基于蚁群聚类算法的文本模糊聚类方法

针对模糊C-均值本文提出将基于蚁群算法的模糊聚类算法应用于文本聚类中,聚类采用二级结构,蚁群算法(ACA)作为一级结构,模糊C-均值聚类FCM用于二级结构。将此算法对文本集合进行聚类实验,并用分离系数、分离熵来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的聚类效果。     

一种改进的蚁群聚类算法在客户细分中的应用

分析了输入参数对算法聚类效果的影响,针对传统的蚁群聚类算法中参数设置依赖于经验的指导以及蚂蚁移动随机性大等问题,提出了一种改进的自适应蚁群聚类算法,算法中引入了自适应策略函数,通过设置相似度阈值,动态调整蚂蚁的运动状态,降低蚂蚁移动的随机性.将改进算法应用于客户细分,并将结果与K均值聚类算法进行了比较,实验结果表明:改进后的算法在迭代次数上更少,算法的收敛速度更快,识别客户的正确率更高.     

蚁群与遗传算法融合的聚类算法研究

目的 通过将蚁群与遗传算法融合,以解决蚁群聚类算法参数众多且与问题域相关,搜索容易出现停滞现象等问题.方法 将主要影响蚁群聚类算法性能的5个参数作为遗传算法中的染色体进行编码.首先设计遗传算法的选择、交叉、变异算子,进而将用于聚类结果评价的F-measure函数作为适应度函数,通过多次迭代找出最优的参数组合.结果 在仿真实验中,获得了较好的聚类效果.结论 蚁群与遗传融合的聚类算法较蚁群聚类算法有更大的优势.     

采用不确定性度量的粗糙模糊C均值聚类参数获取方法

针对粗糙模糊C均值聚类的阈值、权重选取问题,提出了一种基于不确定性度量的参数自适应获取方法.该方法将阈值选取归结为一个最优划分寻找问题,给出一种基于方差的划分优劣评价方法;利用信息熵来度量样本归属的模糊性,基于该模糊性度量和类簇的粗糙度,提出了一种权重参数自适应计算方法.将所提方法应用于粗糙模糊C均值聚类,并将分别基于所提方法与典型参数选取方法的粗糙模糊C均值聚类算法在人工数据集和真实数据集上进行实验比较.结果表明,基于所提参数确定方法的粗糙模糊C均值聚类能获得更好的聚类有效性和准确性.     

一种改进的快速全局k均值聚类分割算法

针对k均值聚类算法的聚类结果易受初始中心随机选择和噪声的影响,本文提出了一种改进的快速全局k均值聚类算法,该方法将聚类中心选择转化为一系列子问题,解决了k均值原始聚类中心的随机选择而导致聚类结果不正确的问题,通过中值方法选择新一轮聚类中心,缓解了k均值聚类结果易受噪声影响的问题.实验结果表明,本文提出方法提高了图像聚类分割的准确性.     

PCA-KDKM算法及其在微博舆情中的应用

针对K-means算法因随机选取聚类中心而易造成聚类结果不稳定的问题,提出PCA-KDKM算法。该算法使用主成分分析法对数据集的属性降维,提取主属性;利用k′dist曲线自动获取k值;计算平缓曲线上所含数据对象的均值并选取其中一值,作为首个初始聚类中心;利用基于密度和最大最小距离的算法思想进行聚类;结合类间距离和类内聚类提出聚类质量评价函数。将该算法与K-means、KNE-KM、QMC-KM、CFSFDP-KM在UCI数据集上进行聚类比较,结果表明该算法聚类结果稳定,聚类准确率高。将PCA-KDKM算法应用在微博舆情分析中,抓取不同类别的数万条数据进行聚类分析。实验结果表明,PCA-KDKM算法在微博舆情分析中有更高的准确性和稳定性,有利于及时发现热点舆情。     

一种新的基于蚁群原理的聚类算法

为了改善聚类分析的质量,提出一种与蚁群原理相结合的聚类方法. 首先对传统的聚类算法k-means进行改进,克服传统的k-means算法必须事先确定分类的个数k和选择聚类点的缺陷,然后将蚁群算法的转移概率引入k-means算法,对上述聚类结果进行二次优化.实验结果表明,改进的k-means与蚁群算法相结合的聚类方法比单一聚类算法更有效.     

