基于多核平台并行K-Medoids算法研究

分析K-Medoids算法的内在并行性,设计一个适合多核平台的并行算法,并利用OpenMP进行实验。实验结果表明,并行算法对多核环境有很好的适应性,在双核及四核计算机上均获得了较好的加速比与运行效率。

基于遗传模拟退火算法的改进K-medoids算法

针对标准K-medoids算法在大数据聚类应用中易陷入局部最优解以及聚类效果受初始中心限制的缺点,提出了基于遗传模拟退火算法的K-medoids改进算法。该算法结合遗传算法和模拟退火算法,可以增强标准K-medoids算法在聚类时的全局搜索能力,并加快其收敛速度。对比实验证明:这一改进有效地弥补了标准K-medoids算法的上述缺陷,达到了提高聚类效率、加快收敛速度、改善聚类质量的目的。

一种改进的基于粒子群的粗糙K-medoids算法

针对K-medoids算法的全局搜索能力弱和迭代计算过程计算量大的不足,提出了一种改进的基于粒子群的粗糙K-medoids算法。该算法通过粒子群算法来改善K-medoids全局搜索能力,通过计算样本集的相异度矩阵来简化粒子群编码,引入粗糙集理论处理边界模糊数据,并利用记忆技术对K-medoids的迭代过程进行优化,降低算法的复杂度。通过对UCI中的Iris、Mushroom数据集测试,该算法的准确率提高,运行时间减少。

基于改进K-medoids算法的科技文献特征选择方法

根据科技文献的结构特点搭建了一个四层挖掘模式,并结合K-medoids算法提出了一个特征选择方法.该选择方法首先依据科技文献的结构将其分为4个层次,然后通过K-medoids算法聚类对前3层逐层实现特征词提取,紧接着再使用Aprori算法找出第4层的最大频繁项集,并作为第4层的特征词集合.同时,由于K-medoids算法的精度受初始中心点影响较大,为了改善该算法在特征选择中的效果,论文又对K-medoids算法的初始中心点选择进行优化.实验结果表明,结合优化K-medoids的四层挖掘模式在科技文献分类方面有较高的准确率.

改进的方差优化初始中心的K-medoids算法

针对传统K-medoids算法对于初值敏感、容易陷入局部最优解、稳定性差等缺点和方差优化初始中心的K-medoids聚类算法的时间复杂度较高、邻域半径不够精确等问题,提出一种改良的基于方差优化初始中心的K-medoids聚类算法。该算法引入了全局方差的概念,并将其作为样本的密度参数,选择部分方差值较小的样本作为候选初始聚类中心样本集,并利用最大距离乘积法从候选初始聚类中心样本集中选取方差值较小且距离较远的K个样本当作初始聚类中心,该算法充分兼顾了初始聚类中心的分散性和代表性。在更新簇类中心时,根据样本密度原则逐步扩大搜索范围,代替了传统的随机选取。通过在UCI数据集上的实验结果表明,该算法不仅有效优化了初始聚类中心点的选取,同时也有效改进了聚类速度和聚类效果。

基于遗传算法和K-medoids算法的产品设计文本知识获取

产品设计是设计众多知识的一个过程,如何从大量原始数据中获取有益的知识是非常值得研究的问题.本文采用遗传算法和K-medoids算法相结合,通过聚类来去除无关的数据,获取有益的知识.

基于haar小波编码和改进K-medoids算法聚合的用户负荷典型区间场景挖掘

针对单一典型曲线无法满足负荷不确定性分析需求的问题,提出一种基于haar小波编码和改进K-medoids算法聚合的用户负荷典型区间场景挖掘方法。将原始负荷曲线经haar小波变换得到低维负荷近似序列;对负荷近似序列每个维度的特征集分别进行聚类,提取类簇所包含特征的边界值,得到数值区间并进行编码;根据特征占比剔除非显著数值区间,并组合不同维度的显著数值区间得到字符串表征的负荷区间序列;定义字符串差异度衡量负荷区间序列的相似性,利用改进K-medoids算法聚合得到负荷区间序列类簇,并提取类簇所包含的负荷近似序列的边界值以得到典型区间场景;设置差异度阈值实现典型区间场景的粒度调节。使用爱尔兰地区某用户实测负荷数据进行验证,实验结果表明所提方法可以实现不同粒度负荷典型区间场景的挖掘。

