据的聚类中,将样本映射为高维空间的点,利用亲近矩阵和度矩阵构造正规Laplacian矩阵,经SVD分解得到反映原始样本类别信息的指示向量,利用指示向量各分量的符号差异实现基因表达数据的聚类.通过对白血病和结肠癌数据集的实验,证明了该文方法的有效性.     

基于乘法更新规则的k-means与谱聚类的联合学习

k-means和谱聚类是两种应用最广泛的聚类技术.k-means是基于矩阵分解的聚类方法,并且是在数据空间上基于误差极小化的聚类方法.谱聚类是基于图的聚类方法,并且是基于两点在数据空间和特征空间的相似性保持的聚类方法.为了利用两者的优势,提出一种基于乘法更新规则的k-means和谱聚类的联合学习方法,该方法将k-mea...     

基于马氏距离谱特征的图像匹配算法

传统的基于谱特征的图像匹配算法中,采用的欧式距离度量不能公平地反映数据样本各维度分量之间的潜在关系,并且当存在较大的形变和出格点时匹配精度和稳定性较差.为了解决谱特征构造中所存在的问题,文中提出一种基于马氏距离谱特征的图像匹配算法.该算法首先利用马氏距离在子特征点集上构造局部无向加权图;接着对图的关联邻接矩阵进行奇异值分解,用特征值向量构造描述点集属性的马氏距离谱特征;然后根据马氏距离谱特征构造出匹配矩阵,并利用贪心算法得到图像特征点之间的匹配关系;最后,为了进一步提高匹配的精度,采用SVM方法剔除误匹配点.大量实验结果表明,该算法提高了匹配的精度,并且对出格点问题具有较高的鲁棒性.     

考虑空间格局的谱聚类算法及其应用

采用基于划分的空间聚类方法对地理要素进行聚类时,若仅考虑属性数据,得到与实际空间分布不相符的聚类结果。提出一种考虑空间对象属性特征和空间位置关系的谱聚类方法,首先,计算空间对象的局部离群指数,结合空间格局将样本中的异常点剔除,然后以空间临近为约束条件进行谱聚类分析。以包头地区土壤重金属形态数据为例进行聚类分析,分析结果表明:该方法能够克服谱聚类对初始聚类中心敏感的问题,既能反映属性特征数据的相似程度,又能反映对象的空间分布特性,对空间对象的聚类分析效果优于传统的谱聚类算法。     

基于谱聚类的BaaS资源负载均衡调度算法

Fabric作为超级账本的核心项目,以其多通道的设计为用户提供更为隐私的交易空间,为了解决基于分布式架构下的多通道资源负载均衡问题,提出了基于NJ W谱聚类的区块链即服务(BaaS)负载均衡调度算法SC-channel.该算法将平台子节点的数量作为划分类簇数量的依据,首先,基于通道采用peer之间的Jaccard系数构造相似矩阵;其次,计算拉普拉斯矩阵,求取前k个特征值和特征向量并将特征向量单位化;最后,用基于数量加权的k-means算法完成聚类.在Kubernetes平台上对这种方法进行验证,并与采用经典k-meansi的NJW算法默认调度算法下的资源负载均衡度做了比较分析.结果表明,采用基于谱聚类的BaaS资源负载均衡调度算法可提高资源利用的均衡程度,增强了平台的可用性与可靠性.     

基于谱聚类的词和文档的联合聚类

文档聚类和词聚类都是重要且被充分研究的问题.大多数现有的聚类算法针对文档和词是分别聚类,不是同时的.本文提出文档集作为文档和词间的一个二部图的模型思想,使用这个思想,联合聚类问题可以被看成二部图的分割问题.为了解决图的分割问题,使用一个新的联合谱聚类算法,即使用适度规模的词-文档矩阵的奇异向量产生好的分割结果.谱算法得到一些最佳的性能,表明奇异向量通过连续放松解决图划分的NP难问题.最后通过实验结果验证联合聚类算法在实践中非常有效.     

