基于核的模糊c均值聚类算法的收敛性定理

利用Zangwill收敛性定理, 证明了基于核的模糊c均值聚类算法(KFCM)的收敛性. 结果表明, 当核函数在给定数据集上诱导的距离矩阵满足一定条件时, KFCM算法产生的迭代序列收敛或至少存在一个子序列收敛于KFCM聚类模型目标函数的局部极小值点或鞍点.     

WCCN聚类序列核函数在话者识别中的应用

针对说话人确认系统中GMM超向量建模计算复杂度高以及易受信道干扰的问题,提出一种新型的基于Bhattacharyya距离聚类的WCCN序列核函数算法.首先计算话者GMM模型之间的Bhattacharyya距离,根据该Bhattacharyya距离对话者模型进行聚类,得到聚类中心模型;紧接着对聚类中心模型的均值向量进行MAP自适应,进而生成超向量序列核函数;最后采用WCCN平滑归一化技术对序列核函数进行信道补偿,抑制噪音和信道畸变对核函数的影响.将该Bhattacharyya聚类WCCN核函数应用到SVM说话人确认系统,仿真实验结果表明该核函数可以有效地提高系统的识别准确率和识别速度.     

植物Cot—1DNA的快速制备方法

Ｃｏｔ－１ＤＮＡ富含高度和中度重复序列,能封阻ＹＡＣ和ＢＡＣ中的重复序列,从而促进了大片段ＤＮＡ在原位杂交技术（ＩＳＨ）中的应用。植物Ｃｏｔ－１ＤＮＡ尚未商品化,本文介绍了一种简捷的快速制备植物Ｃｏｔ－１ＤＮＡ的方法。     

核k-凝聚聚类算法

为解决k-means聚类算法和k-凝聚聚类算法对于非凸形状数据聚类正确率低和模糊核聚类算法(FKCM)收敛速度慢的问题,将k-凝聚聚类算法与核函数方法相结合,在高维特征空间构造了新的核聚类算法--核k-凝聚聚类算法,实现了k-凝聚聚类算法的核化.通过Matlab编程进行数值实验,证明了核k-凝聚聚类算法在聚类的准确性、稳定性、健壮性等方面较之k-means聚类算法、k-凝聚聚类算法和FKCM有一定程度的改进.     

基于模糊聚类的绿色工艺评价样本分类方法

针对绿色工艺评价样本具有不确定性、多维性以及量纲差异大的特点,为实现样本的合理分类,提出一种基于核的模糊可能性聚类新算法.该方法将核模糊聚类算法、可能性聚类算法和减法聚类算法相结合,以提高聚类的准确率;使用聚类有效性指标作为分类条件,自适应确定最佳分类数.仿真实验结果表明,该算法具有较好的有效性和鲁棒性,并将该算法运用在绿色工艺评价样本分类中,得到了较好的分类效果,验证了算法的实用性.     

基于核聚类算法的高校定位研究

提出一个基于核聚类算法的高校定位模型.引入核函数,将原始数据由数据空间映射到特征空间中进行聚类.核聚类算法经过了核函数的非线性映射,使原始数据的特征更完整地显现出来,从而使聚类结果更客观、有效,可以解决传统方法主观性强、偏差大的缺陷.将核聚类算法应用于我国16所高校定位的研究,结果表明该方法可行且有效.通过聚类结果的分析,提出高校可分为教学科研生态位协调型、低教学生态位高科研生态位型、高教学生态位低科研生态位型3类,并对不同类型高校提出发展建议.     

分离纯化豌豆核DNA的有效方法

通过改进豌豆核ＤＮＡ的分离纯化方法,简化了分离纯化豌豆核ＤＮＡ的操作程序;纯化了的Ｇ２ 豌豆核ＤＮＡ 的紫外吸收值Ａ２６０／ Ａ２８０ ＝ １ ．９２ ,Ａｌａｓｋａ 豌豆核ＤＮＡ的紫外吸收Ａ２６０／ Ａ２８０ ＝ １ ．８８, 表明该方法提取的豌豆核ＤＮＡ是高纯度的ＤＮＡ,根据光吸收值测定产量收率,从每克豌豆幼苗中可获得约１３０ μｇ 核ＤＮＡ,这为豌豆核ＤＮＡ 的有关分子生物学研究提供了简便、经济、有效的分离纯化方法．     

一种基于序列相似性的蚁群聚类算法SeqAntCluster

将序列数据的相似度度量方法S3M引入蚁群聚类算法中,提出一种基于序列相似性的蚁群聚类算法。该算法既继承了蚁群聚类算法原有的优点,又能有效地对序列数据聚类,更适合处理序列数据。     

多类核极化及其在多宽度RBF核参数选择中的应用

针对多类支持向量机的模型选择问题, 提出一种适用于多分类问题的核函数度量标准, 称为多类核极化。进一步地, 提出了基于优化该标准的多宽度RBF核的参数选择算法。与传统的基于k-折交叉验证的穷举搜索方法相比, 该算法利用基于梯度的搜索技术自动实现模型选择, 克服了传统方法的经验性强、计算量大的不足。UCI数据集上的实验结果验证了多类核极化与多参数模型选择算法的有效性。     

基于核模糊聚类的遥感影像分类

基于模糊模式识别原理和核方法特性,提出了基于核的模糊聚类算法,用核目标函数取代模糊C均值中的目标函数,选用高斯核函数实例研究了模糊核聚类在遥感影像分类中 的应用。结果表明：与传统的模糊聚类算法相比,模糊核聚类算法能够有效改善遥感影像分类效果,从而拓宽了模糊模式识别的应用范围。     

