K-means聚类算法的一种改进方法研究

针对K-means聚类算法对初始聚类中心敏感问题,提出1种结合方差与误差平方和的优化算法.首先,该算法基于方差和距离选取k个位于不同区域且样本点相对集中的集合.然后,分别选取使这k个样本集合误差平方和最小的数据作为k个初始聚类中心.利用改进算法与其他算法将UCI数据库中所选取的数据集进行聚类划分,对比不同算法下的聚类结...     

一种新的密度加权粗糙K-均值聚类算法

为了克服粗糙K-均值聚类算法初始聚类中心点随机选取,以及样本密度函数定义所存在的缺陷,基于数据对象所在区域的样本点密集程度,定义了新的样本密度函数,选择相互距离最远的K个高密度样本点作为初始聚类中心,克服了现有粗糙K-均值聚类算法的初始中心随机选取的缺点,从而使得聚类结果更接近于全局最优解。同时在类均值计算中,对每个样本根据定义的密度赋以不同的权重,得到不受噪音点影响的更合理的质心。利用UCI机器学习数据库的6组数据集,以及随机生成的带有噪音点的人工模拟数据集进行测试,证明本文算法具有更好的聚类效果,而且对噪音数据有很强的抗干扰性能。     

基于密度的改进聚类算法比较

针对传统K-means算法的聚类结果依赖初始聚类中心的缺陷,提出了一种基于密度的改进K-means聚类算法,该算法选择位于数据集样本密集区且相距较远的数据对象作为初始聚类中心,实现K-means聚类。针对PAM算法时间复杂度高,且不利于大数据集处理的缺陷,提出了一种基于密度的改进K-medoids聚类算法,在选取初始中心点时根据数据集样本的分布特征选取,使得初始中心点位于不同类簇。UCI机器学习数据库数据集和随机生成的带有噪音点的人工模拟数据集的实验测试证明,基于密度的改进K-means算法和基于密度的改进Kmedoids算法都具有很好的聚类效果,运行时间短,收敛速度快,有抗噪性能。     

优化初始中心的模糊C-均值(FCM)算法

文章针对模糊C-均值(FCM)算法对初始中心敏感的缺点,通过计算样本的权重,提出基于权重的初始中心选取算法,选取有代表性的样本作为初始聚类中心,给出优化初始聚类中心的FCM算法.与传统算法比较,改进算法可以得到较稳定的结果,并且提高了聚类的准确率;实验证明了改进算法的有效性.     

一个基于k-means算法的聚类

用k-means算法对二维数据进行聚类分析,并用C#语言实现了该算法。先按照样本点的距离进行初始划分,然后再按照各样本点和初始中点的距离远近进行聚类。结果表明,k-means算法对二维数据的聚类是有效的,实现该算法的程序对二维数据的聚类具有通用性。     

基于颜色空间和优化初始中心的模糊c均值聚类算法

提出了一种基于HIS空间的优化初始中心的模糊c-均值的彩色图像分割方法．首先将彩色图片由RGB转换为HIS,并将H和1分开处理,通过计算样本的权重,选取有代表性的样本作为初始聚类中心,给出优化初始聚类中心的FCM算法,将该算法应用于H和I通道,得出新的基于颜色空间的FCM算法．该算法可以得到较稳定的结果,并且提高了聚类的准确率．     

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.     

K—means聚类算法的研究

为解决原始K-means算法随机选取初始聚类中心对聚类结果的影响较大的不足,提出了改进算法.采取基于采样选取聚类中心距离的规则,进行多次选择决定最终的初始聚类中心,使得改进后的算法受初始聚类中心选择的影响达到最小;同时,在选取初始聚类中心后,对初值进行数据标准化处理.将改进的K-means算法应用于销售行业,结果显示,改进后的算法比原始的算法在效率上得到了提高.     

基于数据场的Kohonen聚类神经网络

Kohonen聚类神经网络（KCN）在处理数据集的聚类问题时具有良好的准确性.但KCN算法在随机选取初始权值时存在不足,而且在处理存在孤立点和“噪声”时算法鲁棒性和可靠性较差.使用数据场的概念对KCN聚类算法进行了有益的改进.实验表明,改进后的算法相对于随机选取初始权值具有较高的准确率。摘要：Kohonen聚类神经网络（KCN）在处理数据集的聚类问题时具有良好的准确性．但KCN算法在随机选取初始权值时存在不足，而且在处理存在孤立点和“噪声”时算法鲁棒性和可靠性较差．使用数据场的概念对KCN聚类算法进行了有益的改进．实验表明．改进后的算法相对于随机选取初始权值具有较高的准确率．     

一种基于复杂网络属性值的K-means聚类算法

传统-means聚类算法的性能依赖于初始聚类中心的选择.本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的K个节点作为聚类的初始聚类中心,然后进行聚类迭代过程.实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量.     

一种基于k-prototype的多层次聚类改进算法

针对k-prototype算法在处理复杂的数据集时,常出现一些纯度不高的簇,影响了聚类质量的问题,提出一种基于k-prototype的多层次聚类改进算法,利用属性自动选择的方法将一些纯度不高的簇进行再聚类,以提高聚类质量.以UCI标准测试数据集进行实验,实验结果表明,该改进算法能够明显提高混合型数据集的聚类质量,并且在数据约简方面有良好表现.     

