基于网格结构的CLARANS改进算法

为提高CLARANS算法的准确性和执行效率,利用网格聚类算法对数据空间进行划分的思想,结合统计信息网格算法,对算法初始节点和邻居节点的选择及替换总代价的计算进行改进。实验结果表明,与CLARANS算法相比,改进算法聚类结果的准确性和稳定性更高,执行时间明显降低。

空间平滑搜索CLARANS算法

CLARANS是一种有效且广泛应用于空间数据挖掘的聚类算法,非常适合发现多边形的聚类结果.CLARANS的实质是随机重启搜索优化算法.由于搜索空间的表面粗糙不平,布满了局部最优解的"陷阱",因此CLARANS算法易受局部最优解的影响.空间平滑技术允许启发式搜索有效地避开局部最优解的"陷阱".本文给出了基于空间平滑搜索的CLARANS算法(CLARANS algorithm based on Search Space Smoothing-CLARANS-SSS),设计合理的噪声法空间平滑策略能够移除搜索空间中大部分的局部最优解.实验结果表明空间平滑搜索对于CLARANS算法非常有效.

基于网格结构的二次CLARANS聚类算法

针对CLARANS算法聚类效率低、聚类效果依赖初始节点等问题,提出一种基于网格的二次CLARANS算法(Twi-CLAR-ANS)。首先利用网格聚类算法划分数据空间,提取出密集网格中的所有数据对象,用CLARANS算法进行初次聚类,然后将第一次聚类得到的局部最优解作为第二次聚类的初始参照点,对原始数据样本进行第二次聚类,最大程度上避免孤立点信息的丢失,防止聚类结果陷入局部最优。实验结果表明,与CLARANS算法相比,Twi-CLARANS算法具备更优的准确性和执行效率,并且保证了信息的完整性。

QPSO优化的改进CLARANS聚类算法

CLARANS算法是一种有效且广泛应用的聚类算法,适合发现任意形状的聚类结果,但CLARANS算法在搜索过程中容易陷入局部最优解,从而忽略全局最优解。为了避免CLARANS算法在搜索中心点时易受局部最优解的影响,提出一种将CLARANS算法中的邻接点作为QPSO算法的量子粒子,结点代价作为适应度函数对其进行寻优的改进CLARANS算法。将该改进算法应用于UCI数据集,结果表明该算法聚类效果好、收敛快,算法的稳定性、收敛性及寻优能力都有很大提高。

基于CLARANS算法的孤立点挖掘

孤立点挖掘在电子商务犯罪,信用卡欺诈等领域已有成功应用。本文尝试使用CLARANS聚类算法进行孤立点探测,并将其应用于大型数据集数据的正确性检验。实验表明该方法能够克服常规数据抽查方法的不足。

基于遗传算法和CLARANS的一种改进聚类算法

阐述了CLARANS(Clustering Large Applications based on RANdomized Search-基于随机搜索的大规模应用聚类)聚类算法的工作原理,同时为了解决CLARANS聚类挖掘算法效率低,费时长等问题,本文将遗传算法的思想引入CLAR-ANS算法,利用遗传算法的隐并行性对其进行改进,提出一种GA-CLARANS算法,有效地降低了聚类所花费的时间。实验证明GA-CLARANS算法在运行效率方面相比CLARANS算法有较好的表现,是可行且有效的。

基于改进CLARANS算法的孤立点检测

聚类算法是数据挖掘里的一个重要研究问题。简单介绍CLARANS算法的基本思想,详尽描述了改进的CLARANS算法的基本思想和基本步骤,通过实验数据对其进行进一步分析,并对其应用领域做出简单概要。

基于CLARANS的一种改进的空间实体约束聚类算法

本文引用新的方法对CLARANS算法进行改进,提出了一种处理空间实体约束的空间聚类算法SPOC,该算法在CLARANS算法的基础上,利用空间关系中的方向关系来选取新的中心对象,同时利用回溯的、非几何的方法求解障碍空间中2个空间对象间的障碍距离。实验表明这是一种非常有效的求解障碍距离的方法。

