基于改进近邻传播聚类的异构无线传感器网络分簇算法

在近邻传播聚类算法基础上提出了基于偏向参数p可变的分簇路由算法CPAP,该算法针对异构无线传感器网络的特殊背景,改变AP算法偏向参数p的常规设置方式,综合考虑能量、距离因素解决分簇问题;另外,分析了算法中K参数的影响,取得其近似最优值。仿真结果表明:CPAP与PECBA相比,第一死亡节点出现时间推迟了28.5%,将更多的能量用于网络开始死亡之前,提高了网络的能量利用率。     

基于改进近邻传播算法的聚类质量评价模型

针对近邻传播(Affinity Propagation,简称AP)算法在对非团状数据集聚类过程中出现的局部聚类较多、精准度不高等问题,提出了一种基于改进AP算法的聚类质量评价模型.首先,在AP算法初步聚类的基础上,通过合并相似度较大的簇,减小聚类上限值k_max,进一步压缩聚类区间范围;其次,给出一个新的内部评价指标,用分属不同簇的样本对的平均距离代表簇间距离,削弱噪声数据的影响,平衡簇间分离度与簇内紧致度的关系.在UCI和KDD CUP99数据集上的实验结果表明,新模型可以给出精准的最优聚类数(范围),能够在保持较低漏报率的同时,有效提高样本的检测率和分类正确率.     

基于奇异值分解的自适应近邻传播聚类算法

针对近邻传播算法无法有效处理高维数据而导致聚类效果不佳的问题, 提出一种基于奇异值分解的自适应近邻传播（SVD-SAP）聚类算法. 通过引入奇异值分解, 对高维数据进行重构、 降维, 消除冗余信息, 并在此基础上采用非线性函数策略, 自适应地调整阻尼系数, 提高算法的聚类性能. 仿真实验结果表明, 与已有算法相比, 该改进算法聚类精度更高, 收敛速度更快.     

利用小波变换多尺度传播特性实现地震信号去噪

小波变换可以把时域信号变换到时间尺度域中,在不同的尺度下观察信号不同的局部化特征．由于信号和噪声具有不同的奇异性,它们的二进小波变换模的极大值在不同尺度下的传播特性也不同．文中根据信号和噪声在小波变换域模极大值的多尺度传播特性的不同,以及地震信号相邻道的相关性,提出了一种去除地震信号中随机噪声的方法,实验表明该方法具有较好的去噪效果．     

基于和声搜索的近邻传播算法

针对近邻传播算法中偏向参数调优难的问题,提出了一种基于和声搜索的近邻传播算法(HS-AP),利用和声搜索自动为数据集匹配最佳偏向参数,进而提高算法聚类精度。HS-AP算法首先把偏向参数编码为和声,利用和声算法自动搜索最佳和声,并将搜索到的和声解码为偏向参数进行运算。在UCI标准数据集上进行实验对比表明HS-AP算法在准确率,兰德指数,正则化互信息三个指标方面均有提升。准确率平均提升了6.36%,兰德指数平均提升了4.677%,正则化互信息平均提升了19.04%。     

基于Radon变换的多尺度虹膜识别算法

针对现有虹膜识别算法需要处理二维纹理信息,特征提取时间长,对噪声干扰比较敏感等问题,提出了基于Radon变换的多尺度虹膜识别算法.首先利用Radon变换将二维虹膜纹理信息转换为一维纹理信号,然后使用小波变换多尺度能量算子提取虹膜的特征信息,最后利用相异度函数进行匹配判别.实验结果表明,算法具有运算简单,快速等优点,同时算法能够较好地克服图像平移、缩放、旋转等几何攻击对识别带来的不利影响,具有较强的抗干扰能力和较高的识别率.     

图像基于小波包变换的多尺度匹配算法

基于梯度算子的图像匹配方法存在收敛速度慢、迭代容易落入局部最优点等问题,针对这些问题,提出了一种基于小波包变换的多尺度图像匹配算法.该算法利用小波包的多尺度特征对图像进行不同分辨率的分解,先对低分辨率的子图像进行匹配,再根据该结果对高分辨率的子图像进行匹配.实验表明该算法匹配准确度高,计算速度较快且减小了迭代落入局部最优解的概率.     

基于小波变换的多尺度多阈值的语音增强算法

本文提出了基于小波变换的多尺度多阈值语音增强算法,采用软限幅函数对浊音和清音的小波系数作不同的阈值处理,仿真结果表明,这是一种有效的语音增强算法.     

