一种基于复杂网络属性值的K-means聚类算法

传统-means聚类算法的性能依赖于初始聚类中心的选择.本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的K个节点作为聚类的初始聚类中心,然后进行聚类迭代过程.实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量.     

基于量子模糊聚类算法的复杂网络社团结构探测

研究了复杂网络的社团结构特性,探讨了复杂网络的社团结构探测算法.针对现有算法中判断社团结构时的主观性问题,提出了量子模糊聚类算法,并将该算法用于复杂网络社团结构的探测.实验结果表明:该算法可以准确、有效地探测到网络中实际存在的社团结构.     

基于复杂网络的城市公交枢纽选址研究

多种交通方式的转换、城乡公交一体化对城市公交系统提出新要求。如何进行公交枢纽的合理选址,是迫切需要考虑的问题。本文采用复杂网络分析法,建立了包含地铁线的南京市公交网的Space L和Space P模型,以站点的公交线路数、节点度、到其他站点的平均距离、节点中介性为指标,建立了枢纽选址的评价体系。把基于复杂网络法的选址结果与南京市公共交通部门规划的枢纽站点比较,证明了该选址方法的可行性。对南京市公交枢纽站的规划研究有重要指导意义。     

复杂动力学网络上的聚类同步研究

文章主要研究节点非恒同的适应性复杂动力学网络，通过局部控制和耦合强度的适应性策略实现聚类同步．运用李雅普诺夫稳定性理论，得到了网络中聚类同步流形全局稳定的充分条件，并进一步说明了网络的内耦合矩阵、拓扑结构以及耦合强度对聚类同步的影响．最后，数值模拟验证了理论结果的有效性．     

基于转移矩阵P的复杂网络聚类方法

提出了一种相对简单、有效的划分复杂网络社团结构的方法.该算法利用复杂网络的转移矩阵P和K均值聚类算法来划分社团结构,并且用F统计量判定最优的聚类结果,在探测社团结构明显的人工网时具有较高的准确度.     

基于节点相似性的复杂网络聚类特征层次布局算法

针对当前现有布局算法在实际应用中存在布局耗时时间长的问题,引入节点相似性理论,开展对复杂网络聚类特征层次布局算法的设计研究。结合个性化PageRank,对节点相似度计算,完成对复杂网络的粗化处理。在此基础上,利用复杂网络中提取的节点,实现聚类特征多层次分布。通过对比实验证明,新的布局算法在实际应用中完成布局的耗时时间更短,有效促进特征层次布局的效率提升。     

基于K －均值聚类的混合聚类算法

K-均值聚类算法是聚类算法中比较典型的算法之一,在其各类改进算法中都受到了离群点、初质心、类个数等因素的干扰。本文利用相似密度提出一种新的聚类初始质心选取和离群点判别方法,对K-均值聚类算法进行了改进。通过实验证明改进算法提高了聚类的有效性和稳定性。     

聚类系数指标对复杂网络鲁棒性的影响分析

分析了采用度分布相同且聚类系数不同的三种类型网络(中性网络、同配网络和异配网络)在遇到随机故障或者蓄意攻击时,网络的初始聚类系数变化对网络鲁棒性的影响.实验分析表明,网络的初始聚类系数越大,网络在受到随机故障或蓄意攻击时网络中最大连通子图的直径和网络中最大连通子图的平均路径长度的起伏也就越大.初始聚类系数的变化在异配网中对网络鲁棒性的作用最明显,中性网次之,对同配网的鲁棒性不明显.     

聚类算法的研究

聚类算法是多元统计的一个重要分支,在理论和实际生活中都有重要的意义。本文对聚类算法的发展历程以及近年来发展的一些聚类算法进行研究。     

基于密度峰值法的复杂网络聚类增长维度研究

复杂网络是由个体或组织以及它们之间的关系所组成的结构.利用复杂网络的分形结构来解释和预测复杂网络的行为是目前的一个研究热点.分形维度是对复杂网络中分形结构的度量,为了更准确地对复杂网络分形结构进行度量,提出了一种基于密度峰值的方法来计算分形维度.该算法不同于之前选取一个种子节点或者将所有节点作为种子节点的方法,而是利用...     

