改进的聚类算法在教学过程考核系统中的应用

为推进骨干教师教学激励计划的实施,开发了教学过程考核系统.该系统详细记录了教学过程的各个环节,以《计算机程序设计》课程为例,用K-means算法聚类统计该课程过程考核成绩时,针对随机选取初始聚类中心造成聚类精度和稳定性降低等敏感问题,提出了动态选取初始聚类中心的改进算法ICS-means.改进后的聚类方法减少了K-means算法对初值的依赖性,具有良好的稳定性,可对学生的学习效果做及时准确的反馈,促进教与学.     

基于K-means算法的电信用户行为特征聚类分析

面对日益激烈的竞争环境,不管是金融行业,还是电信行业,企业运营营销方式从大众化营销转为根据不同的用户群体需求提供的差异化营销,而差异化营销的关键因素就是用户有效细分。本文根据通信用户通话数据作为分析对象,通过采集相关特点人群呼入呼出次数、通话持续时长等数据比较筛选后得到相关特征,对用户通话数据进行聚类,以此获取具有良好电信特征的群体。然后在以上筛选基础上,结合用户数据,采用K-means算法挖掘出用户数据与相关工作业务之间存在的相关关联性结果。企业可以此类用户细分为指导,为用户提供更好的优质服务。     

一种面向数据缺失问题的K-means改进算法

文章针对聚类分析中部分数据缺失问题,提出了一种改进的K均值聚类算法,即改变原算法中计算每个数据到各簇距离的度量方法和新中心点生成方法,从而屏蔽空值数据的影响;通过选择UCI中Iris数据集,随机抽空部分数据进行测试表明,该算法可直接对存在数据空缺的数据集合进行聚类分析,并能有效屏蔽数据空缺对聚类结果的影响.     

基于初始均值点离散化的改进K-means算法

聚类分析是一种重要的数据挖掘方法,K-means算法是其中最常用的基于划分的方法。本文提出了一种基于初始均值点离散化的改进K-means算法。改进的算法在选取初始均值点时,尽量使初始均值点的分布离散化,解决了传统算法中随机选取初始均值点所造成的一些问题。同时,为了得到更高质量的聚类结果,本文进行了数据集中的离群点检测和自动确定参数k的最佳取值两方面的前期处理工作。实验证明,改进后的算法明显优于传统算法。     

基于信息熵改进的 K-means 动态聚类算法

初始聚类中心及聚类过程产生的冗余信息是影响K-means算法聚类性能的主要因素,也是阻碍该算法性能提升的主要问题.因此,提出一个改进的K-means算法.改进算法通过采用信息熵对聚类对象进行赋权来修正聚类对象间的距离函数,并利用初始聚类的赋权函数选出质量较高的初始聚类中心点;然后,为算法的终止条件设定标准阈值来减少算法迭代次数,从而减少学习时间;最后,通过删除由信息动态变化而产生的冗余信息来减少动态聚类过程中的干扰,以使算法达到更准确更高效的聚类效果.实验结果表明,当数据样本数量较多时,相比于传统的K-means算法和其他改进的K-means算法,提出的算法在准确率和执行效率上都有较大提升.     

一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means 算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.     

一种改进的基于密度和样本数量的K-means算法

对原始K-means算法进行了研究,通过改进,算法能够自动找出合适的k值,并且最大限度的找出孤立点。首先,寻找样本容量的最大可能初始聚类数n。然后做样本圆,将样本圆等分为n份,依据样本点的位置将样本归属到相应的份里,对初始的n个类进行聚类。最后通过应用DBSCAN算法的小类合并策略将需要合并的小类进行了合并。为了测试改进算法的聚类性能,将改进后的算法源码放在新西兰怀卡托大学所开发的开源平台"weka"上,在多个数据集上与原始K-means算法进行了对比实验,验证了改进算法在聚类质量和聚类稳定性上都远优于原始K-means算法。     

基于密度的K-means算法在识别含气、含水岩心中的应用

深层火山岩气藏研究一直是地震勘探的难点,火山岩储层固有的岩性和储层空间的复杂性使其油气预测非常困难。针对其特殊性,本文采用基于密度的K-means算法对深层火山岩含气、含水岩心进行聚类识别。通过分析该算法的聚类识别结果,该算法具有较高的识别准确度与稳定性,因而对地震反演和流体识别具有一定的参考价值。     

K-means算法聚类中心选取

传统K-means 算法对于聚类初始点的选取和距离度量的计算异常敏感,因而很可能导致K-means 算法只能收敛得到局部最优解。为此,提出一种改进的K-means 算法,即K-means 聚类算法最优匹配算法,并进行了相关的算法实验分析。该改进算法首先对传统的K-means 聚类算法进行初始点的选取,并分析聚类结果。然后,分别从初始聚类中心的选择和距离算法的确定进行实验测试,引入轮廓系数评价聚类效果,分析实验结果可知,K-means 聚类算法最优匹配算法具有较好的稳定性和较高的聚类准确率。     

一种基于Kmax的K-means改进算法

K-means算法需要人工设定聚类个数且易受孤立点影响,根据这个缺陷提出了一种新的改进算法。改进算法通过设定初始值及初始值的最大值,在聚类过程中自动获取聚类数k。实验结果表明,该算法在一定程度上缓解了K-means算法对初始值敏感及受孤立点影响的问题,能产生高质量的聚类结果。     

