基于动态阻尼因子的动态阻尼仿射传播聚类

为了有效地控制仿射传播聚类的全局搜索和局部搜索,将仿射传播聚类视作一个搜索能量函数最小值的方法,提出一种基于动态阻尼因子策略的动态阻尼仿射传播聚类．使用两阶段动态阻尼因子策略,使得仿射传播聚类迭代过程中阻尼因子不再是静态固定值,而是自适应的动态改变值,构造了1种线性策略和2种非线性策略来动态改变阻尼因子的值．在标准数据集上的实验结果表明：动态阻尼仿射传播聚类避免了仿射传播聚类发生震荡,同时可以加快仿射传播聚类的收敛．     

基于奇异值分解的自适应近邻传播聚类算法

针对近邻传播算法无法有效处理高维数据而导致聚类效果不佳的问题, 提出一种基于奇异值分解的自适应近邻传播（SVD-SAP）聚类算法. 通过引入奇异值分解, 对高维数据进行重构、 降维, 消除冗余信息, 并在此基础上采用非线性函数策略, 自适应地调整阻尼系数, 提高算法的聚类性能. 仿真实验结果表明, 与已有算法相比, 该改进算法聚类精度更高, 收敛速度更快.     

基于稳定阈值的吸引子传播算法

针对传统吸引子传播算法(AP)聚类性能受偏向参数影响较大的问题, 提出一种改进的吸引子传播算法, 即基于稳定阈值的吸引子传播聚类算法（STAP）. 该算法通过稳定阈值, 衡量获得真实类数时的收敛状态, 然后捕捉该状态下的偏向参数; 为加快算法的收敛速度, 采用S型函数作为收敛因子调节阻尼系数. 仿真模拟实验结果表明, 与传统吸引子传播聚类算法相比, 基于稳定阈值的吸引子传播聚类算法聚类精度更高, 收敛速度更快.     

近邻传播聚类算法研究

对近邻传播聚类算法进行了详细的研究。提出用波动率来衡量数据震荡的剧烈程度,分析了收敛迭代次数和最大迭代次数两个参数的合适设置;重点研究了倾向度和阻尼因子两个参数与聚类数、波动率的关系,研究发现通过增大倾向度和阻尼因子都能减少波动率。     

一种自适应AP算法的matlab实现

AP算法是Fey BJ.等人提出的一种聚类算法.与传统的K均值聚类算法相比,AP算法不需要选择初始的聚类中心点,因此,聚类结果更客观.但AP算法中相似度矩阵对角线上的偏向值需要人为设定,而这个值会影响到聚类数目;另外,当AP算法发生震荡时,算法无法自动退出震荡.为解决AP算法中的振荡问题及相似度矩阵对角线上元素值的确定问题,王开军等人提出了自适应AP算法,逐步改变偏向值p,得到不同的聚类结果,再根据聚类结果的Silhouette指标,找出最好的Silhouette指标对应的偏向值及聚类结果.当震荡发生时,逐步增加阻尼因子?值,直到算法退出震荡.使用MATLAB实现了自适应AP算法和Silhouette评价指标,为后续的研究工作打下基础.     

一种基于仿射传播的增强型流聚类算法

针对目前流聚类算法无法有效处理数据流离群点的检测和处理,以及增量式数据流聚类效率较低等问题,提出了一种基于密度度量的异常检测、删除的增强型仿射传播流聚类算法。在仿射传播流聚类算法的基础上,所提算法通过引进异常检测和删除机制改善了异常点对聚类精度、聚类效率的影响。利用仿射传播聚类实现在线数据流的聚类过程,同时检测数据漂移现象,即数据流分布特征随时间发生变化,并采用基于密度度量的局部异常因子检测技术(LOF)对储备池数据进行异常检测和删除处理,通过对当前类簇和处理过的储备池数据重聚类来重建动态数据流模型。在真实网络数据(KDD’99)上进行了实验,结果表明,所提算法不仅减少了重聚类构建动态模型的次数,改善了聚类效率,而且在同时考虑聚类精度、纯度和熵3种聚类评价标准下,均优于传统的仿射传播流聚类算法。     

