基于PAM和簇阈值的改进K-Means聚类算法

为了弥补K-Means算法对孤立点数据敏感的缺陷,提高K-Means算法对包含孤立点数据集的聚类效果,在深入研究K-Means算法的基础上,提出了基于PAM和簇阈值的改进K-Means聚类算法。该算法首先对待聚类数据进行抽样,然后利用PAM算法获取样本数据的聚类中心,以样本数据的聚类中心作为KMeans算法的初始聚类中心。在聚类迭代过程中动态计算各簇阈值,利用簇阈值准确地过滤孤立点数据。实验结果表明,本文提出的算法不仅聚类时间短,而且具有较高的聚类准确率。

朴素贝叶斯算法在蝴蝶兰病害分类中的应用研究

蝴蝶兰属于热带气生兰,对生长环境的温湿度非常敏感,温湿度过高或过低不仅对蝴蝶兰生长不利而且易引发多种病害。为此,利用传感器采集的蝴蝶兰生长环境空气温湿度数据,运用朴素贝叶斯算法对其进行分类,以此判断蝴蝶兰的健康状况,达到病害分类的目的。实验表明,该方法的平均分类准确率达到81%,与其它统计学预报方法相比,具有简单、易行的优点。

基于马尔可夫链模型的井下目标轨迹预测算法

针对井下环境恶劣,信标节点失效时会存在大量盲区,提出了一种基于马尔可夫链模型的井下目标轨迹预测算法,利用现有的无线传感器网络和无线射频识别技术,结合马尔可夫链模型对目标运动轨迹进行预测,并对传统的质心定位算法加以改进,使其适应预测模型,同时减少定位误差,提高定位覆盖率。实验证明:所提算法在百米范围内误差较小,可实现准确定位预测。

基于局部密度的高效聚类算法研究

针对基于密度聚类算法对参数值过于敏感、参数值难以设置的不足,提出一种基于局部密度的高效聚类算法,以有效解决基于密度聚类算法对密度层级不同数据集聚类准确率低的问题。该算法将局部密度概念和k-means算法相结合,在算法迭代过程中动态计算局部密度参数和簇核心距。对于分布在簇核心距之内的数据,采用基于划分的方法直接聚类;对于分布在簇核心距之外的数据采用基于局部密度方法进行聚类。实验结果表明,提出的算法在聚类精度和计算效率两方面均具有较好的性能。