一种基于K近邻团的聚类算法

在K近邻和逆K近邻理论基础上提出了K近邻团的概念。通过度量对象间的相似度,任意两个元素都互为K近邻和逆K近邻的对象集合构成一个K近邻团。利用同一个K近邻团中的对象彼此都具有较高相似性的特点,选取不同的K值对目标集合进行聚类。通过实验证明了该方法的有效性。     

小波变换模极大值多尺度边缘检测算法分析

文章利用小波变换和多分辨率分析的性质,从多尺度角度对图像边缘检测算法进行分析,总结出小波变换模极大值多尺度边缘检测算法。通过对标准图像Lena进行小波变换模极大值多尺度边缘检测结果发现,其比小波变换模极大值边缘检测算法和Canny算法在部分边缘检测中得到了更多的细节信息,使图像变得更真实。     

基于局部线性嵌入的半监督仿射传播聚类算法

针对运用半监督仿射传播聚类算法处理高维数据时聚类精度低和计算量大的问题,提出一种基于局部线性嵌入的半监督仿射传播聚类算法.该算法首先通过LLE算法将高维输入数据集映射到低维空间得到低维数据集,计算低维数据集的相似度矩阵,再用半监督算法调整相似度矩阵,最后用仿射传播聚类算法对低维数据进行聚类分析.仿真结果表明,本文提出的算法与半监督仿射传播聚类算法相比,在处理高维数据时聚类效果更好,精度更高,迭代次数更少.     

基于动态阻尼因子的动态阻尼仿射传播聚类

为了有效地控制仿射传播聚类的全局搜索和局部搜索,将仿射传播聚类视作一个搜索能量函数最小值的方法,提出一种基于动态阻尼因子策略的动态阻尼仿射传播聚类．使用两阶段动态阻尼因子策略,使得仿射传播聚类迭代过程中阻尼因子不再是静态固定值,而是自适应的动态改变值,构造了1种线性策略和2种非线性策略来动态改变阻尼因子的值．在标准数据集上的实验结果表明：动态阻尼仿射传播聚类避免了仿射传播聚类发生震荡,同时可以加快仿射传播聚类的收敛．     

基于变异赋权的吸引子传播算法

基于传统吸引子传播算法, 通过样本特征赋权, 克服冗余信息的影响及给出新的相似性度量方法等策略, 提出一种基于变异系数赋权的吸引子传播算法. 实验结果表明, 该算法在处理属性较多、 信息重叠的样本时, 不仅具有吸引子传播算法的快速、 高效聚类特征, 且聚类性能明显优于传统吸引子传播算法和K-均值等经典聚类算法.     

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.     

RiskRank:一种网络风险传播分析方法

通过研究网络风险传播途径和规律,提出一种RiskRank网络风险传播分析方法.通过计算网络节点间相似关系和临近关系,以构建网络风险传播图谱,并基于随机游走方法迭代计算网络风险传播模型,以动态分析网络风险传播过程并量化评估网络风险程度,最后采用密度聚类算法识别高风险簇,通过隔离高风险簇以控制安全态势.实验结果表明,提出的RiskRank网络风险传播模型的准确率为97.4、精度为98.1％、召回率为86.4％.     

基于力的类同传播聚类方法

提出一种基于力的类同传播聚类方法AFAPC.依据万有引力定律,根据数据间的相互引力,并在数据组成的网络中交替传递类同信息,计算出数据的聚类和对应的聚类中心.实验结果表明,AFAPC能在更短的时间内,取得与类同传播聚类算法APC相媲美的聚类效果.     

基于AP-BP神经网络的建筑能耗分析与预测

建筑行业对能源的节约是当前节约能耗的重要途径之一,在对能源浪费现状和建筑物能源绩效调研和分析的基础上,提出了一种基于affinity propagation（AP）聚类的back propagation（BP）神经网络建筑能耗分析与预测方法。通过AP聚类算法对影响建筑能耗的多维因素进行聚类分析,得到影响建筑能耗的主要因素并作为BP神经网络的输入,然后将建筑能耗指标热负荷和冷负荷作为BP神经网络的输出,建立建筑能耗分析与预测模型。均方根误差（RMSE）和平均相对泛化误差（ARGE）评价指标分析结果表明,本文所提方法对能耗值预测的拟合程度优于经典的BP神经网络,且通过建筑能耗输入输出的结构调整能够节约能耗,提高能效。     

基于AP算法支持向量机的设计与应用

设计一种基于AP聚类算法和SVM分类器相融合的新的混合分类器, 使用AP聚类算法优化数据集, 得到了高质量、 小样本的SVM分类器训练集. 实验结果表明: 与传统的SVM分类器相比, 混合分类器具有更高的分类精度; 在心脏病预测上, 该分类器的效果较好.     

基于多维缩放和KICIC的电力负荷聚类

电力负荷曲线聚类在电力大数据研究中有重要的应用。针对传统负荷聚类方法难以有效处理海量化的高维负荷数据,以及存在簇间样本模糊导致算法聚类质量不高、聚类效率低下等问题,提出一种结合多维缩放(multi-dimensional scaling, MDS)和一种新的集成簇间、簇内欧式距离的加权K-means方法(weighting k-means clustering approach by integrating intra-cluster and inter-cluster distances, KICIC)的聚类算法(MDS-KICIC)。该方法首先采用MDS算法对高维负荷数据进行数据降维处理,得到降维后的低维矩阵和归一化的特征值向量作为KICIC算法的输入矩阵和权重向量,KICIC通过在子空间内最大化簇中心与其他簇数据对象的距离来融合簇内和簇间的距离进行聚类,得到最终聚类结果。通过算例表明该方法运算时间短、聚类质量高,进一步提高了负荷曲线的聚类性能。