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．     

一种改进的自适应滤波算法及其在回波对消中的应用

提出一种改进的自适应滤波算法,它通过选择自适应滤波器的系数更新时间间隔,在系统的收敛速度与计算量之间取得折衷;算法在每次系数更新时,利用了系统过去时刻数据并将频域批处理技术运用到算法计算中,大大加快了算法的收敛速度并且降低了计算复杂度,从而克服了LMS算法收敛速度慢以及仿射投影算法(APA)、递归最小二乘算法(RLS)计算量大的缺点.将所提算法应用于声回波对消中,仿真实验结果证实了其优点.     

基于自步学习的自适应半监督聚类算法

在半监督聚类算法中,通常利用有标签样本的指导来提高数据的聚类效果,但不同样本对聚类结果的重要性并未充分考虑。为了解决这一问题,该文提出了一种基于自步学习的自适应半监督聚类算法(ASSCSPL)。首先,在模型中引入自适应损失函数,可以通过调节自适应损失参数提高模型的鲁棒性;其次,在模型中引入自步学习机制,用来刻画不同样本对聚类结果的不同重要程度;最后,在标签传播阶段,所得算法能够很好地利用已有的监督信息,为无标签数据赋予相应的标签权重。数据实验表明,与现有优秀算法比较,所提算法可以达到更好的聚类效果。此外,实验结果也表明,所提算法能够有效地降低噪声对模型聚类性能的影响。     

基于改进仿射传播聚类的多模型软测量建模及应用

对于多模型软测量建模,聚类效果、子模型的建模和融合方式对其模型精度有重要影响。对此,该文提出一种基于改进仿射传播聚类的多模型软测量建模方法。为提高聚类精度,在仿射传播聚类算法划分样本数据的基础上,采用人工鱼群算法对仿射传播聚类算法的偏向参数和阻尼系数寻优,同时针对距离较近类别边界处的样本再建立重叠类,采用支持向量机建立各类样本的回归子模型。分别用标准数据集仿真和工业双酚A生产装置的现场数据建模仿真,结果证明该方法是有效的。     

结合聚类模型和自适应模型的遗传算法

在进化后期,自适应遗传算法有助于保存种群中的优秀模式;但在进化初期,对适应度值大的个体的保护,易降低种群的多样性、减弱算法的搜索性能。基于聚类的遗传算法可以提高遗传算法的收敛速度和搜索性能,但交叉概率和变异概率取定值,易使优秀模式在进化后期遭到破坏,难以收敛到全局最优。在遗传算法中同时引入聚类模型和自适应模型,有利于继承两类改进型遗传算法的优点,克服各自的不足。使用经典的测试函数对引入聚类模型和自适应模型的遗传算法进行测试,仿真结果表明:同时引入聚类模型和自适应模型的遗传算法比引入聚类模型或自适应模型的遗传算法具有更好的收敛速度和寻优能力。     

基于局部线性嵌入的半监督仿射传播聚类算法

针对运用半监督仿射传播聚类算法处理高维数据时聚类精度低和计算量大的问题,提出一种基于局部线性嵌入的半监督仿射传播聚类算法.该算法首先通过LLE算法将高维输入数据集映射到低维空间得到低维数据集,计算低维数据集的相似度矩阵,再用半监督算法调整相似度矩阵,最后用仿射传播聚类算法对低维数据进行聚类分析.仿真结果表明,本文提出的算法与半监督仿射传播聚类算法相比,在处理高维数据时聚类效果更好,精度更高,迭代次数更少.     

