基于在线评论和Kano模型的顾客需求双聚类分析

利用互联网技术及时掌握顾客需求的变化,是现代企业进行产品设计的一项重要任务.在Kano模型中,每个需求只能属于一个需求属性,而客户需求是动态的,会随着职位、偏好等的变化而变化.因此,传统的聚类算法已经不能对客户需求做出更为准确的分析.针对如何掌握顾客需求的方向问题,提出基于贪心迭代搜索的双聚类算法的方法进行研究分析.首先,针对某类产品在线评论进行筛选和过滤,挖掘其中潜在的信息,确定顾客需求要素;其次,利用顾客对不同需求要素的满意度评分数值来建立顾客-需求矩阵;最后,分别使用传统聚类算法和双聚类算法对该矩阵进行研究.研究结果表明,双聚类算法的结果更有效一致,更容易发现数据的相关性,可以为相关行业提供有用的顾客需求信息.     

一种基于粗糙均方残基的模糊双聚类方法

双聚类作为一种无监督的学习方法,其作用是对基因表达数据进行分析.为了获取较大容量的双聚类簇,弥补传统的双聚类方法在基因表达数据一致波动性方面的不足,引入粗糙集的上、下近似集概念,将粗糙集理论运用到模糊双聚类算法中,将粗糙上、下近似集与加权均方残差相结合,得到新的粗糙均方残基,进而提出一种基于粗糙均方残基的模糊双聚类算法.针对基因表达数据集,首先进行缺失值填补;其次,用非负矩阵分解算法对基因数据集进行降维;最后,计算数据矩阵的粗糙均方残基,结合综合评判度量函数与贴近度原则对矩阵的行列进行删除和添加,得到容量更大的双聚类结果.实验结果表明,该模糊双聚类算法是有效的.     

多目标人工蜂群双聚类算法在基因表达数据中的应用研究

基于多目标优化的双聚类算法能够同时优化均方残差和尺寸等多个相互冲突的目标,更好地挖掘出均方残差较小、尺寸较大的双聚类,提出了一个多目标人工蜂群双聚类算法．该方法首先采用组信息对蜜源进行编码,然后使用2种交叉和1种变异操作分别实现算法的局部搜索和全局搜索,最后根据非劣排序和拥挤距离对外部档案进行修剪．在2套真实的基因表达数据集上进行实验,结果表明:与其他公开算法相比,多目标人工蜂群双聚类算法具有较好的收敛性和种群多样性,同时挖掘出具有显著生物意义的双聚类．     

分布式k-means聚类算法的改进

经典的分布式k-means聚类算法随机选取初始聚类中心,进行多次的迭代,容易使得聚类效率低,网络通信量大,而且聚类结果不稳定。针对这些问题,提出一种改进的分布式k-means聚类算法。该算法通过划分数据集,计算属性最密集的k个数据块作为聚类中心,以确保聚类中心的代表性,进而减少算法的迭代计算次数,提高聚类效率。通过在Hadoop分布式平台上进行实验,结果表明改进算法能减少迭代次数和收敛时间。     

基于近似骨架和混合蛙跳算法的K-means方法及其在眼底病历图像中的应用

为提高K-means算法全局搜索能力,提升聚类效果,提出一种基于近似骨架和混合蛙跳算法的K-means方法。该方法首先利用经典的混合蛙跳算法取代K-means算法中原有迭代公式,获得更优秀的聚类结果;然后对获得的聚类结果,使用基于近似骨架和混合蛙跳算法的K-means算法不寻找聚类中心,而是直接对簇的划分进行修改。UCI数据集实验结果表明,使用改进的聚类算法获得的聚类结果,较其他算法结果更为优秀。最后将改进后的聚类算法应用到医学眼底病历图像中,可以得到较好的血管切割效果。     

一种改进的基因表达数据双聚类算法

对基因表达数据进行双聚类分析是生物信息学领域的一种重要技术方法,但双聚类问题已被证明属于NP难问题.目前针对基因表达数据的双聚类算法都存在时间效率较低的问题.为此,采用遗传算法与粒子群优化算法相结合的混合进化算法来求解基因表达数据的双聚类问题.实验结果表明,所提算法在明显减少运行时间的同时,仍能保证良好的聚类效果.     

基于并行的非支配排序遗传Ⅱ算法优化双聚类

双聚类是微阵列基因表达数据分析中很实用的一种数据挖掘技术,它是一种同时对微阵列基因和条件进行聚类的方法,用来挖掘基因子集在条件子集下所体现出来的生物模式。传统的双聚类算法对于庞大的基因表达数据处理效率很弱,考虑在j Metal平台上实现基因表达数据的双聚类的一种新的研究方法及思路。同时考虑加入并行策略,提高算法的效率。在酵母啤酒细胞基因表达集和人类B-细胞两个标准数据集上对两个算法进行实验验证,表明所提出算法比其他多目标双聚类算法呈现出更好的优越性。     

基于最短主干道距离的零售户聚类研究

在研究零售户聚类分析中,传统的k中心聚类方法,计算成本过大,无法有效应用子大数据集.提出了零售户聚类方法,继承CLARANS算法迭代思想,采用全局随机抽样技术,将算法应用于大型空间数据集,通过多次迭代尽量寻求最优聚类结果.聚类结果的评价标准为基于最短主干道距离(SARD)的总距离.该聚类算法是在CLARANS算法的基础上进行改进,使其能够处理带地理信息的数据对象,且聚类结果满足需求约束条件限制.     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

实现输出统一排名的差异共表达双聚类算法

提出了差异共表达框架和一个差异共表达评分函数,以观察到的一个双聚类基因在所属双聚类的条件下共表达和在其他条件下非共表达为基础,客观量化基因双聚类的质量.此外,还提出了一个评分函数把双聚类分层为三种类型的共表达.在实现双聚类输出统一排名中,使用提出的评分函数对这4个公认的双聚类算法在不同区域的6个实际数据集上的性能和行为进行测试.实验结果表明,在鉴别共表达双聚类方面,差异共表达框架能有效提高共表达基因双聚类质量和双聚类算法的性能.     

