区间数据的并行模糊聚类算法

研究了对区间数据进行聚类的模糊聚类算法；介绍和分析了模糊c-均值算法的基本思想及实现步骤；定义了区间数据的距离和四则运算，并推广模糊c-均值算法对区间数据进行聚类．在此基础上，讨论了对区间数据进行聚类的并行模糊c-均值算法．在分布式互连的PC／工作站环境下进行性能分析，结果表明并行的模糊c-均值算法具有好的可扩展性、规模增长性和加速比性能．     

模拟信源标量量化的模糊c-均值算法

为改进模拟信源标量量化的收敛速度,将模糊逻辑中的模糊c-均值算法进行适当改造,应用到模拟信源的标量量化过程中,即形成了模拟信源标量量化的模糊c-均值算法。算法将迭代过程中的分区矩阵“元素化”放宽了限制条件。仿真结果表明,新的模糊c-均值算法在选择合适的精度E的条件下,随着分区数目增加和训练序列长度的增加,收敛速度要远优于传统的c-均值算法,同时通过控制参数E,可以在收敛速度和量化失真度量M SE之间进行权衡。     

基于粒子群优化的核模糊属性c-均值聚类算法

为克服核模糊属性c-均值聚类算法易陷入局部最优解的缺点,提出一种新的基于粒子群优化的核模糊属性c-均值聚类算法.该算法根据核模糊属性c-均值聚类准则设计适应度函数,利用粒子群优化算法对聚类中心进行优化,在粒子迭代进化过程中采用动态调整学习因子,提高算法的优化性能.实验表明,本文算法优于单一使用核模糊属性c-均值聚类算法和基于粒子群优化的核模糊c-均值聚类算法,也优于目前常见的典型聚类算法.     

基于遗传算法的模糊c-均值聚类算法

基于误差平方和准则的模糊c-均值算法(FCM)是一种典型的动态聚类算法,其求解结果通常是局部最优解;当模糊集合之间的并、交、包含运算采用传统定义时,在模糊c-均值聚类结果中还会存在无意义的聚类集.研究表明采用遗传算法进行模糊c-均值聚类(Fuzzy c-means algorithm over genetic algorithm,GFCM)时,不仅能够消除无意义的聚类集,而且还在一定程度上避免模糊c-均值算法收敛到局部最优解,为此设计编码、选择、配对交叉、变异等步骤.测试数据实验表明采用GFCM算法的结果优于FCM算法.     

两阶段模糊c-均值聚类算法及其应用

针对模糊c-均值算法对初始值敏感、收敛结果易陷入局部极小值的缺点,提出了两阶段模糊c-均值聚类算法.首先通过恰当的贴近度(满足相似相近性)估计分类数,选取初始聚类中心;然后通过模糊c-均值算法进行聚类,最后对所得的聚类中心采用逻辑斯谛型的灰色模型进行预测.由于聚类中心具有统计特征,因此较好地克服了样本间的随机误差,灰色逻辑斯谛模型较好地克服了每个样本内误差.采用上述方法对全国30个省市农村居民年收入进行了分析和比较,得出了具有参考价值的结果.     

基于协议分析的并行聚类入侵检测模型

模糊c-均值聚类(FCM)的算法是在硬c-均值算法(HCM)发展而来的,虽然改进了硬c-均值算法的聚类效果,但带来了时间复杂度的增加.提出了一种基于协议分析分类的并行入侵检测模型,根据协议分析将大的数据集进行分类,构成不同的数据集,先对各个数据集进行FCM聚类,然后对每个FCM聚类的结果再次进行FCM聚类,构成并行处理系统.采用协议分析技术结合高速数据包捕捉、协议解析等技术来进行分布式入侵检测,可以提高入侵检测的速度.     

基于 Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法.首先将待分类的图像样本集进行坐标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80.25%的识别率.     

利用Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法.首先将待分类的图像样本集进行坐标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80.25%的识别率.     

一种基于核的模糊聚类算法

结合核技术与改进的模糊c均值算法聚类准则提出一 种基于核的模糊聚类算法. 通过引入核函数, 样本点被非线性变换映射到高维特征空间进行聚类, 提高了聚类性能. 同时, 算法改进了模糊c-均值聚类模型中的概率型约束条件, 使其对噪声和野值点具有较好的鲁棒性. 在真实数据和人造数据上与常用聚类算法进行了对比实验, 结果表明该算法具有较低的时间、 空间复杂度与较好的聚类性能.     

基于核方法的分类型属性数据集模糊聚类算法

针对分类型属性数据的聚类问题．将核方法的思想推广到快速、高效率的模糊c-均值算法,构造了基于核函数的模糊核c-均值聚类算法．该算法通过使用经验核矩阵充分利用了数据间的“相异性”信息,并且避免了模糊k-modes算法中每次迭代均要直接计算类中心的缺点,提高了聚类的精确度和稳定性．同时该算法对模式(类中心)的初始值选择不敏感．时实际的线性可分的和线性不可分的分类型属性数据集的仿真实验证明了该算法的有效性．