基于免疫聚类算法的离群数据挖掘

离群数据挖掘是数据挖掘研究的重要内容,在实际生活中获得广泛应用.论文结合了免疫算法全局搜索的优点和K-均值方法局部收敛速度快的特点,提出了一种基于免疫聚类算法的离群数据挖掘方法,有效地克服了传统聚类方法对初始化敏感、容易陷入局部最优等缺点,使聚类结果能够快速收敛到全局最优,有效地检测离群数据.实验结果表明,该方法实用有效的.     

一种盲源分离初始化方法的研究与仿真

针对盲源分离的初始化问题,提出一种盲源分离初始化方法.该方法首先对接收到的混合信号进行小波稀疏分解,然后选取稀疏性最好的分解系数组,并在其星图中通过聚类方法寻求聚轴来估计混合矩阵.最后,采用这一混合矩阵估计值对FastICA算法进行初始化.仿真实验表明,该初始化方法能避免盲源分离算法收敛时陷入局部最小,加快算法收敛,同时使盲源分离算法的分离精度提高10～26dB.     

基于粗糙集的聚类算法中阈值自动选取

输入参数影响聚类算法的可用性,利用逐差法自动选取初始化阈值,使聚类算法无须任何参数,且有效降低算法的时间复杂度。逐差法利用已有数据本身属性,对相似系数矩阵行数据进行快速排序,逐个做差,求取初始化阈值。试验结果表明,新方法保证了分类精度,提高了运行效率。逐差法的应用使得基于粗糙集的聚类算法成为一种更加客观、准确的聚类方法。     

基于多维伪F统计量的基因表达动态聚类分析方法研究

K-均值聚类分析算法是一种广泛应用于基因表达数据聚类分析中的迭代变换算法，它通过指定类别数K-基于给定的聚类目标函数，并采用迭代更新的方法，使得最终的聚类结果的目标函数值为极小值，达到较优的聚类效果。针对K-均值聚类分析算法存在参数依赖性强，且在整个聚类过程中类的数目无法改变的缺点，引入动态调整聚类个数的思想和多维伪F统计量，提出了一种基于多维伪F统计量的基因表迭动态K-均值聚类算法。实验结果表明该算法可以动态调整聚类个数，给出最佳聚类数目，从而获得较好的聚类质量．     

基于退火的状态转移式模糊C-均值聚类算法

传统的模糊C -均值 (FCM)聚类是一种基于梯度下降的优化算法 ,该方法对初始化较敏感 ,且易陷入局部极小。借用模拟退火中系统温度的概念 ,提出基于退火的状态转移式模糊C -均值聚类方法 ,利用温度来控制类别中心的选取概率。实验结果表明 ,该方法可克服系统对数据集及初始解的敏感度 ,且能尽量避免陷入局部极小 ,而获得质量更优的解。     

基于障碍物约束的遗传-中心点聚类算法研究

面对障碍物约束的聚类问题,分析了目前障碍物约束聚类算法的不足,定义了相关概念,随机选择k个样本作为聚类中心点,以距各聚类中心点的可达距离为样本划分依据,以类内平方误差和(WGSS)为聚类目标函数,引入遗传算法,提出一种基于障碍物约束的遗传-中心点聚类算法。最后,通过实例进行了算法测试,并与k-中心点算法进行比较。算法测试结果表明:基于障碍物约束的遗传-中心点聚类算法是完全可行和有效的,所提算法使得聚类结果符合地理空间实际情况,解决了聚类结果对初始化敏感的问题。     

科学家合作网络的聚类分析

在自建的经济物理学科学家合作网络的基础上，实现了层次聚类法和介数聚类法．并将他们应用到对经济物理学科学家合作网络结构的聚类分析中，在理论层次对两种方法进行了比较，同时将两种算法的计算结果与现实进行对照，发现介数聚类的结果与现实吻合得较好。在充分理解Newman提出的Q函数的基础上，讨论了聚类过程中的最佳集团数。     

基于核密度估计的层次聚类算法

聚类分析是统计、模式识别和数据挖掘等领域中一个非常基础且非常重要的研究课题，具有广泛的应用前景。在众多的聚类方法中，基于密度的方法是一种相当有效的聚类方法，能够发现任意形状的聚类，对噪声数据不敏感，但是聚类结果严重依赖于用户参数的合理选择。以DENCLUE算法为基础，一种基于核密度估计的层次聚类算法被提出，该算法首先优选窗宽σ产生较好的核密度估计结果，然后以密度函数的局部极大值点为聚类中心形成数据的初始划分，最后根据密度函数的鞍点递归合并初始聚类产生不同层次的划分模式。理论分析和仿真实验结果显示，该算法能够发现任意形状、大小和密度的聚类，能够有效处理噪声数据，而且聚类结果不依赖于用户参数的仔细选择。     

基于遗传算法的区间数核模糊聚类方法

针对现有区间数聚类算法对多种聚类模式以及不对称数据聚类性能不理想的问题,本文提出了一种基于核方法的区间数模糊聚类算法.该方法通过设计合适的核函数,有效地对非对称数据以及混合模式原型的数据结构进行聚类,同时避免了直接在高维特征空间求解聚类问题.本文采用区间数遗传算法来求取高度非凸聚类优化问题得到聚类问题的全局最优解.仿真实例说明了本文算法的有效性.     

一种基于关联预测的车间生产计划的最优分解方法

提出一种基于关联预测的柔性自动化车间（ＦＡＷ）生产计划的最优分解方法。文中首先建立关联方程有延迟的车间计划分解数学模型，然后推导基于关联预测的计划分解算法，证明算法可行的必要条件，编制相应软件，进行算例研究。与现有的计划分解方法相比，本文的方法更适于将ＣＩＭＳ／ＭＲＰⅡ下达给ＦＡＷ的中期计划最优分解成ＦＡＷ中各ＦＭＳ执行的短期计划，尤其适合ＦＭＳ之间的工件传输需经过出入库并有一步延迟的情况。