基于连接的频繁集聚类算法

针对大型事务数据库中频繁集的多属性聚类问题,提出一种高效的频繁集聚类算法.以往聚类算法采用基于距离的计算方法,由于受到属性数据的制约,在频繁集挖掘中具有一定的限制.在属性聚类基础上,基于连接对频繁集进行聚类.在算法中先找出数据点的邻居和计算相似度,构造邻居矩阵;然后计算连接数目,确定邻居数目矩阵;最后通过设置判定函数和阈值确定聚类数.通过实验证明,算法能够不仅能有效地完成频繁集的多属性聚类问题,而且还可以进一步发现频繁集在某一层次的相关性.     

Efficient algorithms for agglomerative hierarchical clustering methods

Whenevern objects are characterized by a matrix of pairwise dissimilarities, they may be clustered by any of a number of sequential, agglomerative, hierarchical, nonoverlapping (SAHN) clustering methods. These SAHN clustering methods are defined by a paradigmatic algorithm that usually requires 0(n ³) time, in the worst case, to cluster the objects. An improved algorithm (Anderberg 1973), while still requiring 0(n ³) worst-case time, can reasonably be expected to exhibit 0(n ²) expected behavior. By contrast, we describe a SAHN clustering algorithm that requires 0(n ² logn) time in the worst case. When SAHN clustering methods exhibit reasonable space distortion properties, further improvements are possible. We adapt a SAHN clustering algorithm, based on the efficient construction of nearest neighbor chains, to obtain a reasonably general SAHN clustering algorithm that requires in the worst case 0(n ²) time and space.Whenevern objects are characterized byk-tuples of real numbers, they may be clustered by any of a family of centroid SAHN clustering methods. These methods are based on a geometric model in which clusters are represented by points ink-dimensional real space and points being agglomerated are replaced by a single (centroid) point. For this model, we have solved a class of special packing problems involving point-symmetric convex objects and have exploited it to design an efficient centroid clustering algorithm. Specifically, we describe a centroid SAHN clustering algorithm that requires 0(n ²) time, in the worst case, for fixedk and for a family of dissimilarity measures including the Manhattan, Euclidean, Chebychev and all other Minkowski metrics.This work was partially supported by the Natural Sciences and Engineering Research Council of Canada and by the Austrian Fonds zur Förderung der wissenschaftlichen Forschung.     

采用k-均值聚类算法的资源搜索模型研究

针对当前海量信息存储对等网络系统中资源搜索技术效率较低的问题,提出了一种采用k-均值聚类分析的高效搜索模型.该模型利用资源描述框架(RDF)描述的元数据进行聚类分析,使得资源的搜索由全局变为局部,从而有效地提高了资源搜索效率;采用动态优化排序技术显著提高了查询的速度.通过子网分裂算法和节点备用算法增强了模型的可扩展性、安全性和可靠性.仿真结果表明,所提模型在查找时延和平均路径方面均比传统搜索模型更加高效、便捷.     

组蛋白修饰组合模式研究进展

核小体是染色质的基本结构单位,核小体组蛋白N末端尾部可以发生甲基化、乙酰化等多种共价修饰.组蛋白密码假设多种组蛋白修饰以组合方式发挥作用.自组蛋白密码假设被提出后,组蛋白修饰组合模式成为表观遗传学领域的重要研究内容.在染色质免疫沉淀基因芯片和免疫沉淀高通量测序等相关实验数据的基础上,多种算法被用于研究组蛋白修饰的组合.文章介绍了组蛋白修饰的发生、位点、相关修饰酶以及生物学功能,对组蛋白修饰组合以及与基因表达关系的研究进行了总结,同时对组蛋白修饰组合模式一些适用的研究方法做了概述和分析.     

基于文本聚类的LSI文本分类模型

文本自动分类是文本挖掘的基础,可广泛地应用于信息检索,web挖掘等领域.在分类前首先要将文本表示成计算机能处理的形式,提出了一种将隐含语义索引(LSI)与文本聚类相结合的中文文本自动分类的方法.在挖掘文本的语义信息,提高分类速度上均取得了较好的效果.通过实验验证了方法的有效性.     

基于出行态度的自行车通勤出行市场划分

为识别自行车通勤出行中不同出行者选择偏好的差异,针对基于出行态度的自行车通勤出行市场进行划分.根据南京市居民通勤出行问卷调查,采用结构方程模型从29个观测变量中提取出若干态度潜变量,分析了出行偏好态度变量间的相关性,并采用K-means聚类方法对自行车通勤出行市场进行划分.根据选择自行车通勤出行意愿、对固定出行时刻需求、对出行舒适度需求及环保意识4类态度变量将自行车通勤出行市场划分为6个子市场,同一子市场内个人选择自行车出行意愿近似,不同子市场间选择意愿明显不同.分析了每个子市场内个人通勤出行态度特征以及自行车方式选择特征,针对每个子市场提出了相应政策以引导自行车通勤出行方式的选择.     

COREX冷煤气成分预测的二步建模方法

针对熔融气化炉冷煤气成分含量,提出了基于熵权模糊C均值聚类和偏最小二乘的COREX冷煤气成分预测方法.建模过程中首先根据料单中各种原料的单耗量,利用熵权模糊C均值聚类的方法将料单聚类成若干种料单类别,然后针对不同的料单类别,利用偏最小二乘法分别建立冷煤气成分预测模型.对宝钢COREX-1#炉实际生产数据验证结果表明:该方法可以有效地建立COREX冷煤气成分预测模型,具有较好的预测精度.     

基于文本频谱的中文文本聚类方法

本文提出了利用文本频谱进行中文文本轮廓分析的表征方式.该方法基于不同时代、体裁和领域的文本在文字使用方面具有偏好性的假说,以文本中单个字符为单位,通过文本频谱刻画方法统计所有单字符在文本中出现的频率,并使用刻画出的文本频谱对文本进行表征;利用频谱比对分析技术,可计算出任意文本间的距离,并以此距离为基础进行聚类分析.进一步的实验证实了该方法的有效性.     

一种N维数据块正交调制及其解调识别方法的研究

 提出一种N维数据块正交调制方法并对其调制解调识别方法进行研究。研究基于普通正交调制识别基础上,从接收信号聚类样品中提取基本特征矢量以估计数据块信号参数实现数据块解调,通过矩阵转换实现信号调制方式的识别,在高斯白噪声信道条件下访真结果表明该方法对N维数据块正交调制信号具有较好的识别性能。     

基于模糊核聚类的肝脏MRI肿瘤提取方法

针对肝部图像特点,在传统模糊核算法中引进邻域像素的空间信息,提出灰度和空间信息相结合的特征加权核聚类方法.该方法在核聚类过程中利用分割熵作为高斯演化策略的适应度函数对灰度和空间信息的权重进行优化,从而达到肿瘤提取的目的.本方法对福建省肿瘤医院提供的30个腹部MR图像序列进行实验,结果表明该方法对肝脏MRI肿瘤提取的有效性.