谱聚类在社团发现中的应用

在分析谱聚类原理的基础上,研究了其在社团发现中的应用,提出了快速估计社团数量的新方法.该方法通过计算和分析Laplacian矩阵特征值的分布来估计社团的数量,利用K-means算法对Laplacian矩阵特征向量构造的向量空间进行聚类,实现社团的发现.该算法在真实社会网络和合成网络上做了测试,验证了在社团发现中的准确性和有效性.      

基于图谱归一化编辑距离的聚类算法

图之间的距离度量一直是研究的难点之一。文中提出了一种基于图谱归一化编辑距离的聚类方法。首先利用图的谱方法实现图中点的排序,再用串编辑距离进行两图之间的相似性度量,以此距离构成的不相似矩阵,应用基于矩阵理论的聚类算法实现序列图的聚类研究。考虑到图中点的多少差异,给出归一化串编辑距离的方法解决长短谱序列间距离差异误差问题。实验表明,基于图谱归一化编辑距离的聚类方法是有效的。     

基于边聚类系数的谱聚类社区划分方法研究

针对图谱划分方法在划分社区结构不是很明显的网络时,不能得到好的划分效果,该文提出了基于边聚类系数的谱聚类社区划分方法.由于社区内部节点之间的连接比各个社区间节点的连接稠密,边聚类系数的大小反映了节点的聚集程度,因而通过网络中的边所构三角形的数量定义了聚类系数矩阵,矩阵中的元素即处于网络中的边实际构成三角形的数量.在增益函数最大化的过程中,使用了矩阵的特征值和特征向量,以此来进行社区划分.通过在真实网络数据中进行实验,结果表明该算法可行.     

图的Laplacian矩阵谱半径

设G为n阶简单连通图,若L(G)为图G的度对角矩阵与邻接矩阵的差,则称L(G)为图G的Laplacian矩阵.结合非负矩阵谱理论,利用图的顶点度和平均二次度给出了图G的Laplacian矩阵的谱半径的新上界,同时给出了达到上界的极图.     

无符号拉普拉斯矩阵的谱整变化

设G是一个简单图,Q（ G）是它的无符号拉普拉斯矩阵。本文讨论了简单图G在添加一条边时其无符号拉普拉斯矩阵Q（G）的谱在两处发生整数变化的条件。     

关于图的Laplacian谱半径的一个改进上界

设G为n阶简单连通图,若L（G）为图G的度对角矩阵与邻接矩阵的差,称L（G）为图G的Laplacian矩阵．本文利用图的度序列平方和与非负矩阵谱理论给出了L（G）的谱半径的一个新上界,改进了现有结果．     

基于DCBM的马尔可夫谱聚类社区发现算法

谱聚类划分算法是经典社区发现算法之一,由于目前构造的相似图承载的社区结构信息较少,导致聚类效果与理想效果具有较大差距,因此,提出了基于DCBM的马尔可夫谱聚类社区发现算法MSCD.首先,基于DCBM模型提出了以节点间连接概率为元素的概率矩阵,并建立了概率矩阵与相似矩阵之间的映射关系;其次,利用马尔可夫链重构了谱聚类的相似图;最后,使用重构的相似图对网络进行社区划分.在人工合成网络和真实网络上与SC,MRW-KNN和FluidC三种典型算法进行了对比实验.实验结果表明,MSCD算法具有更加高效的聚类性能,能够揭示更加清晰的社区结构.     

基于最优化分类的视频镜头谱聚类算法

谱聚类是目前最有效的视频镜头聚类算法之一,但是如何自动选择最优化的分类个数仍是谱聚类算法中的难题。该文提出一种基于最优化分类的视频镜头谱聚类算法,对每个镜头采用分区域的Gauss混合模型(DGMM)进行特征建模,并提取模型参数特征作为镜头谱聚类的特征向量,通过构造DGMM和谱聚类的联合评价函数来自动选择最优化的分类个数和特征空间维数。实验结果表明,该文提出的算法比原有谱聚类算法分类结果更加准确和有效。