SOM-K-Means聚类算法在零售银行客户细分中的应用研究

大数据背景下零售银行业的竞争日益加剧,根据客户的特征,将客户进行细分,为客户提供差异化的产品和服务是零售银行实现精准营销的有效途径。K-Means聚类算法是客户细分中的一种重要算法,它的基本思想是将具有更多相同特性的样本聚集到一个类中,使不同类中的样本之间尽可能的远离,而同一类中的样本之间尽可能的相近。为了提高客户细分的精度,提出一种自组织特征映射神经网络(SOM)的KMeans聚类算法(SOM-K-Means)。该算法可以解决K-Means聚类算法随机确定聚类个数和初始聚类中心等影响聚类结果准确性的问题。对某零售银行实证研究表明,SOM-K-Means聚类算法对购买某产品客户的数据进行有效的挖掘分析,根据聚类之间客户的不同特征,为不同客户群体提供个性化营销策略。     

基于SOM改进的K-Means聚类算法

随着网络技术和相关学科的发展,入侵检测技术日趋成熟.对SOM算法和K-Means算法进行了具体的分析,提出了一种基于SOM和K-Means的使两类算法优点相结合并克服各自不足的聚类算法,提高了聚类信息的精确度、对攻击的识别率和系统的整体性能.     

聚类算法在电信客户细分中应用效果的对比研究

聚类算法是数据挖掘中的一个重要研究领域,是一种数据划分或分组处理的重要手段和方法．目前其研究已深入到数据库、数据挖掘、统计等领域并取得了很大的成绩。但是由于聚类算法的多样性,使其在很多行业应用中有着不同的应用效果,基于此。本文通过聚类算法三种指标的比较,给出了一种聚类方法应用效果评估的方法．该方法结合电信的案例应用与K-Means、SOM、BIRCH等聚类方法结果的分析,最后得出K-Means方法在电信客户细分中的应用优越性．     

基于预测强度的变量自动加权K-Means算法的研究与应用

为了克服传统K-Means算法k值不能确定问题和不具备变量自动选择能力,将预测强度和变量自动加权K-Means算法相结合,提出基于预测强度的变量自动加权K-Means算法。预测强度表示聚类模型对未知数据的预测能力,预测能力越强,则聚类结果越佳,主要用于k值的确定;变量自动加权K-Means算法具有在聚类过程中自动调整变量权重的能力,对于噪声变量和冗余变量削弱其对距离的贡献,使聚类结果反映最真实的聚类结构。实验表明,算法具有较强的分类能力和预测能力。     

一种改进鱼群聚类算法在结构面分组中的应用

针对结构面产状常规分类方法存在的不足,提出一种新型的结构面分类算法.基于K-Means算法的结构面分类,将人工鱼群算法(artificial fish swarm algorithm,AFSA)与K-Means算法相结合,建立了AFSA-RSK结构面分类算法.利用鱼群算法强大的寻优能力,代替K-Means算法对结构面产状聚心集进行搜寻,并通过K-Means算法进行聚类.聚类完成后,选择相应参数指标对聚类效果进行评价.针对存在的问题,对鱼群算法的步长和视野进行修正,提高寻找聚心集的精度,动态地调整了聚类过程.将改进后的AFSA-RSK算法与其他算法进行比较,结果表明在迭代速度、聚类精度以及内存占比上,改进后的AFSA-RSK算法都要更优,更适合在结构面分组方面的应用.     

基于PAM和簇阈值的改进K-Means聚类算法

为了弥补K-Means算法对孤立点数据敏感的缺陷,提高K-Means算法对包含孤立点数据集的聚类效果,在深入研究K-Means算法的基础上,提出了基于PAM和簇阈值的改进K-Means聚类算法。该算法首先对待聚类数据进行抽样,然后利用PAM算法获取样本数据的聚类中心,以样本数据的聚类中心作为KMeans算法的初始聚类中心。在聚类迭代过程中动态计算各簇阈值,利用簇阈值准确地过滤孤立点数据。实验结果表明,本文提出的算法不仅聚类时间短,而且具有较高的聚类准确率。     

可拓理论与SOM网络相结合的多故障诊断方法

 针对采用SOM 网络进行多故障诊断时,要求多故障模式相似且不包含标准故障输出的限制,提出将SOM 网络与可拓理论相结合的多故障诊断方法.首先采用SOM 网络对训练样本进行聚类,得到故障模式及其聚类中心.然后针对每种故障模式的每个特征构造在聚类中心处取得最大值的关联函数,并以各特征的关联函数值为基础,设计多故障评价指标实现多故障诊断.最后采用汽轮发电机组振动信号的频谱数据对算法进行验证,结果表明该方法能够正确识别待诊断样本的单故障和多故障模式,具有可行性.     

