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。     

改进的基于DBSCAN的空间聚类算法研究

针对DBSCAN算法I/O开销和内存消耗大的缺点,提出了基于层次合并的密度算法.该算法减少了DBSCAN算法中需要查询的点的数量,从而克服了DBSCAN算法I/O开销和内存消耗大的缺点.算法分析表明该算法对DBSCAN的改进是有效的.     

基于聚类和LOF算法的异常数据检测方法

聚类可用于异常检测,但其检查结果往往是不精准的.首先通过聚类算法DBSCAN对数据进行异常分析,然后再利用LOF算法对检出的异常数据进行异常程度的分析,最终得出异常数据集.     

改进DBSCAN聚类算法在电子商务网站评价中的应用

针对全国100家电子商务示范企业的相关数据, 先采用因子分析法对高维数据进行降维处理; 再通过改进DBSCAN（density based spatial clustering of applications with noise）算法对降维后的密度不均数据进行聚类分析, 得到了更合理的聚类结果; 最后根据聚类结果对相关示范企业提出改进建议.     

基于密度聚类算法的异常检测

聚类算法通常用于数据的聚类,但只要对算法结果从另一角度进行分析,则可发现它还可以用于异常数据的检测. 首先介绍了数据挖掘中的聚类算法,进而结合具体实例给出应用基于密度的聚类算法DBSCAN进行异常检测的过程,最后指出最终异常数据集的确定还应结合领域专家意见.     

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。     

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DBSCAN的自适应聚类算法的研究与实现

针对DBSCAN算法的不足,提出了一种基于DBSCAN的自适应聚类算法.通过引入对象密度迅速地找到数据集中的核心样本,并从核心样本出发进行统计学分析得到Eps与MinPts之间的函数关系及相关的Eps与MinPts参数值,并利用所获参数值进行自适应的聚类;采用若干个仿真和真实数据集进行实验,评估该算法的有效性和可靠性....     

基于模拟退火算法的属性均值聚类算法

基于对属性均值聚类算法和求解全局优化问题的方法的分析,提出了基于模拟退火算法的属性均值聚类算法。数值计算表明该算法是一个具有全局最优解的聚类方法。     

基于阈值的BIRCH算法改进与分析

平衡迭代规约层次聚类(balanced iterative reducing and clustering using hierarchies, BIRCH)算法是一个综合的层次聚类算法。但BIRCH算法为叶子节点中的簇设置统一的空间阈值,根据数据对象与簇之间的距离来决定数据对象的插入位置,从而忽略了簇与簇之间的关系;此外,算法在分裂节点时,选取距离最远的2个聚类特征作为子簇,其他聚类特征会根据与这2个聚类特征之间的距离关系分裂为另外的子簇,造成处于簇与簇之间的样本数据错误分类,这样会忽略聚类特征之间的关系。针对BIRCH算法的这2个问题,提出了基于阈值的自适应算法,用于解决原算法统一空间阈值的问题;并在针对聚类特征关系的问题上,结合朴素贝叶斯算法对原算法进行改进。对改进后BIRCH算法与传统的算法进行仿真实验。结果表明,改进算法在损失效率的情况下,聚类效果得到了明显的改善,并且与其他算法相比,所提算法具有不错的表现性,而且具有跨数据集的鲁棒性。     

一种基于密度和网格的高效聚类算法

聚类已成为数据挖掘的主要方法之一,能够帮助人们在大量的数据中发现隐藏信息.目前最具典型的密度聚类算法是DBSCAN(density-based spatial clustering of applications with noise),它能够在空间数据库中很好地发现任意形状的簇并有效地处理噪声,但是它的计算复杂度相对较大.因此,采用划分数据集和聚簇合并方法,提出了一种基于密度和网格的高效聚类算法DGCA,并通过人工合成数据集和真实数据集对该聚类算法进行理论验证.实验结果表明该算法在效率性能和质量方面比DBSCAN都得到了提高.     

DBSCAN算法在高性能计算中心用户分类的应用研究

为提高集群资源使用效率,管理员需要对用户进行分类,从而对不同用户提出资源使用策略.DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法可对用户进行分类,但对初始参数敏感.为此,提出改进算法,首先将密度进行层次划分,由此得出各层次的密度阈值,在每种阈值下采用DBSCAN算法,解决全局参数问题.在此基础上,创新地使用一个直接可达距离排序队列,将排序信息作为可变参数,减小初始参数对结果的影响.通过高性能计算中心用户数据的实例验证了其可行性.实验结果表明,改进后的算法提高了用户分类的准确性和全面性.     