基于模拟退火算法对K-means聚类算法的优化

K-means聚类算法是近年来数据挖掘学科的一个研究热点和重点,该算法是基于划分的聚类分析算法.目前这种算法在聚类分析中得到了广泛应用。本文将介绍K-means聚类算法的主要思想,及其优缺点。针对该算法经常陷入局部最优,以及对孤立点敏感等缺点,提出了一种基于模拟退火算法的方法对其进行优化,可以有效地防止该算法陷入局部最优的情况。     

基于改进粒子群优化的K-means算法在学生状态分析系统中的应用

研究学生状态分析系统,旨在收集学生的综合数据,并对这些数据进行分析给出学生的状态,为老师和学生提供一个交流平台.使用基于改进粒子群优化的K-means算法来分析学生的数据,可以提高K-means聚类算法的全局搜索能力,缓解粒子群优化算法的早熟收敛现象.与基于标准粒子群优化的k-means算法和基于遗传算法的k-means算法的收敛结果相比,本文研究的算法有更好的搜索能力.将系统得到的学生评估结果与人工评价得到的相比,从系统获得的评价更全面、更客观.系统还可以提供视觉信息.最重要的是系统还能帮助老师更好地了解学生,及时引导学生,提高管理学生的效率.     

改进的Apriori算法在高校教学管理系统中的应用

在关联规则挖掘算法的基础上,提出了一种改进的Apriori关联规则算法,并将该算法应用于高校教学管理系统中的课程关联挖掘,得到了隐含在数据库中的有用信息。     

基于改进K-means算法的评价问题研究

【目的】研究评价问题中评价对象因个体差异性的聚类问题。【方法】首先引入夹角余弦刻画评价对象个体间倾向性上的差异大小,其次利用余弦相似度与欧式距离刻画评价对象的总体相似度,对Tzortzis和Likas提出的min-max K-means聚类算法进行改进。【结果】利用某高校参与评价教师的指标数据集进行初步的数值实验,证明了改进K-means算法的有效性。【结论】余弦相似度刻画考核对象的偏向性差异,很好的克服了欧式距离只考虑数值绝对值上的差异,具有重要的现实意义。     

三种典型聚类算法在职员评定中的应用

通过利用三种典型算法:Q-型模糊聚类算法、K-means算法及K-medians算法,对公司职员的年终评定进行应用分析,得到了不同的聚类结果,通过对结果的分析比较、探讨,得出结论:针对不同问题,应结合实际,有针对性地用不同算法更适合.并在此基础上,对聚类算法的聚类过程、本文后续工作进行了探讨总结.     

改进的Apriori算法在网络教学中的应用

通过探讨了网络教学中数据挖掘的常用方法,介绍了关联规则及Apriori算法,对该算法进行改进,并将改进的Apriori算法运用到实例,在网络教学中实现了个性化网页的推荐,提高了算法的效率.     

一种改进的K-means动态聚类算法

传统的K-means算法通过不断的重复计算来完成聚类,聚类中心点的不断变化产生的一些动态变化信息将对聚类产生一定的干扰,且当数据量过大时,算法的时间开销和系统的I/O开销将大大增加,这严重影响了算法的性能。为此,论文提出一种改进的K-means动态聚类算法,该算法充分考虑了K-means聚类过程中信息的动态变化,通过为算法的终止条件设定标准值,来减少算法迭代次数,减少学习时间;通过删除由信息动态变化而产生的冗余信息,来减少动态聚类过程中的干扰,使算法达到更准确更高效的聚类效果。实验结果表明,当数据量较大时,相比于传统的K-means算法,改进后的K-means算法较在准确率和执行效率上都有较大的提升。
     

基于改进的K-means聚类的学校恐怖袭击风险评估方法

基于改进的K-means聚类算法采用已有的恐怖袭击事件,构建不同袭击手段对不同袭击目标的风险进行评估分级的模型。首先,根据评估需求以及事件特点统计恐怖袭击事件样本数据;其次,针对K-means算法的恐怖袭击风险评估模型的缺陷采取改进方法,对聚类初始点的选择方法进行改良;再次,基于上述改进构建恐怖袭击风险评估模型;最后,选取1970～2019年全球发生的4 606起学校恐怖袭击事件进行风险评估,同时使用轮廓系数进行效果评价,以检验改进模型的有效性。结果提出改进的K-means聚类恐怖主义风险评估模型通过计算轮廓系数评价其聚类效果优于改进之前的恐怖主义风险评估模型,所构建的恐怖主义风险评估模型可以在不依赖于专家打分、确定权重的情况下基于已发生的事件得出较为客观的风险评估结果。     

一种改进的K-means聚类算法

传统的K-means聚类算法对初始聚类中心的依赖程度很大,聚类结果会随聚类中心的选择不同波动很大,为了消除这种中心选择不确定性,提出一种改进的K-means聚类算法,从而有效地改善初始聚类中心点选择的随机性,提高聚类结果的稳定性.仿真实验结果表明,改进后的K-means聚类算法优于传统的算法.     

一种局部概率引导的优化K-means++算法

针对K-means++算法选取初始聚类中心计算误差平方和时, 实验次数对误差平方影响不准确的问题, 提出一种PK-means++算法. 结果表明, 该算法在进行分散数据聚类时, 在同一K值情形下, 聚类后的误差平方和较原K-means++算法更稳定, 从而更好地保证了随机实验取值的稳定性.