一种基于聚类算法的机会网络路由算法

在传统的历史路径算法的基础上,提出一种基于聚类算法的历史路径机会网络路由算法(RACA算法).该算法使用无监督学习中的k-means++算法对节点进行编码,并使用编码的方式更新历史路径算法,具有缓存空间占用低、节点搜索速度快和在拓扑结构多变的环境的适应性强等特点.实验结果表明:RACA算法在多个方面有着较好的表现,特别是在传输成功率和开销比率方面有较好的表现; 出色的网络性能表现使得RACA算法能够在资源有限的场景和网络环境变化较大的场景使用,例如车载网络环境.     

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．     

基于模糊聚类算法的多配送中心选址优化方法

为了优化二级设施物流网络中多配送中心的选址操作,提取了影响配送中心选址的主要因素,建立了一种综合评价指标体系.首先,将语言变量值用三角模糊数表示,对备选配送中心进行综合评价；然后,采用区间数优度函数法将二级准则指标集成到一级准则指标上,以集成后的方案评价指标值作为模糊聚类算法的输入进行聚类操作,并设计了聚类有效性指标以用于判断聚类结果合理性；最后,应用TOPSIS方法对各类内的备选址进行排序,以确定选址位置及数量.实例验证表明,当隶属度数值取0.740 2时,得到最小的聚类有效性指标为2.43.依据该操作可将备选配送中心分成4类进行逐类选址,选址结果合理且较其他方法更具有优越性.因此,该方法能够更有效地解决多配送中心选址问题.     

HCM聚类算法的改进-MHCM聚类算法

硬聚类算法HCM的求解结果通常是局部最优解,本文将遗传算法应用于HCM聚类算法,同时考虑到该算法实现时的效率和开销,最终提出了一种新的算法MHCM聚类算法。测试数据实验表明采用MHCM聚类算法的结果90%以上能够取得全局最优解,远远超出了采用HCM算法所取得全局最优解的次数,证明了本算法的可推广性。     

一种基于聚类技术和蚁群算法的社团发现方法

如何在复杂网络中自动地发现社团,对于研究复杂网络的结构、功能和行为有着非常重要的意义。在聚类技术的基础上,提出了一种基于蚁群算法识别相似结点的方法,以优化结点的计算性能。     

基于密度的改进聚类算法比较

针对传统K-means算法的聚类结果依赖初始聚类中心的缺陷,提出了一种基于密度的改进K-means聚类算法,该算法选择位于数据集样本密集区且相距较远的数据对象作为初始聚类中心,实现K-means聚类。针对PAM算法时间复杂度高,且不利于大数据集处理的缺陷,提出了一种基于密度的改进K-medoids聚类算法,在选取初始中心点时根据数据集样本的分布特征选取,使得初始中心点位于不同类簇。UCI机器学习数据库数据集和随机生成的带有噪音点的人工模拟数据集的实验测试证明,基于密度的改进K-means算法和基于密度的改进Kmedoids算法都具有很好的聚类效果,运行时间短,收敛速度快,有抗噪性能。     

改进的基于层次聚类的模糊聚类算法

针对FCM算法的缺陷,文章提出了一种基于层次聚类的模糊聚类算法(HFCM)。该算法采用凝聚的层次聚类方法,可快速地发现高度聚集的数据区域,并对这些高密度区域进一步进行分析与合并,通过评估函数的评估,找到最优的聚类方案。试验结果表明,该算法具有较高的分类精确度和较高的排除噪声的能力。     

基于位置感知的无线传感器网络聚类算法

针对以能量有效的方式收集传感器网络空间相关性数据的问题,本文提出了一种新的基于位置感知的无线传感器网络聚类算法.算法根据用户查询误差门限和基于位置信息的节点感知数据相异度矩阵,进行无监督数据挖掘,将监测区域划分成信息等价域.每个等价域选取域内当前剩余能量最大的节点作为簇头,网络通过移动代理收集簇头感知信息,从而减少了传输数据量,有效节省了网络能量.     

基于随机抽样和聚类特征的聚类算法

在分析BIRCH算法不足的基础上，提出了一种基于随机抽样和聚类特征的聚类算法(CLAP)，该算法采用随机抽样技术，从数据库中抽取一部分数据进行聚类的预处理过程，这样大大降低了运行时间，CLAP通过设立索引树的叶节点的直径和聚类直径，提高了聚类的精度，并采用全局搜索和局部搜索相结合的方式，消除了输入顺序对聚类质量的影响．测试结果表明，CLAP算法不仅提高了聚类速度，而且改善了聚类质量。     

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。