Chameleon聚类算法在Web开源情报主题挖掘中的应用研究

信息时代的开源情报传播速度快、体量大、时效性强,大量数据难以用人工进行分析,为了解决对海量数据分析的效率,研究设计了Web开源情报信息处理方法。该方法首先利用网络爬虫通过URL爬取目标情报,之后用DOM树对网页内容进行整理,采用TextRank算法提取关键词并使用Chameleon聚类算法构建主题挖掘模型,该模型用于情报主题生成,自动进行情报主题分析。性能测试表明,基于Chameleon聚类算法的Web开源情报信息处理方法能够对开源情报进行有效分析。

基于双线性对的Chameleon签名方案(英文)

Chameleon签名方案是一种利用Hash-and-Sign模式的非交互签名方案,并且具有不可转移性,只有指定的接收者才可以确信签名的有效性.利用双线性对提出了一种新的Chameleon Hash函数,并在此基础上构建了相应的基于身份的Chameleon签名方案.与传统的Chameleon Hash函数相比,该方案中的Hash函数公钥所有者无须获取相应私钥,除非它企图伪造签名.该方案不但具有通常Chameleon签名方案的所有特点,而且具有基于身份密码系统的诸多优点.

基于双线性对和身份的Chameleon签名方案(英文)

Chameleon签名方案是一种基于Hash-and-Sign模式的非交互签名方案,就效率而言该方案和普通的签名方案类似.Chameleon签名方案具有非转移性,也就是只有指定的接收方才可以验证签名的有效性.文中提出了一种基于双线性对和身份的ChameleonHash函数,并以此构建了一个基于身份的Chameleon签名方案.和传统的ChameleonHash方案相比,基于身份的Chameleon签名方案中公开Hash密钥的所有者无需恢复相应的私钥.该方案具有普通Chameleon签名方案的所有特点,同时还具有利用双线性对构建的基于身份的密码系统的诸多优点.

一种改进的Chameleon算法

利用Chameleon算法进行K值选择、相似度函数阈值选择时需要人为给出一些参数,在没有先验知识的情况下,人为确定此类参数难度较大。针对该问题介绍模块度概念,根据结构等价相似度和模块度概念提出一种聚类算法——M-Chameleon。实验结果证明,M-Chameleon可以客观地反映实际聚类情况。

一种改进CHAMELEON算法的聚类算法COCK

通过对现有的CHAMELEON算法进行改进,并借鉴ROCK算法的计算步聚,提出了一个新的层次聚类算法COCK.改进之处在于:合并的簇的内部紧密性、合并的簇的内部互连性、相对紧密性和相对互连性的计算方法进行了改变,并取消了CHAMELEON算法原有两个阶段的第一个阶段.由簇U和簇V合并构成的簇W的内部紧密性由两个因素决定,一个是簇U和簇V本身的内部紧密性的加权和,另一个是簇U和簇V之间的绝对紧密性;簇W的内部互连性由两个因素决定,一个是簇U和簇V本身的内部互连性的加权和,另一个是簇U和簇V之间的绝对互连性;由簇W和簇J合起来的簇的相对紧密性的计算方法是,先求出簇W和簇J内部紧密性的加权和,用这个加权和去除簇W和簇J之间的绝对紧密性;计算两个簇W和J之间的相对互连性的方法是,把簇W和簇J之间的绝对互连性除以簇W和簇J内部互连性的加权和.

基于Chameleon哈希改进的平台配置远程证明机制

为了进一步提高平台配置远程证明机制的实用性,针对RAMT(remote attestation based on Merkle hashtree)方案的不足,基于Chameleon哈希算法,采用软件分组的思想,改进了RAMT方案,给出了实验证明。认真讨论了RAMT方案的特点,详细描述了改进后的RAMT方案的体系结构、度量及验证过程,并深入讨论了新机制的特点。实验结果表明,新机制不仅提高了远程证明机制的可伸缩性,而且进一步增强了隐私保护能力,从而进一步提高了方案的实用性。

一种基于动态近邻选择模型的Chameleon算法

在分析Chameleon聚类算法的基础上,提出了一种基于动态近邻选择模型的Chameleon算法(DNMC).新的算法考虑了回溯机制,有利于合并之后的分解.在标准数据集Wine和Iris上的实验表明,DNMC算法的fa指标优于M-Chameleon算法.通过计算各个属性的差异度,显示出一些属性的存在对于聚类结果影响很小,删除这些属性列可以降低时间复杂度.

