一种高效鲁棒的无监督模糊c均值聚类算法

先通过数据约简技术在不损失数据聚类结构的前提下对数据进行精简, 利用提出的近似模糊c均值聚类算法对精简后数据进行划分得到初始化中心, 再在该中心基础上通过模糊c均值聚类算法结合聚类有效性指标, 实现对数据的无监督聚类, 改进了无监督模糊c均值聚类算法聚类性能过分依赖初始化中心及大数据集下计算效率不理想的问题. 与已有算法的对比实验表明, 所提出的算法具有更高的求解精度与计算效率, 得到的聚类个数更合理.     

两类相依样本密度函数核估计的相合性

设{X_n,n≥1}为同分布的NOD随机序列或严平稳的m相依序列, f(x)为随机变量X₁的概率密度函数. 基于样本X₁,X₂,…,X_n, 利用Fourier变换及NOD列的性质和相关指数不等式, 研究密度函数f(x)的核估计, 在适当的条件下得到了[KG-*4]f(x)核估计的逐点强相合性、 r阶相合性及依概率一致收敛性.     

基于最小生成树的多层次k-Means聚类算法及其在数据挖掘中的应用

针对传统聚类算法存在挖掘效率慢、 准确率低等问题, 提出一种基于最小生成树的多层次k-means聚类算法, 并应用于数据挖掘中. 先分析聚类样本的数据类型, 根据分析结果设计聚类准则函数; 再通过最小生成树对样本数据进行划分, 并选取初始聚类中心, 将样本的数据空间划分为矩形单元, 在矩形单元中对样本对象数据进行计算、 降序和选取, 得到有效的初始聚类中心, 减少数据挖掘时间. 实验结果表明, 与传统算法相比, 该算法可快速、 准确地挖掘数据, 且挖掘效率提升约50%.     

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Canopy的KFCM聚类优化算法

在以模糊集为理论支持的聚类算法中,KFCM(kernel fuzzy c-means clustering)是一种对核函数进行优化的模糊聚类算法。KFCM算法需要人为指定数据的分类个数,对数据噪声敏感会降低其性能,且类边缘数据点相互影响会导致分类错误。针对这些问题,该文提出一种改进的C-KFCM模糊算法,先用Canopy粗聚类算法给出数据集大致的分类数,接着在聚类部分使用KFCM算法。改进了原KFCM算法的隶属度函数,在噪声点和边缘数据的隶属度中引入其邻域数据的隶属度平均值,使数据中的噪声对算法的影响减小或消失。实验结果表明,改进的C-KFCM算法能自动确定分类数,并且与原KFCM算法相比,C-KFCM将平均准确率提高了0.09%,且聚类效果更稳定。     

菊花‘千手观音’LEAFY基因转录区基因组克隆和结构分析

LEAFY(LFY)基因在植物花发育过程中具有重要作用,不仅控制着花序分生组织向花分生组织的转变,而且控制着开花时间.通过基因组PCR扩增,获得了菊花‘千手观音’LFY同源基因序列.序列分析表明该基因包括2个内含子和3个外显子.其内含子1的2个序列长短不同,差异明显.2个内含子与甘菊的LFY同源基因DFL相比都表现出了丰富的变异性.其外显子推测的氨基酸序列与甘菊DFL的氨基酸序列相似性达99%.系统进化分析表明‘千手观音’的LFY同源基因与所有的菊属植物的LFY基因在树的同一枝上,且距双子叶植物的距离近于单子叶或裸子植物.Southern杂交表明,‘千手观音’基因组中LFY同源基因以两个拷贝形式存在.     

多视角核K-means聚类算法的收敛性证明

用Zangwill收敛性定理对多视角核K-means(MVKKM)的收敛性进行了分析.结果表明,当满足一定的条件时,MVKKM生成的迭代序列收敛或至少存在一个子序列收敛于算法目标函数的局部极小值或鞍点,并在Matlab环境下,通过实验验证了算法在不同视角和不同的权重指数下的收敛性.     

Clifford分析中k正则函数的线性边值问题

利用积分方程的方法和压缩映射原理研究Clifford分析中k正则函数的线性边值问题, 证明了解的存在性和唯一性, 得到了解的积分表达式.     

Gauss-Weierstrass算子加Jacobi权的Lp-逼近

 对Gauss-Weierstrass算子引入Jacobi权函数,利用带权K-泛函和加权光滑模之间的等价性,研究Gauss-Weierstrass算子的导数和函数光滑性之间的关系,得出了Gauss-Weierstrass算子加权后Lp-逼近下的特征刻划.     

