一种基于模糊聚类的小波图像压缩方法

基于小波变换的图像压缩算法在比特率较低时会出现重构图像边缘模糊现象．在充分考虑高频子带小波系数的分布特性对保存边缘、纹理等信息的影响之后，提出了一种新的基于势函数模糊聚类的方法来解决重构图像边缘模糊问题，实验结果显示：这种方法能较好地保存图像边缘和纹理信息，有效地减少边缘模糊现象和改善重构图像的主观质量．     

一种采用直方图小波变换的纹理分割算法

提出了一种采用直方图小波变换获得初始聚类原型的图像纹理分割模糊算法；多纹理图像采用自相关函数作为纹理测度，再对图像自相关函数直方图作小波多分辨分析得到初始聚类原型，利用模糊C-均值聚类算法进行纹理分割；对合成纹理图像的实验结果表明了该算法的有效性。     

一种基于类四叉树的位置K-匿名算法

通过对Casper模型在匿名度和位置服务精准度方面优化,提出了一种基于类四叉树的位置K-匿名算法. 该算法采用自底向上的机制,在扩大扫描区域时,对请求用户所在网格的周边网格进行优先扫描,然后再进行层级和空间分辨率上的提高. 实验结果表明,该算法能够更好地提高位置服务的质量和匿名区域的准确度.      

一种基于小波变换的模糊聚类算法及其应用

为准确对输电线路故障性质、故障相等进行识别,提出一种基于小波能量比值的模糊C-均值聚类(FCM)算法,并研究了该算法在输电线路的永久性和瞬时性故障识别中应用的可行性.结合小波分析的时频分析能力、小波能量比值的特征提取能力和FCM的模式识别能力,建立一实际500kV输电线路的PSCAD模型,对单相故障产生时的暂态电流进行了聚类分析和识别.仿真结果表明:基于小波能量比值的FCM算法能较好地识别故障相与非故障相,且算法收敛速度快,识别结果准确.     

一种并行自适应微粒群聚类算法

大规模的数据挖掘如聚类问题迫切需要大量计算,提出了自适应微粒群优化的并行聚类算法。通过从多种群并行地开始搜索,基于群体搜索技术的微粒群优化算法减少了初始条件的影响,采用任务并行和部分异步通信策略,降低计算时间。结合并行微粒群算法的自适应参数动态优化特性,克服群体逐渐失去迁移性而停止进化的问题,保持群体多样性从而了避免种群退化。仿真实验证明,该算法在并行机群上运行时,加快了聚类算法的计算速度,提高了聚类质量。     

一种基于自同步技术的音频水印算法

提出一种基于自同步技术的音频水印算法,该算法在小波变换域的低频系数中选取具有重要特征系数作为同步信号.通过修改同步信号相邻的若干系数实现水印的嵌入.水印检测不需要参考原始音频信号,是一种盲检测水印算法.实验结果表明了该算法的鲁棒性和不可感知性.     

改进的基于密度和网格的高维聚类算法

针对综合了基于密度和网格的CLIQUE聚类算法,提出了一种改进的方法,并给出了简单的有效性验证。     

一种基于引力的聚类算法

将万有引力和牛顿第二运动定律的思想引入到聚类分析中,提出了一种基于引力的聚类算法CABG．该算法可以自动决定目标数据集中的簇的个数,并且能发现任意形状的簇且可以过滤“噪声”数据．实验结果表明CABG可以产生高质量的聚类结果．     

一种新的层次谱聚类算法

提出一种新的聚类算法——层次谱聚类算法.该算法在传统二分的SM谱聚类的过程中嵌入了层次聚类算法,目的是为了提高谱聚类的聚类正确率,同时又利用谱聚类纠正了层次聚类过程中所得到的歪斜划分.实验结果表明:提出的层次谱聚类算法的聚类正确率比层次聚类算法、谱聚类算法的聚类正确率都要高,同时又纠正了层次聚类过程中的歪斜划分.     

一种基于矩阵变换的层次聚类算法

针对K-means算法需预先确定聚类数的缺陷,提出一种基于矩阵变换的层次聚类(NHC)算法,通过对矩阵行列的排序、变换,把矩阵分块成子矩阵聚类,以熵作为评价聚类结果标准.实验表明,NHC算法的执行效率和聚类精度高于传统的HCM(hard C-means)算法.     

