基于Max-min distance聚类算法的园地空间聚类--以永泰县嵩口镇为例

空间聚类是空间数据挖掘的重要手段之一。本文研究了一种基于质心点距离的Max-min distance空间聚类算法:通过加载园地图斑数据,计算其园地图斑质心,判断聚类中心之间的距离,并将符合条件的园地图斑进行聚类,最终将聚类结果可视化表达。本文的算法是利用Visual Studio 2017实验平台和ArcGIS Engine组件式开发环境,采用C#语言进行编写。实验结果表明:1)Max-mindistance聚类通过启发式的选择簇中心,克服了K-means选择簇中心过于邻近的缺点,能够适应嵩口镇等山区丘陵地区空间分布呈破碎的园地数据集分布,有效地实现园地的合理聚类;2)根据连片面积将园地空间聚类结果分为大中小三类,未来嵩口镇可以重点发展园地连片规模较大的村庄,形成规模化的青梅种植园。

平面上的min-max型点-线选址问题

本文研究两类平面选址问题; (1)求一直线到n个给定点的最大加权距离为 最小;(2)求一点到n条给定直线的最大加权距离为最小.对这两个非线性优化问题。我 们给出最优解的刻划及迭代次数为多项式的算法.

Min-Max节点定位算法的分析与改进

无线传感器网络中RSSI测距是一项低成本的估算节点间相对距离的技术,而Min-Max算法是适合该技术并能满足网络低功耗要求的节点定位应用。首先在建立RSSI测距模型的基础上分析了Min-Max算法的性能,并针对该算法在室内环境中对靠近边缘区域未知节点的定位误差较大的问题,提出了一种有矩形边缘越界检测法,改进方法能通过检测重合矩形区域是否越界并做出相应的算法修正,仿真结果表明能有效提高定位边缘区域未知节点的定位精度。该改进算法在大规模多个节点的网络环境下,依然可以有效降低网络节点的平均定位误差。

无线传感器网络中Min-Max定位算法的研究与改进

常见的基于测距的定位算法有Min-Max定位算法、三边定位算法和最大似然法,在研究这三种定位算法的同时,重点分析了Min-Max定位算法,并对其在定位边界区域误差较大问题提出一种有效的解决办法,并通过仿真进行验证。对比Min-Max及其改进方法的仿真结果表明,改进方法能有效改善定位边缘区域的盲节点的定位精度。

一种有效的K-means聚类中心初始化方法

传统K-means算法由于随机选取初始聚类中心,使得聚类结果波动性大;已有的最大最小距离法选取初始聚类中心过于稠密,容易造成聚类冲突现象。针对以上问题,对最大最小距离法进行了改进,提出了最大距离积法。该方法在基于密度概念的基础上,选取到所有已初始化聚类中心距离乘积最大的高密度点作为当前聚类中心。理论分析与对比实验结果表明,此方法相对于传统K-means算法和最大最小距离法有更快的收敛速度、更高的准确率和更强的稳定性。

粒计算优化初始聚类中心的K-medoids聚类算法

针对快速K-medoids聚类算法所选初始聚类中心可能位于同一类簇的缺陷,以及基于粒计算的K-medoids算法构造样本去模糊相似矩阵时需要主观给定阈值的缺陷,提出了粒计算优化初始聚类中心的K-medoids聚类算法。该算法结合粒计算与最大最小距离法,优化K-medoids算法初始聚类中心的选取,选择处于样本分布密集区域且相距较远的K个样本作为初始聚类中心;使用所有样本的相似度均值作为其构造去模糊相似矩阵的阈值。人工模拟数据集和UCI机器学习数据库数据集的实验测试表明,新K-medoids聚类算法具有更稳定的聚类效果,其准确率和Adjusted Rand Index等聚类结果评价指标值优于传统K-medoids聚类算法、快速K-medoids聚类算法和基于粒计算的K-medoids聚类算法。

加速大数据聚类K-means算法的改进

为有效处理大规模数据聚类的问题,提出一种先抽样再用最大最小距离进行K-means并行化聚类的方法。基于抽样的方法避免了聚类陷入局部解中,基于最大最小距离法使得初始聚类中心趋于最优化。大量实验结果表明,无论是在单机环境还是集群环境下,该方法受初始聚类中心的影响降低,提高了聚类的准确性,减少了聚类的迭代次数,降低了聚类的时间。

基于改进流形距离的粗糙集k-means聚类算法

针对现有的基于流形距离的聚类算法对"绝对流形"数据集较"相对流形"数据集聚类效果佳和参数ρ在较大范围内变化时,聚类性能较差等问题,提出基于改进流形距离的粗糙集k-means聚类算法。该算法通过用属性划分和最大最小距离选择初始聚类中心,以改进的流形距离和粗糙集优化k-means,并结合终止判断条件以达到解决边界数据聚类问题和提升聚类效果的目的。仿真结果表明:该算法对"绝对流形"和"相对流形"数据集聚类效果均有较好改善,且参数变化对聚类性能影响较大。