靶向沉默人HER2/neu基因的RNA干扰

针对人HER2/neu基因的mRNA序列, 设计并构建shRNA干扰载体, 经聚合酶链式反应(PCR)及测序鉴定后转染SK-BR-3细胞, 并检测HER2/neu mRNA和蛋白抑制情况及SK-BR-3细胞迁移能力的变化. 实验结果表明： 构建了3个HER2/neu shRNA真核表达质粒; 3个重组质粒均可不同程度下调HER2/neu mRNA和蛋白表达水平, 并抑制SK BR 3细胞的迁移; 其中1号重组质粒效应最强, 对mRNA和蛋白的抑制率分别为84.65%和7498%.     

PSO高斯诱导核模糊c均值聚类算法*

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊c均值聚类算法(PSO Gauss-induced kernel fuzzy c-means clustering algorithm, PSO-GIKFCM)。首先将高斯核函数应用于模糊c聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

基于Boltzmann选择的人工蜂群KFCM算法

为提高算法的搜索效率、减少搜索过程中陷入局部最优的现象,将人工蜂群算法用于核模糊C-均值聚类,但在聚类数比较大和维度较高时效果不太好,为此引入Boltzmann选择机制代替轮盘赌的选择方式,并采用小区间生成法使初始群体均匀化,使得该算法的全局寻优能力更强,有效克服了KFCM算法易陷入局部最优的缺点.实验结果表明,对于聚...     

融合KFCM与改进DRLSE模型的甲状腺结节图像分割

针对超声甲状腺结节图像分割问题,提出一种融合模糊核(KFCM)聚类算法与改进距离正则化水平集演化(DRLSE)模型的分割算法,解决了DRLSE模型对初始轮廓敏感、演化参数需要人工设定及分割弱边缘能力较差的问题.该算法先利用KFCM聚类算法粗分割出结节区域并二值化作为水平集初始演化轮廓,然后利用初始演化轮廓围成的区域自动计算出水平集演化参数,最后采用高斯正则化规则演化水平集分割出甲状腺结节区域.对比实验结果表明,该算法提高了甲状腺结节的分割精度,在噪声干扰下也能准确地分割出结节区域.     

散乱点云去噪算法的研究与实现

提出了一种快速去除散乱点云数据表面噪声和离群点的鲁棒滤波算法.应用核密度估计聚类方法,通过Mean-Shift迭代过程将每一个采样点"漂移"到核密度估计函数的局部最大值点,该最大值点确定了点云数据的聚类中心并能准确逼近原始曲面,使点云曲面收敛为一个稳定的三维数字模型.算法中的似然估计函数充分考虑了散乱点的法矢方向,因此不仅可以去除不同幅度的噪点,还可以用简单的阈值条件很容易地检测出离群点的聚类,从而实现了点云数据的高效快速光顺去噪.     

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。     

求解全局优化问题的填充函数法

给出一类基于目标函数和变量与极值点距离平方的填充函数, 应用此函数可从一个极小值点出发, 找到函数值小于此极值的另一极值点; 证明了适当选取参数r可使函数达到总体极小值而非鞍点值或极大值, 并给出了具体的算法步骤及算例.     

基于动态隧道系统的K-means聚类算法研究

针对K-means聚类算法易陷入局部极小的问题,利用动态隧道算法在解决全局最优化问题中的有效性,将算法中的动态隧道过程引入到K-means聚类算法中,提出了一种基于动态隧道算法的K-means聚类算法.该算法在K-means聚类算法寻优得到的局部极小值基础上,利用动态隧道过程寻找更小的能量盆地,再将其值提交给K-means聚类算法进行迭代寻优,重复该过程,直到找到全局最小值.理论分析和仿真实验证明,该算法的聚类效果要优于K-means聚类算法.     

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.     

一个改进的原始对偶内点方法

针对一般的光滑约束最优化问题, 提出一种原始对偶不可行内点算法, 该算法运用3个值函数使算法能收敛到局部极小点而非其他一阶最优性点, 并通过将等式约束的罚项和松弛变量的障碍项添加到目标函数中转化原问题. 计算结果证明了算法的可行性和有效性.     

WNN中的改进PSO算法及参数初始化

利用粒子群（PSO）算法替代BP算法对小波神经网络（WNN）进行训练,针对局部极小值问题提出了改进的PSO算法,即判断当粒子陷人局部极小时将其重新初始化,并对小波的平移和伸缩参数的初始化进行了研究,避免了网络的盲目搜索,减少了迭代次数．通过非线性函数逼近的仿真结果表明,上述措施有效提高了网络搜索成功率,在一定程度上解决了局部极小值的问题．