一种新的复杂网络聚类算法

揭示网络簇结构的复杂网络聚类方法研究具有重要的理论意义和应用价值。应用两种谱方法将复杂网络簇结构发现问题转换为空间数据聚类问题,并将粒子群聚类算法应用到对复杂网络簇结构的探测,提出了两种新的结合粒子群聚类的复杂网络簇结构探测算法。最后在两类复杂网络上进行实验并对实验结果进行了比较分析,提出的新算法在聚类准确性方面效果更好。

粒子群聚类算法综述

聚类分析是数据挖掘的重要技术之一,它能够通过无监督的学习过程发现隐藏的模式,具有独立发现知识的能力。对现有文献中基于粒子群优化算法的聚类分析技术作了全面的介绍,对几种主要的粒子群聚类算法的基本原理及其特点进行了总结,并分析比较了它们的优点和不足,概述了粒子群聚类算法的常见应用领域;最后探讨了粒子群聚类算法进一步的研究方向。

一种用于数据挖掘的差异粒子群算法

聚类分析是数据挖掘的一种重要方法。本文受鸟群聚集行为的启发,提出了一种新的聚类方法——差异粒子群聚类算法(DPSC)。DPSC算法将样本数据转化为具有行为能力的粒子,通过促使不同类别的粒子相互分离,而同类的粒子高度聚集,最终在粒子的运动中涌现出整个数据群体的内部组织结构,从而完成对样本数据的聚类。在三个标准数据集和六个人工复杂数据集上同K-Means、PSO和PSO+K-Means算法进行了比较,结果显示DPSC算法的聚类性能更优异。

一种分类器选择方法

在按照"测试-选择"方法设计多分类器系统时,从超量生成的候选分类器集中选取一个最优子集是关键环节之一。基于此,定义一个组合适宜度概念,提出一种新的分类器选择方法。将该方法用于高光谱遥感数据分类实验中,并从具有27个候选的分类器集中挑选子集。实验结果表明,该方法在选择效率和识别精度方面具有优势,能保证所选子集的泛化能力。