融合多维属性相似度的云制造服务谱聚类算法

为提高云制造服务的聚类质量,提出一种融合多维属性相似度的云制造服务谱聚类算法。将云制造服务的文本型属性值向量化和数值型属性值归一化,分别构建文本型属性相似度矩阵和数值型属性相似度矩阵。设计一种属性相似度融合函数,实现多维度云制造服务属性相似度的融合,建立云制造服务相似度矩阵。引入相似矩阵的本征间隙确定聚类个数,实现高效、精准的云制造服务谱聚类。实验结果表明,该方法较其它聚类方法显著提高了云制造服务的聚类质量。

基于本征间隙与正交特征向量的自动谱聚类

针对经典谱聚类算法无法自动确定数据类个数的问题,本文提出了一种基于本征间隙与正交特征向量的自动谱聚类算法.该方法利用样本数据构建亲和度矩阵,然后进行谱分解得到相应的特征值和特征向量,对特征值从大至小依次排序,用本征间隙来刻画相邻特征值之间的差,通过第一个极大本征间隙出现的位置来自动确定类个数,最后以特征向量之间的夹角作为相似度和已获得的类个数相结合来实现数据分类.本文算法的正确性在人造数据库上得到了验证,并在UCI数据库上与k-means、FCM、Jordan算法进行了分类准确性比较实验,结果表明本文方法比其他三种方法的分类准确率更高.

自动确定单词-文档谱聚类最佳聚类数目的研究

针对大多数的谱聚类算法缺少聚类数目的问题,提出一种自动确定最佳聚类数目的单词-文档谱聚类方法.该方法从多文档集合对应的单词-文档矩阵出发,利用形态学对矩阵进行转换、过滤,通过特征间隙确定最佳聚类数目.主要过程包括三个阶段:第一阶段将单词-文档矩阵转换成聚类数目趋势图像,第二阶段采用图像处理技术对灰度图进行过滤.第三阶段通过计算过滤后的灰度矩阵的第一个极大特征间隙所在位置得到最终的最佳聚类数目.实验证明,该方法不仅能评估最佳聚类数目,而且能在一定程度上提高单词-文档谱取类方法的准确性.

一种改进的谱聚类算法及其在基因表达谱分析中的应用

聚类分析是从基因表达谱数据中提取生物医学信息的主要方法之一.针对传统谱聚类算法无法确定聚类个数的问题,提出一种改进的谱聚类算法并将其应用于基因表达谱聚类分析.首先用基因表达谱数据构造Laplacian矩阵,经特征值分解后得到相应的特征值和特征向量,用谱隙来描述相邻特征值的差值;然后通过寻找谱隙序列的最大值来确定聚类个数;最后从单位化的特征向量着手实现数据类别的划分.通过模拟数据与癌症数据的实验,证明了该文算法的有效性.

一种基于谱聚类的社交关系数据处理方法

随着社交应用软件的广泛普及,社交关系数据中存在的价值得到人们的广泛关注,社交关系网络可以抽象成一种图结构,将用户从关系结构上进行划分等价于对图进行分割。针对NJW多路谱聚类算法在处理图分割时需要人为确定聚类数目的问题,引入本征间隙的方法,通过对输入样本数据的拉普拉斯矩阵进行谱分析,得出样本的聚类数目。实验证明,改进后的NJW算法,在实验数据集上可以自动获取聚类数目并具有较好的聚类效果。

一种基于特征间隙的检测簇数的谱聚类算法

数据挖掘中如何根据数据之间的相似度确定簇(Cluster)数一直是聚类算法中需要解决的难题。文中在经典谱聚(Spectral Clustering)算法的基础上提出了一种基于特征间隙检测簇数的谱聚类算法(Spectral Clustering with Identifying Clustering Number based on Eigengap,SC-ICNE)。通过构建规范的拉普拉斯矩阵,顺序求解其特征值和相应特征向量,并得到矩阵相邻特征值的间隙,通过判断特征间隙的位置来确定簇数k。最后,通过对前k个特征向量的k-means算法实现数据集的聚类。文中通过仿真分析了高斯相似度函数对SC-ICNE聚类性能的影响,在非凸球形数据集和UCI数据集上进行了性能仿真,并和k-means聚类算法进行了对比,在检测簇数和聚类准确性方面,验证了SC-ICNE算法的有效性。

确定FCM聚类中心的自动谱聚类社团发现算法

通常大规模复杂网络中社团数量是未知的,针对K-means谱聚类社团发现算法无法自动确定社团数量和聚类精度不高的缺点,提出了基于本征间隙和模糊c均值算法的自动谱聚类算法发现算法(FCMASC).该算法利用特征值的最大本征间隙来确定社团划分数量k,以特征向量矩阵线性相关性来确定FCM算法的初始聚类中心,运用FCM算法来对特征矩阵向量矩阵进行聚类.实验结果显示FCMASC算法能够有效提高聚类精度.