基于改进k-medoids算法的XML文档聚类

XML文档由于其自身的可扩展性、半结构化和自描述性等特点,已成为数据表示和交换的数据格式标准。一个高效、快速的XML文档聚类机制能够大幅缩短信息检索时间,提高数据查询的效率,挖掘出潜在的信息价值。为此,提出一种改进的k-medoids算法对XML文档进行聚类。运用模糊聚类方法确定聚类个数,利用遗传算法的全局最优的搜索能力求解最佳聚类中心点或质心,从而提高大规模XML文档集的聚类质量。实验结果表明,与基于传统k-medoids算法的聚类方法相比,改进的聚类方法具有较高的聚类准确性和收敛度。

基于遗传算法和k-medoids算法的聚类新算法

提出一种基于遗传算法和k-m edoids算法的新的聚类算法。指出该算法除能提高聚类的精度和识别孤立点外,还能加速遗传算法的收敛速度,节约时间成本。

基于K-medoids算法的学生成绩聚类研究

针对课程之间难度差异大而带来的学生成绩评价"一刀切"的问题,提出了一种基于K-medoids算法的学生成绩评价方法。首先,使用Z-Score对样本集进行标准化,然后,采用K-medoids算法对学生的多门课程成绩进行聚类,最后,使用内部评价指标Sil对多组聚类结果进行评价,得出最优聚类数和最优聚类划分。通过对某高校学生成绩的分析结果表明,该方法能够有效地对学生成绩进行聚类,有助于教学领域向个性化、信息化的方向发展。

应用MDP和K-medoids算法优化建筑业物料物流配送路径

从物流配送角度,探讨了建筑业物料物流配送优化管理,消灭物料配送各个流程的浪费,利用MDP和K-medoids算法实现物料运输线路的最优化设计,降低物料成本,提高建筑业物料管理水平和企业管理的效率。

基于改进K-medoids算法的社会化标签聚类研究

为了对社会化标注系统中的标签进行有效聚类,并针对传统K-medoids算法存在的聚类结果易受初始聚类中心影响的问题,本文提出了一种改进的K-medoids标签聚类算法.该算法应用社会化标签的余弦相似值进行初始聚类中心的选择,然后进行标签聚类.对Delicious标签数据集的实验结果表明算法具有较强的的可行性和有效性.

基于全覆盖粒度K-medoids算法的文本聚类及综合性能评估

为了弥补K-medoids算法容易引起收敛过程产生局部极小值问题,结合全覆盖粒度方面考虑,设计了一种基于全覆盖粒度K-medoids算法的文本聚类及其综合性能综合评估方法。以全覆盖粒计算作为参考依据,先计算出各文档特征词权重占比。通过Single Pass聚类算法完成样本集的聚类计算,获得粒度重要度指标,对剩余样本进行重新分配获得最近聚类中心,最终确保各对象与类簇中心距离达到一个稳定值。研究结果表明:全覆盖粒方法构建的K-medoids聚类算法可以实现聚类精度的显著提升。

基于IK-medoids算法的飞机油耗聚类方法

为了分析给定外界条件下的飞机燃油消耗,提出了一种基于距离最大法的邻域搜索K-medoids聚类算法(IK-medoids)。基于距离最大的样本不可能被分到同一类簇的思想,该算法首先采用距离最大法选取初始中心,并根据剩余样本与初始中心之间的标准欧氏距离计算初始中心邻域;然后利用提出的一种近邻搜索策略进行初始中心的迭代更新,直到中心点不再发生变化。在同一机型和航段、不同大小的数据集上进行对比实验,根据起飞重量、巡航高度、实飞距离以及飞行环境等特征对飞机油耗进行精准分类。实验结果表明:相对于传统的改进K-medoids算法,IKmedoids算法在有效缩短分类时间的同时保证了聚类准确率,为进一步分析飞行过程中的燃油消耗提供了新视角。