基于人工免疫聚类的欺诈客户分析

针对传统aiNet聚类算法在处理欺诈客户分析时聚类精度差的问题,该文基于一种新的免疫聚类算法(SE-aiNet)提出了利用子群群体特征进化的免疫聚类算法,使收敛速度有显著提高,并在保持抗体种群规模的情况下有效提高了抗体的多样性;以训练所得的规则集来判断客户是否欺诈,经某银行的实际数据验证,算法的误分比例为24.0%,而相同环境下BP-NN算法的误分比例为32.3%,C-SVM的误分比例为28.6%。     

有序样品聚类的差异序列法

本文借助于两个样品的差异度和有序样品的差异序列两个概念，提出了有序样品聚类的差异序列法法。聚类数和分割点可以容易地由差异法获得。对某些无序样品，也可以应用差异序列法。三个例子说明，差异序列法是简单、有效的。     

一种模糊聚类的快速算法

现有模糊聚类算法存在运算量大,速度慢等特点,限制了模糊聚类的运用,在对模糊相似矩阵和模糊等价矩阵的性质研究后,提出了一种模糊聚类的快速算法,以减少运算量,提高运算速度。实验证明,新的算法运算量减少约一半,速度达到传统的模糊聚类算法的2．4倍左右。     

基于聚类分析的DNA序列分类研究

从DNA序列片段的个案中密码子分布密度角度出发,提取出DNA序列片段的特征,应用模糊数学中的模糊聚类分析理论对DNA序列片段进行分类．由DNA序列片段中64种密码子出现的频率,给出两个案夹角余弦的定义,由两个案的交角余弦来描述个案之间的相关性．采取分层聚类分解法,应用SPSS统计软件,计算出描述个案之间相关性的模糊矩阵,同时给出DNA序列片段的分类结果．仿真结果表明,该算法具有分类简单且分类结果精度高的优点．     

Canopy在划分聚类算法中对K选取的优化

针对划分聚类算法中聚类数K的取值工作量较大的问题, 提出一种新的Canopy+算法. 该算法可实现对聚类个数K的预判, 在保证准确率的前提下提高聚类工作效率.     

基于改进遗传算法的模糊聚类研究及应用

模糊C-均值聚类算法是一种局部搜索算法,采用迭代的爬山技术,对初值敏感易陷入局部最小值。遗传算法是一种全局优化算法,能够克服模糊C-均值聚类算法陷入局部最小值的问题,但遗传算法收敛速度慢,易早熟。应用小生境思想对遗传算法进行了改进,以保护种群中基因的多样性,设计了基于最短距离的算术交叉算子、边界变异算子及双精英种子参与进化的策略。仿真实验结果表明,改进后的算法能够提高模糊聚类的收敛速度和聚类质量。     

基于移动代理的无线传感器网络路由算法研究

在无线传感网络中,簇的划分以及簇内节点访问顺序对网络生存周期具有重要影响。为了提高分簇网络生存周期,提出一种分簇融合的方法。采用ISODATA聚类法实现网络的分簇,在簇内由移动代理对数据进行融合。将移动代理路由归结为一个优化问题,采用蚁群算法求出移动代理迁移的最优路径序列。实验以能耗和网络延时作为评价指标,结果表明该算法可以有效的降低网络能耗,提高网络生存周期。     

一种基于滑动窗口的一趟数据流聚类算法

在海量的动态数据流中发现有价值的知识,是数据挖掘技术研究的重要问题.研究数据流聚类,根据数据流的特点,提出了一种基于滑动窗口的一趟数据流挖掘的算法,对原有的一趟数据流聚类算法进行了改进,增强了一趟数据流聚类算法的扩展性,改进了数据流聚类的质量.     

结合聚类模型和自适应模型的遗传算法

在进化后期,自适应遗传算法有助于保存种群中的优秀模式;但在进化初期,对适应度值大的个体的保护,易降低种群的多样性、减弱算法的搜索性能。基于聚类的遗传算法可以提高遗传算法的收敛速度和搜索性能,但交叉概率和变异概率取定值,易使优秀模式在进化后期遭到破坏,难以收敛到全局最优。在遗传算法中同时引入聚类模型和自适应模型,有利于继承两类改进型遗传算法的优点,克服各自的不足。使用经典的测试函数对引入聚类模型和自适应模型的遗传算法进行测试,仿真结果表明:同时引入聚类模型和自适应模型的遗传算法比引入聚类模型或自适应模型的遗传算法具有更好的收敛速度和寻优能力。     

定向信息推荐下多维信任数据协同推荐算法研究

随着通信用户数量的逐渐增加,当前多维信任数据协同推荐算法无法有效满足用户对资源多样性、准确性和发掘能力的要求。为此,提出一种新的定向信息推荐下多维信任数据协同推荐算法。通过矢量空间模型对用户兴趣进行描述,将具有代表性的用户看作该类用户的聚类中心,建立用户对资源的偏好矩阵,求出依据综合信任值的用户相似度;重复选择聚类中心,直至符合既定阈值。获取用户聚类结果后,选择待推荐用户所处聚类中和该用户相似的若干用户,依据上述近邻对目标资源的评分值实现目标用户对目标项目的预测。给出定向信息推荐下多维信任数据协同推荐算法的实现过程,输出Top-N多维信任数据推荐集合。实验结果表明,所提算法预测精度和资源多样性高,发掘能力强,推荐效果好。