宏观经济区划比较研究：双聚类算法的应用

基于中国宏观经济统计数据,首次将双聚类方法应用到经济区划领域,对中国各省份经济区域划分方案以及各省份经济增长模式等问题做了研究和预测,并将结果与传统的层次聚类方法的结果做了比较。研究结果表明,层次聚类算法对于全国经济区划的整体分析结果相对直观并且应用方便,双聚类算法的结果在挖掘各省在某些属性集合下的共性具有其独特的优势。     

分布式模糊聚类微动法铁路路基岩溶地球物理探测： 以皖赣铁路宁国改线工程为例

微动勘探法可探查铁路路基地下岩溶、裂隙通道等不良地质体的发育位置,针对反演成果中土、岩体分界面模糊不清,异常位置及边界不准确等问题,采用分布式模糊聚类算法分析反演数据。系统回顾了微动勘探法和分布式模糊聚类算法基本原理,以皖赣铁路宁国改线某区间既有铁路路基岩溶勘察为例,开展分布式模糊聚类微动勘探进行地层分层、溶洞自动划分。将分布式模糊聚类法分析前后的反演数据同时与钻探揭露结果对比发现,分布式模糊聚类算法可对分界面、异常区域进行自动有效划定,可更加准确地识别地质异常体。说明该方法可较大程度提高微动反演数据的准确率,为铁路路基工程的设计和施工提供参考。     

模糊综合评判的系统聚类算法研究

对于数量较大、维度较多、较为复杂的聚类对象,系统聚类较为复杂; 而模糊综合评判聚类方法聚类结果不够准确,其个数难以控制。为此,提出基于模糊综合评判的系统聚类算法,该方法对较为复杂的、由多种因素制约的事物或对象进行模糊综合评判处理,提取对象的整体特征,运用系统聚类对其进行聚类分析。最后通过对5 个班级的多次考试成绩进行了聚类分析,验证了该算法的有效性。实验结果表明,该方法具有准确性、整体性、可操作性以及简略性等。     

Fuzzy聚类分析法在楼盘分类中的应用

基于传统的Fuzzy等价关系聚类法,由Fuzzy相似矩阵构建Fuzzy等价矩阵,对传递闭包采用Warshall算法求解,并选择不同置信水平下的分类,利用偏差度得到最优聚类.结合北京市朝阳区近3个月新开楼盘的数据,选择可靠性指标,在最佳置信水平的基础上对其进行最优聚类,实验结果与事实吻合.     

基于核空间的模糊聚类方法在储层预测中的应用

基于核空间的模糊C均值聚类方法是一种模式识别的新方法。在地震属性聚类处理时常常会遇到非超球体数据以及非线性类间边界等问题,而传统的模糊C均值聚类方法无法行之有效地解决。将核空间方法引入传统的模糊C均值聚类方法中,并应用于储层预测。针对地震属性聚类问题中不同属性对于储层的敏感性不同,将特征权重和模糊指数等参数加以优化,提高新的模糊聚类方法的储层预测效果。对实际资料的计算与分析结果表明,新的基于核空间的模糊C均值聚类方法可以更准确地刻画碳酸盐岩含气储层边界。     

Fuzzy Clustering with Novel Separable Criterion

Introduction Fuzzy clustering plays an important role in pattern rec ognition, image processing, and data analysis. In fuzzy clustering, every point is assigned a membership to represent the degree of belonging to a certain class The fuzzy c-means (FCM) m…     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

改进遗传算法优化模糊均值聚类中心的图像分割

针对传统模糊均值聚类算法存在的问题, 提出一种改进遗传算法优化模糊均值聚类中心的图像分割算法. 首先在标准遗传算法的交叉操作中引入方向因子, 使参与交叉的个体向最佳个体靠近, 加快算法的收敛速度, 并通过增强群体间的信息共享机制提高算法的全局搜索能力, 避免了早熟收敛, 改善了全局解的精度; 然后采用改进遗传算法选择模糊均值聚类算法的初始聚类中心, 实现图像分割; 最后采用仿真实验测试算法性能. 实验结果表明, 相对于传统模糊均值聚类算法及其他图像分割算法, 本文算法在分割正确率、 分割速度及鲁棒性上均更优.     

Research and Implementation of the Enterprise Evaluation Based on a Fusion Clustering Model of AHP-FCM

Traditional clustering method is easy to slow convergence speed because of high data dimension and setting random initial clustering center. To improve these problems, a novel method combining subtractive clustering with fuzzy C-means （FCM） clustering will be advanced. In the method, the initial cluster number and cluster center can be obtained using subtractive clustering. On this basis, clustering result will be further optimized with FCM. In addition, the data dimension will be reduced through the analytic hierarchy process （AHP） before clustering calculating. In order to verify the effectiveness of fusion algorithm, an example about enterprise credit evaluation will be carried out. The results show that the fusion clustering algorithm is suitable for classifying high-dimension data, and the algorithm also does well in running up processing speed and improving visibility of result. So the method is suitable to promote the use.