基于粒子群优化和SOM网络的聚类算法研究

利用改进的粒子群优化算法(PSO)的优化性能,结合SOM网络模型,提出了一种基于粒子群优化算法和SOM网络的聚类算法(PSO/SOM),使用PSO对SOM网络进行训练来代替SOM的启发式训练方法.将PSO/SOM算法用于对Wine和Iris等数据集进行模式聚类识别,可以得到较优的聚类识别效果.相比标准SOM算法能有效提高网络映射的准确程度,降低网络的量化误差和拓扑误差,同时也降低了错聚率,实验结果验证了本算法的有效性.     

基于类内最小相似度自组织映射算法及其在储层预测中的应用

为了解决自组织映射(Self-organization map,SOM)神经网络算法部分神经元过度利用和欠利用的问题,提出基于类内最小相似度的SOM算法(SOM based on intraclass minimun similarity degree,SOM-IMSD),将类内相似度这一评价指标引入SOM神经网络学习过程中,通过调整类内最小相似度来指导SOM神经网络学习,使得平均类内最小相似度最大,提高SOM神经网络的聚类结果质量.将SOM-IMSD算法应用于储层预测,并与基本SOM算法进行对比,实验结果表明,SOM-IMSD算法的聚类结果更为准确.     

基于集群环境的K-Means聚类算法的并行化

K-Means聚类算法在面对海量数据时,时间和空间的复杂性已成为K-Means聚类算法的瓶颈.在充分研究传统K-Means聚类算法的基础上,提出了基于集群环境的并行K-Means聚类算法的设计思想,给出了其加速比估算公式,并通过实验证明了该算法的正确性和有效性.     

一种改进樽海鞘群算法优化K-Means的小麦覆盖度提取方法

针对K-Means算法对初始聚类中心的依赖性较高,容易出现局部最优停滞的问题,提出一种改进樽海鞘群算法优化 K-Means 的小麦覆盖度提取算法。首先,将小麦图像转换到HSV色彩空间;然后,用改进樽海鞘群算法进行全局寻优,以获得全局最优值作为K-Means算法的初始聚类中心,接着运用K-Means算法进行局部寻优,直到迭代完成;最终,输出经过分割的小麦图像。为了评估算法性能,使用12个基准函数对ISSA及其他智能优化算法进行对比测试,同时将改进樽海鞘群算法优化K-Means应用于小麦覆盖度提取。结果表明,ISSA算法在优化精度和收敛速度上均超越其他算法,鲁棒性也得到了显著提高。与其他算法相比,ISSA-K算法分割后的小麦图像纹理比较清晰,效果更佳,同时具有更加高效的优势,可用于小麦覆盖度的提取,具有较强的实用性。     

一种改进的路面裂缝图像分割方法

针对公路裂缝检测中的图像分割问题,运用机器学习领域的方法,以裂缝图像为研究对象,在深入分析经典K-Means聚类算法以及高斯混合模型（Gaussian Mixture Model, GMM）之后,提出一个利用全局K-Means和高斯混合模型来对公路裂缝图像进行分割的方法。该方法在全局K-Means聚类算法的基础上,采用改进策略,同时,将传统GMM的每一个概率分布,进一步再细分成单个的概率成分,在辅助变量计算过程中,采用EM算法。仿真图像和实际裂缝图像实验结果显示,本研究得到了比使用传统K-Means算法和普通GMM的分割方法精度更高、稳定性更好的分割结果。     

基于K-Means算法的混合聚类算法研究

在使用K-Means进行文本聚类的研究中,针对K-Means算法缺点,提出了利用DBSACN算法确定参数K的方法,将基于密度的聚类算法应用于特征选取上,使得K值计算有了一定的确定性,从而提高了聚类质量。这种将多种算法混合运用的方法,为文本聚类算法的设计提供一个新的方向。     

基于改进的自组织映射网络的化工过程故障分类辨识

将自组织映射网络(SOM)应用于化工过程故障数据的分类辨识,并采用粒子群优化(PSO)算法优化权重失真指数(LW D I),代替SOM的启发式训练算法,形成粒子群优化的SOM(PSO-SOM)分类算法。以某工厂甲醇合成反应器数据为研究对象,研究结果表明:对比基本SOM算法,PSO-SOM算法对复杂的故障数据能够得到较优的分类辨识结果,对甲醇合成生产中的故障诊断有非常显著的指导作用。     

基于K-Means聚类的R-树空间索引方法研究与分析

 空间聚类和空间索引的结合是当前空间数据库中提高数据检索效率的技术之一。本文从空间聚类和空间索引的存储原理入手,阐述了K-Means聚类算法及其改进算法的技术思路,研究了K-Means算法在空间数据库中与空间索引方法结合的技术问题;分析了当前基于K-Means算法的R-树系列空间索引技术的研究成果,阐述了它们提高空间检索效率的技术路线及实验结果,研究显示这些技术都能在一定程度上提高数据检索的效率。最后给出了聚类与空间索引结合技术未来的研究方向。