DBSCAN算法在高性能计算中心用户分类的应用研究

为提高集群资源使用效率, 管理员需要对用户进行分类, 从而对不同用户提出资源使用策略。DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法可对用户进行分类, 但对初始参数敏感。为此, 提出改进算法, 首先将密度进行层次划分, 由此得出各层次的密度阈值, 在每种阈值下采用DBSCAN算法, 解决全局参数问题。在此基础上, 创新地使用一个直接可达距离排序队列, 将排序信息作为可变参数, 减小初始参数对结果的影响。通过高性能计算中心用户数据的实例验证了其可行性。实验结果表明, 改进后的算法提高了用户分类的准确性和全面性。     

基于AIS数据的船舶会遇挖掘与分析

为实现在AIS海量数据中快速高效地识别会遇船舶信息,对会遇船舶航行过程实施监控和分析,识别研究水域内存在的海上交通安全风险点。以台湾海峡部分区域内的AIS数据作为研究对象,运用改进的DBSCAN聚类算法,结合船舶会遇特征参数计算,挖掘两船会遇与多船会遇信息,根据船舶方位和航向差划分船舶交叉、对遇和追越三种会遇局面,并通过定量化方式多维度描述不同类型的船舶会遇过程。结果表明:分析轨迹数据的时空特性可以再现船舶会遇场景,能更清晰全面地展现船舶的会遇过程。     

基于双簇头聚类分簇和数据融合的无线传感器网络路由算法

针对无线传感器网络中基于低能量自适应聚类层次(LEACH)算法进行分簇时出现的簇分布不均匀及路由能量消耗过快问题,提出一种基于双簇头聚类和数据融合的分簇算法.该算法在分好的簇中选择两个级别的簇头,两个簇头履行不同职责,能更好地均摊能量消耗,提高了分簇均匀性.仿真实验结果表明,该算法降低了网络能耗,提升了网络生命周期.     

基于模拟退火的无监督核模糊聚类算法

提出一种新的核可能性聚类模型, 该模型以核可能性Xie-Beni聚类有效性指标作为代价函数, 基于可逆跳转马尔可夫链蒙特卡罗(RJMCMC)的模拟退火方法作为优化策略, 聚类个数可以在给定的范围内进行变动, 最优的聚类个数与聚类划分被自动获得. 比普通的基于模拟退火的(核)可能性聚类具有更高的效率, 且避免了普通(核)可能性聚类中易产生重合聚类的缺陷. 人造数据集和真实数据集上的对比实验表明了算法的有效性.     

基于最优簇头数的环形无线传感器网络分簇算法

基于无线传感器网络中每个环能量消耗最小原则, 提出一种基于最优簇头数的环形无线传感器网络分簇算法. 首先计算出网络中每个环的最优簇头数, 然后在最优簇头数的基础上, 将网络划分为若干不同大小的簇, 最后在选择簇头时, 考虑了每个环的最优簇头数与相应环中节点数目的比值、 节点的剩余能量以及簇成员节点到簇头节点的最短距离与簇头节点到基站距离的关系. 解决了无线传感器网络簇内节点通信能量消耗过多的问题, 均衡了网络节点的能耗. 仿真结果表明, 该算法提高了网络能效和扩展性, 平衡了网络能耗, 延长了网络的生命周期.     

基于最优簇头数的环形无线传感器网络分簇算法

基于无线传感器网络中每个环能量消耗最小原则, 提出一种基于最优簇头数的环形无线传感器网络分簇算法. 首先计算出网络中每个环的最优簇头数, 然后在最优簇头数的基础上, 将网络划分为若干不同大小的簇, 最后在选择簇头时, 考虑了每个环的最优簇头数与相应环中节点数目的比值、 节点的剩余能量以及簇成员节点到簇头节点的最短距离与簇头节点到基站距离的关系. 解决了无线传感器网络簇内节点通信能量消耗过多的问题, 均衡了网络节点的能耗. 仿真结果表明, 该算法提高了网络能效和扩展性, 平衡了网络能耗, 延长了网络的生命周期.     

基于空间结构约束的改进迭代最近点影像配准

提出了一种改进的基于空间结构约束的迭代最近点(ICP)影像配准方法.该方法通过结合特征点的空间结构相似性和特征相似性获得特征点的匹配矩阵,其中特征相似性通过特征点的局部特征描述算子进行计算,空间相似性则通过特征点的空间位置进行计算.特征点之间的空间结构相似性不仅包括了对应特征点之间的空间距离,还包含了特征点到邻近特征点的空间距离.在匹配过程中,分别从参考影像和待配准影像的角度出发,实现了匹配的对称性处理.通过对具有不同影像特征的真实遥感影像进行实验,结果表明该算法具有较高的配准精度.