快速HAC聚类算法的改进及应用于无监督语音分割

HAC是一种常用的聚类方法。本文的目的是根据语音特征中的音素与连续时间的紧密关系,改进HAC快速算法提高无监督分割语音信号到类似音素单位。该算法是基于同一段特征相似度高于跨段特征的相似度。特征的相似度是通过计算相邻特征间的欧式距离,来得到输入语音特征相邻的距离双链表,链表中的每个节点由语音相邻特征的距离和指向前后相邻节点的指针组成。该算法也是通过遍历相邻距离节点链表,查找最小距离后,对相似的相邻特征进行合并,并重复迭代至最后一个类或满足某个阀值。整个过程完全基于无监督下完成,该方法优于快速HAC算法,与快速HAC算法相比能提升65倍以上的聚类速度,节约更多的内存空间,可应用于零资源的语音分割。

基于优化HAC算法的风电场等值建模方法

采用合适的风电场等值建模方法可以准确地分析风电场的相关特性。介绍了一种基于优化HAC算法的风电场等值建模方法,该方法兼顾建模简易与等值精度高2个方面,通过选取一般性指标与决定性指标这2种聚类指标,并采用优化的凝聚层次聚类(HAC)算法改进现有风电场等值建模方法。最后通过仿真验证及对比分析,证明了该方法在风电场等值建模中的有效性和优越性。

一种新的关联规则抽样算法

针对目前经典的关联规则挖掘Apriori算法需对数据库多次扫描费时多计算量大,而抽样扫描会造成挖掘精确度下降等问题,采用控制样本频繁项目集的方法,利用频繁1项集进行抽样处理,对关联规则挖掘的抽样操作和精度控制进行研究,提出了基于抽样操作的关联规则挖掘算法——HAC算法。理论分析及性能试验结果表明:HAC算法能够有效缩减数据库规模,至少少扫描数据库1次,提高了关联规则挖掘的效率,同时其计算精度不受影响。

层次凝聚聚类算法的动态分析与准则函数设计

为提高层次凝聚聚类（HAC）算法的执行效率和结果质量，对其进行了动态分析，研究了一次合并对后续合并的影响。分析表明，合并两个类会生成一个新类，并使被合并的类的共享邻居的邻居数减小1；当新生成的类或邻居数减小的类参与后续合并时，会影响执行效率；一次合并会改变参与合并的类和它们的候选邻居之间的准则函数值，从而影响后续合并提高质量的程度。基于上述分析并结合模块性的定义，研究了现有准则函数对凝聚过程的影响以及它们的缺陷，并设计了两个新的准则函数。在大量数据集上的买验表明，新的准则函数提高了层次凝聚聚类算法的执行效率和结果质量。

组织知识结构构建方法及在专利文献中的运用

组织知识结构是组织中知识的基本构成及其相互关系的反映,但目前学者们较少关注组织知识结构构建方法的研究。针对这一问题,本文首先从宏观和微观两个层面明确组织知识结构的概念,然后以物质载体中的专利文献为例,使用文本挖掘的方法对组织知识结构的构建方法进行研究。该方法首先抽取专利文献中的知识元,进而采用层次凝聚聚类算法(HAC)对这些知识元进行层次聚类,并基于可视化方法形成组织知识结构。最后,以某组织的专利文献背景对其组织知识结构构建方法进行了实例验证,取得了良好的效果。