基于改进的CLARANS算法在数据挖掘中的研究

数据挖掘的目的是把人工智能、机器学习、神经网络、统计学、模式识别与数据库等技术结合起来,由计算机自动从已有数据中发现未知的、具有潜在应用价值的信息或模式,解决数据量很大、而知识贫乏的矛盾。通过聚类,能够识别密集的和稀疏的区域,发现全局的分布模式和数据属性之间有趣的相互关系。在充分继承CLARANS算法原有的优点基础上,利用遗传算法对CLARANS算法进行改进,提高了聚类效率。

不确定性目标的CLARANS聚类算法

在传统CLARANS聚类算法基础上,提出一种针对不确定性目标的CLARANS聚类算法。在该算法中,待聚类的每个不确定性目标都被表示成高斯混合模型,即高斯分布的一个加权和,并将Kullback-Leibler散度作为不确定性目标间的距离测度。在图片数据库上的实验结果表明,该算法具有较高的聚类精度。

BIRCH数据聚类算法优化研究及仿真分析

近年来在数据分析中最广泛研究的问题之一就是在多维数据集中识别聚类或密集区域。为了解决大型数据集和最小化I/O成本的问题。由此提出一种基于层次结构的数据聚类方法——平衡迭代和聚类方法 BIRCH。论文中对BIRCH聚类算法性能从时间/空间效率、对算法参数改变下的Calinski-Harabasz指数和聚类质量等方面进行了评估,并和经典的CLARANS算法进行了性能比较。

一种多空间聚类算法

CLARANS算法是经典的划分聚类算法,其核心思想是采用随机重启的局部搜索方式搜索中心点.由于搜索空间布满了局部最优解的“陷阱”,因此它难以获得全局最优解,从而影响了聚类质量.针对这个缺点,本文将多空间思想与CLARANS算法相结合,提出了基于多空间思想的CLARANS算法—CABMS(CLARANSAlgorithmBasedonMulti-Space).该算法的基本思路是采用空间变换策略构造一系列光滑程度不同的搜索空间,在不同的搜索空间中执行CLARANS算法,并利用前层搜索空间的聚类结果来引导本层搜索空间的聚类.CABMS能够跳过局部最优解的“陷阱”,增大获得全局最优解的概率,达到提高聚类质量的目的.本文给出了等距法多空间构造策略,并通过实验对比了CLARANS算法与CABMS算法的聚类质量.实验结果表明,CABMS的聚类质量较CLARANS有较大改进.

1998年夏季青藏高原上东移MCS环境场特征的聚类分析

在对夏季青藏高原上中尺度对流系统(MCS)进行自动追踪的基础上,利用环境物理量场数值格点预报资料(HLAFS),运用空间聚类中的CLARANS法对东移出高原的MCS环境场进行了挖掘和分析,获得了在青藏高原地区大气低层MCS热力场(温度场、湿度场和水汽通量散度场)和动力场(涡度场、散度场和垂直速度场)的空间分布特征,从而揭示了有利于MCS形成、发展和东移出高原的动力和热力学条件。MCS环境场中的散度场、垂直速度场以及水汽通量散度场空间分布特征的变化是MCS发展、演变的重要影响因素,这为夏季青藏高原上MCS发生、发展的动力及热力学机制的研究,以及高原上MCS移动路径的预测提供了一种全新而有效的方法。

空间聚类在MCS动力场特征分析中的应用

空间聚类作为数据挖掘的关键技术之一,是一种能从大型数据集中提取和挖掘空间数据分布特征的有效方法。本文利用环境物理量场数值格点预报值,运用空间聚类中的CLAR-ANS法对夏季影响青藏高原上中尺度对流系统(MCS)东移的动力场(涡度场、散度场和垂直速度场)的空间分布特征进行了分析。研究发现,在青藏高原地区的大气低层,MCS中心位置的西侧存在着强辐合中心和垂直上升中心,加之向东的正涡度平流的共同作用构成了有利于MCS发展和东移传播的重要动力学条件。这不仅有助于深入对夏季青藏高原上MCS发生、发展的动力学机制的了解,而且对于提高暴雨和强对流天气的预报能力具有重要的现实意义。

物联网水产品追踪算法研究

针对物联网在水产品的捕捞、生产、加工、销售过程中会产生大量数据,如何在大量的数据里面,进行水产品的快速追踪。分析了水产品的各个环节的关联,提出了改进CLARANS聚类追踪算法,来进行运算存储,从而达到快速追踪水产品的安全信息的目的。