基于半监督聚类理论的MQAM信号的盲识别

在MQAM信号的调制识别中,传统聚类算法聚类效果差,误差平方和函数出现起伏且收敛慢.对此问题,提出由标记的样本点来指导隶属度及聚类中心的更新的半监督聚类理论重构MQAM信号星座图的方法.通过分析星座图,提出了基于星座图圆半径的识别方法,完成了对不同阶数MQAM信号调制方式的识别.仿真结果表明该方法提高了聚类准确度,误差平方和函数曲线平滑,且MQAM信号的识别率在90％以上.     

基于半监督聚类的真核启动子识别

首先将待测试的DNA序列片段利用词项-序列矩阵进行表示,然后通过奇异值分解进行降维,最后采用全局一致性和局部一致性兼顾的半监督聚类算法对长的DNA序列片段进行测试,并与现有的几种启动子识别算法的结果进行对比。     

基于成对约束的主动学习半监督聚类算法

半监督学习是近年来机器学习领域中的一个重要研究方向,其监督信息的质量对半监督聚类的结果影响很大,主动学习高质量的监督信息很有必要.提出一种纠错式主动学习成对约束的方法,算法通过寻找聚类算法本身不能发现的成对约束监督信息,将其引入谱聚类算法,利用该监督信息来调整谱聚类中点与点之间的距离矩阵.采用双向寻找的方法,将点与点间距离进行排序,使得学习器即使在接收到没有标记的数据时也能进行主动学习,实现了在较少的约束下可得到较好的聚类结果.同时,该算法降低了计算复杂度,并解决了聚类过程中成对约束的奇异问题.通过在UCI基准数据集以及人工数据集的实验表明,算法的性能好于相关对比算法,并优于采用随机选取监督信息的谱聚类性能.     

基于半监督的K-means聚类改进算法

针对原始K-means算法的一系列问题,提出一种基于半监督的K-means聚类改进算法,能够自动进行聚类,找出最优K值,并且最大限度地找出孤立点.首先根据样本集自身的特点,按照"类内尽可能相似"原则一步一步形成数据集,然后对数据集进行"去噪"与合并相似簇,最后,利用少量的标记信息指导和修正聚类结果.在UCI的多个数据集...     

一种半监督模糊聚类算法的研究

为了提高对未知样本的使用率,充分发挥出半监督聚类算法的优势,ISFCA算法将约束项引入到竞争聚类算法(CA算法)的目标函数中。但在ISFCA算法的隶属度函数中,存在迭代的非必要信息,增加了算法的复杂度。改进了ISFCA算法的隶属度函数,提取出迭代的必要项uCA″rs和非必要项uCA′rs,从而简化隶属度迭代计算过程,使样本的聚类更加合理。实验结果表明,优化后的ISFCA算法对阀门的故障诊断是行之有效的。     

基于半监督模糊聚类的黄瓜霜霉病受害程度识别研究

通过定义一种新的半监督模糊聚类算法,提高聚类算法的运行效率和可解释性,结合Fisher线性判别分析,对黄瓜霜霉病的受害程度进行识别研究.针对7个关于叶片色调信息的统计特征,利用判别分析提取出2个主分量.结合一部分叶片的类别属性,对所有叶片的这2个主分量,进行半监督聚类分析.结果表明,对于类别属性已知的叶片,聚类结果与已知类别的一致率达100%,而对于类别未知的数据,一致率也达到95%以上.     

半监督模糊聚类及其应用

提出了一种拓展的半监督模糊聚类模型,给出求解这个模型的迭代公式.这种半监督聚类能够合理、有效地利用部分已标识样本的类别信息对未标识样本产生影响,从而提高半聚类算法的聚类效果.其隶属度和聚类中心的迭代公式具有和FCM算法一样简洁的表示.在黄瓜数据集上的聚类分析表明,新提出的半监督聚类优于未改进的两种半监督算法、FCM算法和线性判别方法.     

一种基于半监督降维的聚类算法

半监督聚类通过利用少量有标号样本或成对约束等监督信息来提高聚类性能.在此提出一种新颖的基于半监督降维的聚类算法,首先用半监督降维方法对原始数据进行降维,然后在降维后的空间中进行半监督聚类.由于在降维和聚类两个阶段中都利用了监督信息,从而使得算法的聚类性能得到进一步提升.在UCI标准数据集、yale人脸库以及文本数据集上的实验结果验证了该算法的有效性.     