基于CHAMELEON算法构建自适应网站研究

本文把CH A M ELEON算法应用于自适应网站的设计中,通过对算法的分析具体给出了算法在聚类过程中的实现细节,并按数据挖掘的过程对自适应W eb站点设计中的关键问题进行了研究。经试验验证,效果明显优于其它算法。

基于Chameleon算法的用户聚类的设计与实现

用户聚类是Web挖掘的重要部分,而Chameleon算法是一种通用的聚类算法。文中把Chameleon算法应用于Web挖掘,设计了Web用户的聚类,采用J2EE体系架构实现了这一算法,并在此基础上做了改进,实验结果表明,该算法取得了良好的效果。

基于Chameleon的关联规则挖掘研究

面对不断增长的数据量,企业需要的是对数据的实时分析和挖掘,以更快的速度和更精确的预测分析结果支持商业决策。基于Chameleon聚类算法和FP-growth关联规则挖掘算法,通过对原始数据的聚类操作,化简数据,在此基础上进行关联规则挖掘。实验证明,当数据日渐庞大时,不仅速度快,节省内存空间,而且达到很好的预测效果。

基于Chameleon算法和谱平分法的聚类新方法

在分析传统的聚类算法优越性和存在不足的基础上,基于Chameleon算法和谱平分法的思想提出了一种新的聚类方法。相比传统聚类算法而言此算法克服了如k-means算法、EM算法等传统聚类算法在聚类不为凸的样本空间时容易陷入局部最优的缺点,能在任意形状的样本空间上聚类,且收敛于全局最优解,并且可以降低噪声和离群点的影响,提高了算法的有效性。在UCI数据集和5个特殊的二维数据点组成的数据集上进行了实验,证明了本方法的有效性。

一种改进的Chameleon聚类算法

在聚类分析技术中Chameleon算法在发现高质量任意形状簇方面具有优势;但是该算法需要用户人为给出K-最近邻的K值以及停止合并子簇的位置等参数,在没有先验知识的情况下确定这些参数难度较大。此外,Chameleon算法的第一步中需要用到图划分技术,这是一个NP-难问题,因此大大增加了算法的复杂度。引入了模块度的概念,提出了一种改进的Chameleon层次聚类算法(I-Chameleon算法)很好地解决了以上诸多问题,能够自动地发现任意形状簇。

基于Chameleon聚类的Linux日志取证算法研究

为提取计算机非法入侵的证据,选取了日志作为证据来源。由于日志记录的容量通常都较大,所以结合了数据挖掘和模糊数学的相关知识,对基于Chame-leon聚类的日志分析算法进行了探讨和研究。然后根据Linux系统日志文件的特性,提出了具体的日志特征提取算法,并从日志采集性能上进行了模拟入侵测试和分析。

具有时效的Chameleon签名方案的设计与分析

基于Chameleon签名理论,提出具有时效的Chameleon签名方案,为需要指定签名接收者,且对签名时效有一定要求的签名问题提供了解决途径。该方案保证在时效期限内,只有指定的接收者能够验证签名的有效性;超过时效期限后,签名转换为普通签名,并且签名转换的决定权不再限于签名者,任何人都可以核实监督甚至强制要求签名者按时转换签名。该方案设计简单、易于实现,而且在签名效率与安全性等方面都优于现有的可转换Chameleon签名方案。

基于Chameleon算法的文本聚类技术研究

文本聚类是聚类的一个重要的研究方向,是聚类在文本处理领域的重要应用。但是,传统的聚类算法在文本聚类应用中的表现并不能让人满意。文中将一种新的聚类算法——Chameleon算法引入中文文本聚类领域中。在构建中文文本聚类模型的基础上结合了分词、文本向量化等技术进行了相关实验。实验的结果表明Chameleon算法可以应用在中文文本聚类领域中,同时也解决了传统算法在聚类形状发现方面的不足。相关实验说明了这种算法在中文文本聚类领域应用中的有效性和实用性。