基于MapReduce的K-means聚类算法的优化

针对传统的聚类算法K-means对初始中心点的选择非常依赖,容易产生局部最优而非全局最优的聚类结果,同时难以满足人们对海量数据进行处理的需求等缺陷,提出了一种基于MapReduce的改进K-means聚类算法。该算法结合系统抽样方法得到具有代表性的样本集来代替海量数据集;采用密度法和最大最小距离法得到优化的初始聚类中心点;再利用Canopy算法得到粗略的聚类以降低运算的规模;最后用顺序组合MapReduce编程模型的思想实现了算法的并行化扩展,使之能够充分利用集群的计算和存储能力,从而适应海量数据的应用场景;文中对该改进算法和传统聚类算法进行了比较,比较结果证明其性能优于后者;这表明该改进算法降低了对初始聚类中心的依赖,提高了聚类的准确性,减少了聚类的迭代次数,降低了聚类的时间,而且在处理海量数据时表现出较大的性能优势。

高维数据聚类数量可视化确定模式

为了解决经典K-均值聚类算法要求用户事先知道待处理数据的聚类数量及聚类结果对算法的初始化很敏感的问题,提出一种对K-均值聚类算法的改进措施并可视化地确定聚类数量的综合方案。首先,对数据进行标准化,使其服从正态分布,利用主分量分析(princi‐palcomponentanalysis,PCA)抽取数据中最重要的特征以实现高维数据的降维;然后,采用最远质心选择和最小-最大距离规则对K-均值聚类算法的初始化进行修正,避免出现空聚类并确保数据的可分离性;在此基础上,采用统计经验法则估计聚类数量的可能范围,通过搜索在此范围内平方误差和(sum-of-squared-error,SSE)曲线的肘部估计最佳的聚类数量;最后,通过计算比较各个聚类的轮廓系数以评价算法的聚类质量,从而最终确定数据集固有的聚类数量。仿真结果表明,该方案不仅能可视化地确定数据集潜在的聚类数量,而且为大数据时代的高维数据分析提供了一种有效的方法。

基于全局性分裂算子的进化K-means算法

进化算法可以有效地克服K-means对初始聚类中心敏感的缺陷,提高了聚类性能。在进化K-means聚类算法(F-EAC)的基础上,针对其变异操作——簇分裂算子的随机性与局部性,提出了两个全局性分裂算子。结合最大最小距离的思想,利用待分裂簇的周边簇信息来指导簇分裂初始点的选择,使簇的分裂更有利于全局划分,以进一步提高进化聚类的有效性。实验结果表明,基于全局性分裂算子的算法在类数发现及聚类精度方面均优于F-EAC。

基于邻域密度的K-means初始聚类中心优选方法

传统K-means算法初始聚类中心的选择具有随机性且对离群点敏感,导致聚类结果不稳定、准确率低等问题。针对上述问题,提出基于邻域密度的NDK-means算法。首先,通过多维网格划分得到样本的网格分布特性;然后,通过定义网格密度和网格邻域密度,确定多个局部高密度网格,同时引入迭代因子合并相邻高密度网格中心得到初始聚类中心候选集;最后,结合网格密度和距离,利用最大最小距离算法得到K个初始聚类中心。在UCI数据集上进行实验,实验结果表明:相对于其他局部邻域算法,新算法提高了聚类结果的准确率,具有较好的稳定性。

基于自适应果蝇优化算法的加权分簇算法

针对无人机编队网络管理问题,提出了一种基于自适应果蝇优化算法的加权分簇算法,利用分簇结构进行网络优化。该算法使用了基于离差标准化的数据归一化方法对各性能指标进行处理,并根据整体能耗改变权值分配规则,共同提高了簇头选举的客观性;分析了未定节点调整准则,提出了应用自适应果蝇优化算法进行簇的规模优化,消除了孤立节点和小规模簇;引入了剩余能量阈值和安全距离阈值约束维护条件,并分析了阈值的最优取值,减少了簇的维护次数。仿真结果表明,所提算法能够有效提高无人机编队各方面的性能,与现有算法相比,能够获得更好的网络管理效果。

基于极大极小距离密度的多目标微分进化算法

微分进化(differential evolution)是一种新的简单而有效的直接全局优化算法,并在许多领域得到了成功应用.提出了基于极大极小距离密度的多目标微分进化算法.新算法定义了极大极小距离密度,给出了基于极大极小距离密度的Pareto候选解集的维护方法,保证了非劣解集的多样性.并根据个体间的Pareto支配关系和极大极小距离密度改进了微分进化的选择操作,保证了算法的收敛性,实现了利用微分进化算法求解多目标优化问题.通过对5个ZDT测试函数、两个高维测试函数的实验及与其他多目标进化算法的对比和分析,验证了新算法的可行性和有效性.