瑞利衰落信道下MQAM信号的盲识别方法

针对MQAM信号识别难的问题,提出一种瑞利衰落信道条件下MQAM调制信号盲识别算法.该方法在不需要任何先验信息的情况下,利用瑞利衰落信道的特点,从信号的2阶、4阶和6阶累积量中提取的特征参数实现MQAM调制信号的识别.仿真结果表明：在信噪比为5dB下平均识别率能达到90%以上,与其他算法相比有更高的识别率和更强的抗噪声干扰能力,而且对相位抖动和频率偏差有很强的健壮性.     

基于半监督学习的核信任力传播聚类算法

文中提出一种半监督核信任力传播聚类算法(SSKAPC).SSKAPC在对样本聚类的过程中,引入先验知识提高聚类性能;同时该算法将样本映射到高维空间进行聚类.人工数据和真实世界数据的实验表明,SSKAPC算法能大幅度提高聚类的准确性.     

基于K-means聚类算法的研究

原始的k-means算法是从样本点的集合中随机选取K个中心,这种选取具有盲目性和随意性,它在很大程度上决定了算法的有效性．为消除选取初始中心的盲目性,应充分利用已有数据样本点的信息．采取对数据进行预处理的方式来选取初始中心．实验证明新的初始点的选取不仅提高了算法的计算效率,也提高了算法最终确定的聚类的精度．     

系统聚类树算法在网络拓扑判定中的研究

网络拓扑结构的判定是网络层析成像技术在大规模网络中应用的关键问题.主要讨论通过对网络上的主机进行单播的测量来获得网络的逻辑拓扑,提出运用系统聚类分析法进行拓扑判定的新方案.首先介绍了基于延时的“三明治”网络测量方案及相关网络拓扑判定方案,在此基础上提出更为高效准确的运用统计聚类模型进行拓扑判定的系统聚类树算法,最后通过实验将该算法与合并似然树算法进行了比较与分析.     

基于心电信号的身份识别系统研究

介绍了心电信号身份识别系统的设计方案。分析了双电极心电信号检测电路和心电信号小波距离身份判别算法。在Matlab软件平台下编程实现心电信号数字滤波、周期分割、样本建库以及身份识别。通过对34个人的心电样本进行测试,获得了91.2%的识别结果。     

采用振动信号二维特征向量聚类的配电开关机械状态识别新方法

配电开关动作产生的振动信号具有非线性非平稳特性,蕴含机械状态信息.提出一种基于振动信号二维特征向量和模糊K均值聚类的配电开关机械状态识别新方法.利用HHT带通滤波对配电开关振动信号进行时频分解,分别求取各子频带信号的能量值和重心频率,得到振动信号的二维特征向量作为反映配电开关的机械状态的特征量.提取配电开关在正常、底座螺丝松动、机械结构卡涩及卸掉A相触头绝缘拉杆等4种典型状态实测振动信号的二维特征向量做模糊K均值聚类,结果表明,所提取的特征向量能有效地表征配电开关的机械状态.     

基于杂草改进的模糊聚类雷达信号分选

针对雷达辐射源信号参数严重混叠、聚类数目未知等问题,提出一种基于入侵性杂草优化模糊聚类的智能算法,该算法无需事先设定聚类数目,而是在整个数据集的属性空间内并行搜寻最佳的聚类数目和聚类中心,具有结构简单、鲁棒性好的特点。将此方法应用到雷达信号的分选当中,并与传统的K均值算法及AP聚类算法进行对比,实验结果验证了该算法的有效性。     

基于分形维度的聚类算法研究

给出一种将网格技术、密度技术与分形理论的自相似性结合起来的一种有效聚类算法,利用分形维度变化最小同时是相似程度最大的特点来划分数据集从而得出聚类结果.实验表明该算法可以快速有效的处理多维大型数据集,识别出任意形状簇的个数,而且可以从数据集中挖掘出一些有用的分布信息.     

基于页面聚类的个性化推荐算法研究

聚类分析算法作为一种主要的Web使用挖掘技术，在个性化推荐系统中得到了广泛应用，然而面对Web动态性所引起的网页的更新以及用户行为方式的改变，已有的聚类算法并不能很好地解决这一问题。针对这一问题，本文以一种无向图的形式表示用户对网站的访问，提出一种可实时反映网站及用户行为变化情况的增量式页面聚类算法，并在页面聚类的基础上提出相应的推荐决策算法动态生成页面推荐。     

一种基于k-prototype的多层次聚类改进算法

针对k-prototype算法在处理复杂的数据集时,常出现一些纯度不高的簇,影响了聚类质量的问题,提出一种基于k-prototype的多层次聚类改进算法,利用属性自动选择的方法将一些纯度不高的簇进行再聚类,以提高聚类质量.以UCI标准测试数据集进行实验,实验结果表明,该改进算法能够明显提高混合型数据集的聚类质量,并且在数据约简方面有良好表现.