基于蚁群算法的模糊C-均值聚类算法在声纹识别中的应用

提出了一种基于蚁群算法(ACG)的模糊动态C-均值聚类算法的声纹识别,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了算法在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解的缺点,动态地确定了聚类中心和数目.两者有机结合起来可以寻求到具有全局分布特性的最优聚类.将此算法运用于声纹识别上,从语音信号中提取待识别的特征矢量集,对待识别声纹信号进行识别.实验证明,该算法解决了算法对初始值敏感,易陷入局部最优的问题,且计算简单,识别率较高,具有较好的鲁棒性.     

基于蚁群算法的模糊C-均值聚类算法

提出了一种基于蚁群算法（ACG）的模糊动态C-均值聚类算法的声纹识别，该算法首先利用蚁群算法的较强处理局部极值的能力，克服了算法在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解的缺点，动态地确定了聚类中心和数目.两者有机结合起来可以寻求到具有全局分布特性的最优聚类.将此算法运用于声纹识别上，从语音信号中提取待识别的特征矢量集，对待识别声纹信号进行识别.实验证明，该算法解决了算法对初始值敏感，易陷入局部最优的问题，且计算简单，识别率较高，具有较好的鲁棒性.     

改进的粗糙集模糊聚类算法及其应用

通过将粗糙集和模糊聚类算法相结合, 利用粗糙集中上近似集和下近似集的概念改进模糊聚类算法, 解决了模糊聚类边界不确定的问题, 得到了上近似集和下近似集的聚类结果, 从而实现更好的聚类, 改进算法可以处理边界问题和复杂数据问题. 将改进的粗糙集模糊聚类算法用于研究环糊精聚类, 并将聚类结果与K均值聚类分析算法、 模糊C均值聚类算法相比, 实验结果表明, 改进算法有较好的聚类效果.     

基于交换机制的自适应蚁群聚类算法

在研究了基本聚类模型的基础上,模拟蚂蚁寻找食物源的行为,提出了一种基于蚁群最优化的自适应聚类分析的新方法。与之前的蚁群聚类不同,引入交换机制增强蚁群的觅食能力以提高聚类性能。该算法可以不用预先输入聚类数目,在仿真实验中该方法获得了比GCA算法和Kmeans算法更好的表现,表明这种基于交换机制的聚类算法具有较好的聚类性能。     

一种基于信息素扩散的蚁群聚类算法

作为数据挖掘技术的重要组成部分,聚类分析在很多领域有着广泛的应用.蚁群算法由于采用分布式并行处理和正反馈机制,具有较好的全局收敛性,并且在解决多种NP难问题中取得了成功.将信息素扩散模型引入到蚁群聚类算法中,通过设计新的信息素更新机制,提出一种新的基于信息素扩散的蚁群聚类算法.实验结果表明新算法在聚类效果上比基本的蚁群聚类算法有较明显的改善.     

基于蚁群算法的混合优化算法在TSP中的应用

针对蚁群算法收敛慢，易陷入局部最优的问题，提出了基于蚁群算法混合优化算法。该方法将传统蚁群算法中的启发式因子α，β作为每只蚂蚁的属性，利用遗传算法对蚂蚁的种群进行自然选择，优胜劣汰，优秀蚂蚁被保留并产生后代，蚂蚁的启发式因子在求解问题的动态过程中收敛到合理的范围内。将改进的算法应用于旅行商问题，实验结果表明，利用这一方法可使解的性能有所改进，并有效地减少了计算时间。     

基于动态参数蚁群算法的寻源导热反问题研究

基于蚁群优化算法,求解含有未知内热源位置的导热逆问题.通过分析计算表明:信息素启发因子、能见度启发因子、信息素挥发率等蚁群参数对蚁群选择路径以及路径上信息素浓度更新有直接影响,其取值最终会影响求解结果的准确性及收敛速度.在计算过程中,路径上的信息素浓度不断改变,蚂蚁选择路径也趋于集中,采用定值蚁群参数不能满足在整个计算过程中都具有良好的性能,为此提出了动态参数蚁群算法,并根据计算分析结果确定蚁群参数值随全局循环次数而变的动态函数.计算结果证明,采用动态参数蚁群算法能有效提高求解反问题的质量及收敛速度.     