一种无需测距节点定位算法的分析和改进

针对传统DV-Hop算法定位精度较低的缺点,提出一种改进的DV-Hop定位算法。改进算法在计算未知节点到各个锚节点距离时,根据不同的节点分布情况计算出不同的平均跳距,使其更接近于实际平均跳距,为了减小算法的计算量,定位时用Min-Max(最小最大)方法代替了最小二乘法,另外,改进算法还增加了对初步定位结果的循环位置修正。仿真结果表明,与传统DV-Hop算法相比,改进算法在不需要增加节点的硬件开销的基础上能更有效地提高定位精度,是无线传感器网络中节点定位的一种实用方案。

基于改进磷虾群优化的中心极大化KFCM算法在IDS的应用

针对核模糊C-均值算法(kernel fuzzy C-means,KFCM)随机选择初始聚类中心而不能获得全局最优且在聚类中心较近或重合时易产生一致性聚类等问题,提出一种改进算法。改进算法在原目标函数中引入中心极大化约束项来调控簇间分离度,从而避免算法出现一致性聚类结果。利用磷虾群算法对基于新目标函数的KFCM算法进行优化,使算法不再依赖初始聚类中心,提高算法的稳定性。基于距离最大最小原则产生多组较优的聚类中心作为初始磷虾群体并在算法迭代过程中融合一种新的精英保留策略,从而确保算法收敛到全局极值;通过对个体随机扩散活动进行分段式Logistic混沌扰动,提高算法全局寻优能力。使用KDD Cup 99入侵检测数据进行仿真实验表明,改进算法具有更好的检测性能,解决了传统的聚类算法在入侵检测中稳定性差、检测准确率低的问题。

一种改进的基于粒子群的聚类算法

针对K-means对初始聚类中心敏感和易陷入局部最优的缺点,提出了一种改进的基于粒子群的聚类算法。该算法结合基于密度和最大最小距离法来确定初始聚类中心,解决K-means对初始值敏感的问题;利用粒子群算法全局寻优能力强的优点,避免K-means陷入局部最优。通过对样本集各维属性的规范化处理,惯性权值采用凹函数递减,计算相异度矩阵,引入用群体适应度方差,进一步优化混合算法。实验结果表明,该算法具有更高的准确率和更强的收敛能力。

自动确定聚类数算法在网络入侵检测中的应用

研究准确检测入侵问题,为保护网络资源的安全,在入侵检测中需要预先指定聚类数目以及对初始中心敏感,但传统K均值算法易陷入局部最优。为解决上述问题,提出了一种自动确定聚类数的算法,首先通过多次执行样本抽样技术用最大最小距离算法产生一系列较优的聚类中心和聚类数目,作为差分进化算法的初始种群,然后在种群进化过程中以最优种群个体为指引,动态调整个体聚类中心和聚类数目,并且利用差分进化算法的全局寻优能力和K均值算法的局部搜索能力,对聚类中心和聚类数目同时进行优化,从而得到最佳的聚类划分和聚类数目。在上述算法的基础上,提出了一种入侵检测判断方法,通过对KDD CUP1999数据集的仿真结果表明,改进算法具有较好的入侵检测效果,能够有效的检测出网络中的入侵数据。

基于多通信半径和跳距加权的WSNs三维迭代定位算法

针对三维DV-Hop全局跳数划分不够精确,平均跳距与实际跳距偏差大导致定位误差大的问题,提出一种基于多通信半径和跳距加权的WSNs三维迭代定位算法。首先,参考锚节点比例设置跳数阈值进行迭代定位;其次,利用多通信半径和多跳跳数偏差对单跳和多跳节点跳数进行精确划分;最后,将估计跳距与最大通信半径的偏差设为平均跳距的权值,采用最小最大法计算节点位置。仿真结果表明,在锚节点比例较大和通信距离较短时,该算法与3D-DVHop、3D-WD-DVHop和基于三维球形分割定位算法相比,定位精度明显提高。

基于优化GSA算法的不良数据辨识方法研究

不良数据辨识是提高工业自动化监测数据可靠性的有效方法。为克服聚类初值随意选取对传统GSA不良数据辨识算法的精度和运算速度造成的负面影响,本文利用最大最小距离法对基于GSA不良数据辨识过程进行了优化。分别将传统GSA算法和优化GSA算法应用于UCI标准数据库中的IRIS数据集辨识中,仿真结果表明,优化GSA算法在辨识精度和计算耗时方面明显优于传统GSA方法。