WIDE:海量数据的聚类算法

给出了一种新的处理海量数据的聚类算法WIDE（window-density clustering algorithm）．它通过网格方法将数据之间的相互关联局部化，通过窗口技术来提高算法的效率，通过密度方法提高聚类的精度．以窗口为中介将网格方法和密度方法融合在一起是算法的主要思想．在此基础上对算法进行了扩展，在功能方面实现了混合型数据聚类、含障碍物数据聚类和增量数据聚类；在速度方面实现了分布式并行聚类．WIDE算法能够在局域网中的多台计算机上并行工作，效率高，计算复杂度为O（N），且能够发现任意形状的聚类，对噪声不敏感．     

聚类算法综述

聚类分析是一种基本的数据分析方法,它在数据挖掘,统计学,空间数据库技术,人工智能,生物学研究,机器学习,模式识别等领域都得到了广泛的应用.论文介绍了各类主要的聚类算法,并概述了其主要应用领域.     

基于机群系统的并行划分聚类算法

从划分聚类要求的时间和空间上看，传统的串行算法已很难适应海量的数据，有必要研发高性能、可扩展的并行算法来解决这一问题，基于一些主要的并行划分聚类算法所存在的问题，提出了在机群系统上采取数据并行策略设计的并行划分聚类算法思想。     

基于降维的聚类可视化技术

基于降维或映射技术的聚类结果可视化技术提供了在二维或三维空间直观地分析数据集的聚类结构、聚类质量和分布信息的有效手段.对线性降维可视化方法、非线性降维可视化方法及映射可视化方法等进行了介绍、实例展示和讨论分析,最后对这类方法的优缺点、存在的问题和进一步的研究方向做了总结和展望.     

基于Web日志的高精度聚类算法

提出一种Web日志挖掘算法,该算法首先以Web站点的URL为行、以用户的UserID为列,建立URL- UserID关联矩阵,元素值为用户的访问次数;然后,对行向量进行相似性度量获得用户会话粗聚类,最后,利用层次结构对比聚类算法,对用户会话粗聚类进行进一步地处理得到更高精度的聚类,实验表明该算法在提高聚类精度方面卓有成效。     

基于MapReduce的并行子空间聚类算法

随着现有数据体量的迅速增长,超大规模中高维数据集的聚类问题变得越来越重要;而现有的子空间聚类算法大多是单机串行执行,处理此类问题效率极低。讨论了利用MapReduce对这类数据集进行并行聚类的方法,提出了基于MapReduce的抽样-忽略子空间聚类算法(sample-ignore subspace clustering using MapReduce,SISCMR)。该算法将串行聚类算法用作插件,具有很好的通用性。在人造和真实数据集上进行了大量实验,其中最大为0.2 TB的数据集在128个核心的集群中仅用不到10 min就完成了聚类,验证了该算法良好的聚类质量、近线性的可扩展性和高效的聚类性能,证明了基于MapReduce的并行聚类的可行性。     

聚簇的分布式SVM算法优化

针对分层并行SVM算法采用完全随机划分方法生成的子样本集与原始样本集的分布情况存在偏差的问题,提出分布式k-means聚簇的导向随机划分方法。该方法并非将上一层的训练结果直接作为下一层的输入,而是使用k-means聚簇算法聚成下一层节点数N的不同簇,然后把每一簇样本再随机划分成N份,从每一簇中随机取出一份重新组合成下一层训练的N个子样本集,进而保证子样本集与原始样本集的分布情况具有相似性。结果表明,该方法既能有效提高学习能力,又能减少多次训练模型的抖动。     

基于蝙蝠算法的K均值聚类算法

为解决传统 K-means 算法中因初始聚类中心选择不当而导致聚类结果陷入局部极值的问题, 采用蝙蝠算法搜寻 K-means 算法的初始聚类中心, 并将模拟退火的思想和基于排挤的小生境技术引入到蝙蝠算法中, 以克服原始蝙蝠算法存在后期收敛速度慢、 搜索力不强等问题。 同时, 通过测试函数验证了其有效性。 最后利用改进后的蝙蝠算法优化 K-means 算法的初始聚类中心, 并将该改进的算法与传统的 K-means 算法的聚类结果进行了对比。 实验结果表明, 改进后的算法的聚类性能比传统的 K-means 算法有很大提高。     

一种增量式文本软聚类算法

针对传统文本聚类算法时间复杂度较高，而与距离无关的算法又不适用于动态、变化的文本集等问题，提出了一种基于语义序列的增量式文本软聚类算法．该算法考虑了长文本的多主题特性，并利用语义序列相似关系计算相似语义序列集合的覆盖度，同时将每次选择的具有最小熵重叠值的候选类作为一个结果聚类，这样在整个聚类的过程中大大减小了文本向量空间的维数，缩短了计算时间．由于所提算法的语义序列只与文本自身相关，所以它适用于增量式聚类．实验结果表明，算法的聚类精度高于同条件下的其他聚类算法，尤其适合于长文本集的软聚类．