基于M估计的自仿射投影滤波算法

研究了自仿射投影算法的收敛性能,并针对其抗突出值干扰能力不强的缺点,将稳健估计中的M估计应用于该算法,提出了一种基于M估计的改进自仿射投影算法（M-APA）,计算机模拟结果表明,该算法在基本保持原有算法收敛速度的同时,其抗突出值干扰能力远远优于原算法。提高了自适应辨识系统的稳定性和可靠性。     

基于最远块投影的自适应分块迭代CQ算法

针对分块迭代CQ算法,因子集的无序性和步长的不稳定性而导致的收敛速度较慢的问题,提出了一种基于最远块投影的自适应分块迭代CQ算法.该方法通过逐次对子集最远块进行投影,可以获取较快的收敛速度;利用类-Armijo搜索的方法可以获取合适的步长参数.在证明了算法收敛性的同时,结合短扫描CT投影重建问题对2种算法的实验结果进行了对比分析.结果表明所提出算法能够取得较快的收敛速度和较高的重建精度.     

一种动态时间弯曲距离的时延调控基因相似度量聚类方法

针对传统的基于距离/相关系数的相似性度量方法无法有效度量基因间的时延表达特性,为了更加准确地刻画基因间的共调控关系,提出一种基于动态时间弯曲距离(DTW)的相似性度量方法,并结合可指定类数的仿射传播聚类算法进行聚类.将该算法用于人工合成数据和真实的酵母基因数据集,实验结果表明,相对于其它经典聚类算法,本文所提算法能得到更好的聚类结果.     

一种基于离散小波变换的自适应滤波新算法

将小波变换、变换域自适应算法和变步长自适应算法相结合，得出了一种基于离散小波变换的自适应滤波新算法(NDWT-LMS)，该算法可以有效地降低输入信号的自相关程度，克服固定步长因子所导致算法在快的收敛速度和较低的稳态误差之间存在的矛盾。计算机仿真结果表明该算法与LMS算法相比具有更快的收敛速度和更小的失调噪声，可以很好地应用于自适应系统中。     

改进小波神经网络的C4ISR安全态势预测方法

提出了一种基于改进小波神经网络优化参数的指挥信息系统安全态势预测方法.该方法通过改进的小生境遗传算法构建了基于小波神经网络优化参数的网络安全状况预测模型,利用自适应遗传算法对小波神经网络参数进行调优,增强其搜索能力.同时,为解决自适应遗传算法容易陷入局部最优且收敛速度慢的问题,提出利用小生境技术和模糊聚类技术来处理.仿真实验结果表明,与传统算法相比,所提算法具有更快的收敛速度和更好的预测精度.     

一种改进森林优化的K-means聚类算法

针对K-means算法易受聚类中心影响而陷入局部最优的问题,提出一种基于改进森林优化算法的K-means聚类算法。首先,将衰减因子引入传统算法中提出一种自适应微量步长方法,以加快算法收敛速度,并改善算法的全局搜索与局部开发能力;然后,结合遗传算法中的算术交叉操作思想,改进传统算法全球播种阶段的选择策略,使得算法能够跳出局部最优,提高算法优化精度。通过基准测试函数实验,验证了改进算法的有效性和优越性。最后,结合改进算法和K-means算法,提出一种新的聚类算法,并通过在UCI数据集上的实验结果表明,提出的聚类算法具有较高的聚类准确率。     

神经网络算法在特色农产品品质分类中的应用

针对新疆核桃品质分类问题,本文选取特征参数数据,采用神经网络的最速下降BP网络算法、自组织竞争算法、概率神经网络算法建立分类模型,做了训练和测试分类的工作.实验结果表明,三种算法中动量BP网络算法在实现中较为简易直观,相比三种算法,其网络收敛速度较慢,在动量因子的合理选取下,误差在一定范围可以达到收敛的最小震荡;自组织竞争网络在预先设定好的类别范围内,可将分布比较密集的样本进行更加细化的聚类分类,使得分类问题达到更优结果;概率神经网络具有较好的网络收敛速度.实验结果可为实现核桃类坚果的自动化分类、提高工作效率提供一定的理论依据.     

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.