一种基于局部密度的k-means算法

针对k-means算法必须事先指定初始聚类数k,并且对初始聚类中心点比较敏感,聚类准则函数对求解的最优聚类数评价不理想,提出一种基于局部密度的启发式生成初始聚类中心方法,在此基础上设计一种准则函数自动生成聚类数目,改进了传统k-means算法.实验表明改进的算法比传统k-means算法提高了聚类效率.     

改进k均值聚类算法在网络入侵检测中的应用研究

针对k-means算法事先必须获知聚类数目以及难以确定初始中心的缺点, 提出了一种改进的k-means聚类算法.改进后的算法首先使用了复合形和粒子群算法来选取聚类的初始中心点,然后使用k-means算法快速收敛获取聚类结果.实验表明:把改进后的算法用于网络入侵检测系统中,可以提高不需指导的异常检测的检测率,降低误检率.     

基于改进人工蜂群算法的k-means聚类算法

为克服k-means算法对初始聚类中心敏感的缺点,提出用改进后的人工蜂群算法来优化k-means算法的聚类中心。用最大距离积法对蜜源进行初始化,提高了蜜源的质量。增加蜜源搜索范围的动态调整因子,加快了算法的收敛速度。蜂群间经验值的交换,让算法在跳出局部最优解的同时,获得一个适应度值较高的蜜源;孤立点的寻找进一步提高了算法的有效性。实验表明,该算法加快了算法的收敛速度并提高了k-means聚类结果的准确度。     

一种优化初始聚类中心的k-means算法

随机选择初始聚类中心的k-means算法易使聚类陷入局部最优解、聚类结果不稳定且受孤立点影响大等问题.针对这些问题,提出了一种优化初始聚类中心的方法及孤立点排除法.该算法首先选择距离最远的两点加入初始化中心,再根据这两点将原始簇分成两个聚簇,在这两个簇中挑选方差较大的簇按照一定的规则进行分裂直至找到k个中心,初始中心的选择过程中用到孤立点排除法.在UCI数据集及人造含一定比例的噪音数据集下,通过实验比较了改进算法与其他算法的优劣.实验表明,改进后的算法不仅受孤立点的影响小、稳定性好而且准确度也高.     

一种改进的模糊层次聚类算法

为解决模糊层次聚类算法无法收敛的问题,提出一种改进的模糊层次聚类算法.算法在分群前先进行数据处理,将特征向量相同的群合并成一个新的群,再使用模糊层次聚类算法分群,最后使用K-means算法将类簇收敛为想要的数量.实验结果表明,本算法具有较好的稳定性和分群效果,聚类质量高.     

视觉特征空间中大规模聚类问题的一种鲁棒近似算法

视觉特征空间中的大规模聚类问题是图像识别和检索中亟待解决的问题.当前最好的算法是近似k-means算法,它是Lloyd算法的近似算法,只能依靠采用高准确率的近似搜索近似地保证聚类结果的性能.为此针对近似k-means算法提出改进的基本不增加时间、空间代价新算法,具有更好的算法收敛性和聚类性能.该算法利用了迭代求解过程中更多的信息,更有效地更新子类划分,使得聚类损失单调不增并且快速减小.理论证明,采用任意准确率的近似搜索,该算法都可以在有限轮迭代后收敛到Lloyd算法的收敛解.实验结果表明,分别采用最优参数产生同等性能结果时,所提出的算法比近似k-means算法快10倍.此外,通过比较全局特征聚类实验中的子类的图像,也直观地验证了其聚类效果.     

基于人工免疫粒子群优化算法的动态聚类分析

模糊C-均值聚类算法受初始化影响较大,在迭代时容易陷入局部极小值。将粒子群优化算法与模糊G-均值聚类算法相结合,提出一种新颖的动态聚类算法。该算法利用人工免疫思想改进粒子群优化过程,在很大程度上避免了粒子群算法和聚类算法早熟现象的发生,全局搜索能力和局部搜索能力优于同类算法。利用聚类理论中的经验规则kmax≤√n确定聚类数k的搜索范围,在最优粒子基础上进化新一级种群,该方案可有效提高算法的收敛速度。两组数据的仿真实验表明,新算法优于传统模糊C-均值聚类算法,具有收敛速度快和解的精度高的特点。     

基于混沌-量子粒子群的分簇路由算法

针对粒子群分簇路由优化算法存在的收敛速度慢、 易陷入局部最优等问题, 提出一种混沌-量子粒子群 的双子粒子群分簇路由算法。 该算法以簇头的能量、 簇头与汇聚节点的距离以及与簇内成员节点的距离构造 最优簇头的代价函数, 主粒子群利用混沌粒子群寻优, 辅粒子群利用量子粒子群寻优, 加入量子波动理论, 使 算法具有较好的全局收敛性。 双子粒子群采用收敛速度快的凹函数递减策略优化权重。 仿真结果验证了该算 法可使无线传感网络节点能量消耗均衡化, 显著延长网络生命周期, 与 LEACH(Low-Energy Adaptive Clustering Hierarchy)协议、 PSO-C(Cluster setup using Particle Swarm Optimization algorithm)协议相比生命周期分别延长了 80. 1%和 41. 4%。     

基于簇特征的文本增量聚类研究

提出了一种基于簇特征的文本增量聚类算法:充分利用简单、有效的k-means算法来进行初始聚类,并保留聚类后每个簇的簇中心、均值、方差、文档数、3阶中心矩和4阶中心矩作为该簇的簇特征,当出现新增数据时,利用初始簇的簇特征对新增数据进行聚类.在20newsgroups数据集上的实验结果表明:相比于对整个数据集进行重新聚类,该算法具有一定的优势.     

分布式k-means聚类算法的改进

经典的分布式k-means聚类算法随机选取初始聚类中心,进行多次的迭代,容易使得聚类效率低,网络通信量大,而且聚类结果不稳定。针对这些问题,提出一种改进的分布式k-means聚类算法。该算法通过划分数据集,计算属性最密集的k个数据块作为聚类中心,以确保聚类中心的代表性,进而减少算法的迭代计算次数,提高聚类效率。通过在Hadoop分布式平台上进行实验,结果表明改进算法能减少迭代次数和收敛时间。