Chameleon聚类算法的Weka实现

为了克服Weka系统在聚类算法方面的不足,在Weka的开源环境下进行了二次开发,扩充了聚类算法。介绍了Chameleon算法的基本原理和构建步骤,给出算法的具体描述,并将Chameleon算法嵌入Weka平台,充分利用了其中的类和可视化功能。对实现的系统进行了实验和测试,并对嵌入的算法和原有聚类算法k-means进行了对比分析。实验结果表明,Chameleon算法可获得更好的聚类效果。

Chameleon钻石与其相似黄色钻石光谱学特征的对比分析及颜色成因

Chameleon钻石(俗称“变色龙钻石”)是一种具有光致变色和热致变色现象的彩色钻石,在受热后或长时间在暗室中会由黄绿色变为黄色,在实际工作中发现与Chameleon钻石颜色相似的黄色钻石并不具有此类“变色”现象。为了研究Chameleon钻石与相似黄色钻石的差异,并进一步探究产生光致变色和热致变色现象的原因,本文选取Chameleon钻石和与其颜色相似的黄色钻石作为研究对象,进行加热实验,观察加热前后钻石颜色、紫外可见光吸收光谱的变化情况,探寻导致热致变色的原因,并对样品的红外吸收光谱及光致发光光谱特征进行详细分析与比较。结果表明:Chameleon钻石受热后由黄绿色变为黄色,在超短波紫外线下显示绿色荧光和磷光,相似黄色钻石样品无磷光及变色现象;所有样品均有从紫外光至510nm逐渐减弱的连续吸收和480nm吸收宽带,Chameleon钻石具650~800nm吸收宽带,相似黄色钻石无该吸收带,加热后吸收带消失是其产生热致变色的主要原因;进一步对样品的缺陷类型进行对比分析,Chameleon钻石红外光谱可见孤氮特征及与片晶无关的1430cm−1宽吸收带,该峰未在相似黄色钻石中出现,但产生该吸收的原因未知,仍需进一步研究,此外与Chameleon钻石相比,相似黄色钻石中氮杂质的聚合程度更高;Chameleon钻石及相似黄色钻石表现出以700nm为中心的特征发光带,此外Chameleon钻石还可检测到H3等与N-V相关缺陷及489、883、884nm等与Ni-N相关缺陷产生的发光峰。综合以上光谱学特征对比分析可知,Chameleon钻石存在与A型氮、孤氮、镍杂质及氢杂质有关的某种缺陷结构,与相似黄色钻石的光谱特征具有明显差异。本次研究对探明Chameleon钻石具热致变色现象的根本原因具有参考意义。

基于MCL与Chameleon的混合聚类算法

马尔科夫聚类算法(Markov Cluster Algorithm,MCL)是一种快速且可扩展的无监督图聚类算法,Chameleon是一种新的层次聚类算法。但MCL由于过拟合会产生很多小聚类,Chameleon由于时间复杂度为O(N2)不利于处理大规模数据集。针对这两个问题,提出了一种基于MCL与Chameleon相结合的混合聚类算法。该算法第一阶段采用MCL算法对原始数据进行初步聚类,第二阶段利用GPU加速的Chameleon算法将第一阶段产生的小聚类进行归并,从而得到质量更高的聚类。实验表明,与传统的MCL算法和MCL与KNN的混合聚类算法,提出的方法聚类质量更好、计算速度更快。

基于DPC算法与模块密度的改进Chameleon算法

本研究基于Chameleon算法结合DPC算法和模块密度函数,提出一种基于密度的层次聚类算法。在Chameleon算法第一阶段,引入DPC算法进行数据处理,在第二阶段,利用近似度函数进行子簇合并时,引入表征簇内数据点相似程度的函数——模块密度,当模块密度值最大时获得最终聚类结果。本算法利用上述方法建立动态模型,可自动确定终止条件,并且可以识别任意形状簇,克服了传统Chameleon算法无法找到聚类终点和对于初始参数设置敏感的问题。

聚类分析中Chameleon算法的分析与实现

首先详细讨论了Chameleon算法,包括:Chameleon算法的基本思想、Gk图、图的划分、近似度的计算、层次合并等,然后给出了一个实现Chameleon算法的部分代码。