基于K-medoids算法的RFAT客户细分

客户的精准定位、相应的营销手段和策略,以及对公司客户的专业管理,是企业发展的重要环节。以传统零售行业为研究对象,在RFM模型的基础上,引入RFAT模型分析客户信息,比较K-means和K-medoids两种算法对企业客户的聚类分析结果,最后利用RFAT模型和K-medoids算法对客户精准定位,企业可根据定位结果针对不同客户采取相应的营销策略。

基于距离贡献率的隐私保护框架下k-medoids算法研究

数据挖掘中的聚类分析在给人们带来方便的同时,也凸显了隐私泄露等安全问题,于是隐私保护框架下的聚类分析算法应运而生.考虑到数据集中数据点的每个维度对于数据的重要性或者影响程度均不同,提出了基于距离贡献率的Wk-medoids算法、面向差分隐私的WDPk-medoids算法及面向误差隐私的WEPPk-medoids算法.与原有未加权算法相比,所提算法可降低整个数据点所添加的噪声量、减少加噪数据的失真程度、提高聚类结果的有效性;同时还应用聚类效用评价指标对这三种算法的性能进行了对比分析,为隐私保护框架下聚类挖掘算法如何权衡数据聚类有效性以及隐私保护安全性之间的相互关系提供了参照建议.

基于层次策略的半监督K-medoids算法研究

针对现有基于K-means的半监督聚类算法存在的共同问题,即对离群点敏感、在非凸数据集与不平衡数据集上表现差,提出了一种基于层次策略的散布种子半监督中心聚类算法。首先通过基于影响空间的样本边缘因子将数据集分为核心层与边缘层,然后应用一种改进的K-medoids算法完成核心层聚类,最后采用一种递进半监督分配策略对边缘层进行分配得到最终聚类结果。算法通过层次策略解决了离群点干扰问题、半监督子簇聚类及合并策略实现了在不同分布数据集上有效聚类。通过与几种半监督聚类方法在人工数据集以及真实数据集上进行的对比实验证明,该算法能够解决现存问题,提升了聚类性能与鲁棒性。

改进K-medoids算法对小麦籽粒挤压数值的分析应用

通过应用传统PAM算法、快速K-medoids算法及自行设计提出的基于领域的改进K-medoids算法与对西旱2号小麦籽粒挤压破碎负载进行聚类分析比较,实验结果表明:基于领域的改进K-medoids算法的聚类时间与快速K-medoids算法基本持平,并明显优于PAM算法,在小麦籽粒挤压破碎负载的分析时间上分别减少了0.005s和0.331s,较后两种算法的聚类误差平方和小、聚类准确率高(90%以上),该算法能够为小麦籽粒面粉加工数据整理提供参考。

基于改进流形距离K-medoids算法

针对空间分布复杂的数据以及空间分布未知的现实数据聚类问题,设计了一种改进流形距离作为不相似测度。该不相似测度可有效利用所有数据点之间的全局一致性,挖掘无类属数据集的空间分布信息。通过使用该不相似测度,提出了基于改进流形距离K-medoids算法。将新算法与基于已有的流形距离和基于欧氏距离的Kmedoids算法进行性能比较,对八个人工数据集以及USPS手写体数字识别问题的实验结果表明:新算法针对不同结构的测试数据集,在聚类性能上均优于或接近于另外两种K-medoids算法,并且对于各种分布的,无论简单或复杂,凸或者非凸的数据都可以进行聚类。

基于特征权重与K-Medoids算法结合的非均衡数据处理方法

目前处理非均衡数据的方法多是以重采样方法来延伸的,传统的方法在解决非均衡数据分类问题时会使样本数据分类的精确度偏向于多数类样本,而且没有解决好类内不均衡的问题,未将样本数据的特征权重考虑到分类算法或者采样方法中。因此论文提出了一种基于特征权重值与K-Medoids算法相结合的欠采样方法,这种方法解决了之前提出的问题,抽样得到的数据更有利于决策处理,从而使得分类器对不平衡数据的分类性能有所提高。通过实验表明,论文提出的方法与传统的随机欠采样方法相比,在处理相同标准数据集时具有更好分类效果,显著提高了数据集中各类的分类精度。