一种新型的自适应多核学习算法

针对样本基数较大、 维数较高、 特征较复杂的数据集训练问题, 将支持向量机与蚁群优化算法相融合, 提出一种自适应多核学习算法. 利用吸引子传播聚类算法自适应地发现相似特征, 并据此利用蚁群算法自适应地选择核函数参数, 从而快速选择最优核函数. 通过UCI数据集的5组数据实验表明, 该算法相比于传统的支持向量机分类准确率和F₁值更高, 验证了该算法的有效性和可行性.     

基于蚁群聚类算法的彩色图像量化方法

提出了一种新的彩色图像颜色量化算法:蚁群聚类算法.该算法通过模拟蚂蚁对物体的捡起和丢弃行为,得到一种捡起和丢弃像素的概率模型,对RGB彩色空间下的彩色图像进行了聚类.实验结果表明蚁群聚类算法实现起来简单快捷,并且取得了很好的颜色量化效果.     

基于蚁群算法的故障识别

提出了一种新的基于蚁群算法的故障诊断知识获取算法。该算法将故障诊断中故障的识别分类问题转化为求解带约束的最优化聚类问题,并应用改进的蚁群算法,基于群体的协作与学习求解这一聚类问题。将该方法应用于一化学反应器的故障诊断过程,结果表明该算法具有实现简单、收敛速度快、本质分布式并行性、鲁棒性强以及故障识别结果可靠等优点。     

改进FCMS算法及其在颅内肿瘤图像分割的研究

为了提高脑部肿瘤的磁共振成像(MRI)在肿瘤分割方面的精度和分割效率,提出了自适应阈值蚁群模糊聚类算法(TSAG_PnFCMS)。针对传统的模糊c均值聚类(FCMS)算法对噪声敏感,以及MRI图像中存在属性不同的样本点,在聚类过程中,将不同属性样本点的相关系数作为权重融入到欧氏距离的计算,提高聚类精度;针对蚁群算法容易陷入局部最优,提出一种自适应阈值蚁群算法,提高算法的全局搜索能力,将自适应阈值蚁群算法与改进的模糊聚类算法相结合,提高系统的分割精度和抗噪声性能,使得最终的分割效果达到最优。通过轮廓系数、目标函数收敛结果以及迭代时间进行实验仿真对比,表明改进算法的有效性,可见算法为颅内肿瘤图像的分割提供了可靠的技术手段。     

一种基于密度的启发性群体智能聚类算法

提出一种基于密度的启发性群体智能聚类算法.针对以往群体智能聚类算法中分类错误率较高、算法运行时间较长等不足,提出记忆体方法和基于密度的先行(look ahead)策略.用人工数据集和真实数据集进行实验,将实验结果进行比较分析.分析结果表明,基于密度的启发性群体智能聚类算法能够得到令人满意的聚类结果,其分类错误率和运行时间明显小于其它聚类算法.     

基于蚁群聚类的多目标跟踪航迹起始方法

针对杂波环境下的航迹起始的NP难问题,提出了一种基于蚁群聚类的数据关联方法.为每个测量数据赋予给定的特征值,利用基于拾起和放下的蚁群聚类算法确定所需起始目标航迹数目,利用模糊蚂蚁聚类算法提取目标航迹.数值仿真结果表明:在杂波密度稀疏、目标交叉运动的条件下,目标航迹起始的成功率为100％,最大运行时间为2.131 s;在密集杂波条件下,航迹起始的成功率为100％,最大运行时间为12.378 s.