基于信息熵改进的 K-means 动态聚类算法

初始聚类中心及聚类过程产生的冗余信息是影响K-means算法聚类性能的主要因素,也是阻碍该算法性能提升的主要问题.因此,提出一个改进的K-means算法.改进算法通过采用信息熵对聚类对象进行赋权来修正聚类对象间的距离函数,并利用初始聚类的赋权函数选出质量较高的初始聚类中心点;然后,为算法的终止条件设定标准阈值来减少算法迭代次数,从而减少学习时间;最后,通过删除由信息动态变化而产生的冗余信息来减少动态聚类过程中的干扰,以使算法达到更准确更高效的聚类效果.实验结果表明,当数据样本数量较多时,相比于传统的K-means算法和其他改进的K-means算法,提出的算法在准确率和执行效率上都有较大提升.     

基于自表示的双图规格化特征选择聚类

特征选择得到的识别特征可以用于聚类分析,提高聚类分析的质量.受数据自表示特性和双图规则化学习的启发,提出了一种新的特征选择聚类算法.利用数据和特征的自表示特性,不仅保留了数据的流形信息,而且保留了特征空间的流形信息.此外,为了充分发挥双图模型的作用和鉴别局部聚类的效果,加入局部判别特征选择聚类,大大提高了聚类的有效性和...     

一种增量式MinMax k-Means聚类算法

针对MinMax k-means算法易产生空解、 收敛速度慢和计算效率低的问题, 提出一种增量式MinMax k-means聚类算法. 该算法从给定的初始聚类个数开始, 以固定步长递增式产生新的聚类中心, 采用基于数据均衡的快速分裂方法产生增量聚类中心, 从而避免了传统增量聚类中心选择中遍历数据、k-means聚类算法运行次数过多导致的大计算量问题. 与MinMax k-means及相关算法的对比实验结果表明, 该算法在计算效率和求解精度上均优于对比算法, 有效改善了MinMax k-means聚类对初始化中心敏感和易产生空解的问题.     

基于K均值算法的数据聚类和图像分割研究

K均值算法利用K个聚类的均值作为聚类中心,通过对比样本到各聚类中心的距离,将样本划分到距离最近的聚类中,从而实现样本的聚类.分析了K均值算法的基本原理和实现步骤,并将其应用于数据聚类和图像分割,取得了较好的聚类效果.最后,针对K均值算法的不足之处,提出了改进措施,提高了K均值算法的聚类性能.     

改进模糊聚类算法及其在入侵检测中的应用

针对将数据集隶属度概率和为1的条件用于模糊性事件时,影响聚类的正确率的情况,在不确定理论的基础上,研究了数据隶属度问题,提出一种新的基于隶属关系不确定的可能性改进模糊聚类算法.该算法在迭代过程中将聚类的可能隶属度与不确定性隶属度引入到目标函数中,使得样本中的元素不局限于仅属于一个聚类,与现有的聚类算法相比具有更好的聚类结果.通过在KDDCUP99数据集上实验,验证了该算法在入侵检测中的检测率为95.8%, 分别高于K-均值算法的检测率(60.4%)和FCM算法的检测率(64.6%).     

分层的无线传感器网络非均匀分簇路由算法

为解决无线传感器网络分簇路由算法因簇间长距离通信而带来的高能耗以及路由寻址复杂的问题,提出了一种基于分层的非均匀分簇路由算法。该算法对非均匀分簇算法进行了改进,在竞争半径的计算上同时考虑了节点的位置和剩余能量,以使簇头的负载更加均衡。采用层间多跳通信方式进行数据传输,不仅避免了节点的长距离通信问题,而且简化了数据转发过程。仿真实验表明：与低功耗自适应分簇路由算法和非均匀分簇算法相比,该算法能够有效地节约簇头的能耗,减少网络的系统能量开销,延长网络的工作周期。     

一种自底向上的高维聚类算法

基于小波变换的聚类算法是高效的,能够探测到任意形状的聚类,可成功去除孤立点,并对输入数据的顺序不敏感．但当聚类维数增长时,算法的有效性会降低,计算复杂度也相当可观．采用自底向上的思想对小波聚类算法进行改进,使之适合高维聚类,并将改进算法并行化以增强可伸缩性．实验表明改进算法并未影响聚类质量,而且可有效地进行高维聚类,并降低了计算复杂度．     

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。     

人工免疫C-均值聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制，提出了一种人工免疫C-均值混合聚类算法．该算法采用了新的克隆选择方法，通过亲和度排序和个体浓度定义了个体的选择概率，从而可确定个体的适应值评价函数，以评价和选择个体．算法还集成了一种C-均值搜索算子，用于加快收敛速度．在聚类数目已知的情况下，所提算法能够得到给定数据集下的全局最优划分，与基于遗传算法的聚类方法比较，它具有更快的收敛速度和更高的收敛精度，并可扩展到性能指标能够表示为优化聚类中心函数的聚类模型之中．仿真结果表明，所提算法是有效性的．