基于边界剥离思想的全局中心聚类算法

全局中心聚类算法如k-means、谱聚类在类簇分布出现重叠粘连现象时往往容易陷入局部最优且参数难以设定,极大地限制了全局中心聚类算法在实际应用中的效果。为解决此问题,提出了一种基于边界剥离思想的全局中心聚类算法。首先,设计了一步边界剥离法,根据样本点间的反向k近邻关系定义了一种局部距离加权密度,并利用密度经验分布函数一阶差分最大处的密度值作为阈值将数据集分为边界集与核心集。其次,嵌入传统的全局中心聚类算法对核心集进行聚类,得益于核心集的簇间重叠问题已明显改善,嵌入算法将更容易收敛到真实的簇中心。最后,提出一种边界吸引算法,从已被归类的核心集样本点出发,借助已有的反向k近邻关系迭代融合边界集中的样本点以完成对整个数据集的聚类。相较于目前以迭代方式进行的边界剥离算法,所提算法在计算效率上具有明显优势,不需要额外设定复杂的终止条件而直接通过阈值进行边界划分,并且全局性方法在数据局部密度存在差异的情形下具备更强的鲁棒性。在实验阶段,采用3个合成数据集以及6个真实数据集从算法性能、参数敏感性、时间消耗多个方面进行评估,实验结果进一步验证了此算法的有效性与实用性。

考虑建成环境的酒驾事故时空分布特征

为深入了解我国酒驾事故的时空分布特征及其与周围建成环境的空间距离阈值,以济南市2022年发生的1034起酒驾事故与13029起非酒驾事故案例为研究对象,结合季节性强度指数与地理集中指数等衡量指标,分析酒驾事故的时空分布特征;利用近邻分析与基于最大类簇直径改进的K-means聚类算法,探究出周围建成环境与酒驾事故点的空间距离阈值。结果表明:酒驾事故的时间分布季节强度指数为4.128,大于非酒驾事故的3.839,时间分布差异性更大,且高发时段(20:00—02:00)与餐饮服务的高峰营业时间一致。酒驾事故的地理集中指数G为32.713%,大于均匀分布情况下的地理集中指数G,空间集聚程度更高,且与周围建成环境分布具有密切联系。餐饮服务、购物服务、住宿服务与商务住宅的聚类中心点到酒驾事故点的距离阈值分别为798.415 m、694.378 m、658.234 m与739.622 m。

基于两阶段搜索的密度聚类算法

为克服当前密度聚类算法存在的随机性、主观性和连带错误等问题,提出一种基于两阶段搜索的密度聚类算法。给出密度阈值和簇最近邻定义及计算方法。采用密度排序、簇最近邻分配和自适应搜索策略构建算法的两阶段聚类机制,设计邻域递归搜索和簇最近邻搜索两个阶段的聚类算法,实现不同密度数据点的准确聚类。8个数据集聚类实验结果表明,该密度聚类算法聚类稳定,无噪声,且自动确定类簇数,聚类精度优于比较的密度聚类算法。

VANET随机部署环境下基于改进型共享最近邻密度峰聚类的快速分簇算法

针对车辆高速移动场景下,网络拓扑变化过大导致网络分簇结果不稳定的问题,提出一种基于改进型共享最近邻密度峰聚类的快速成簇算法SNNCA(shared nearest neighbor clustering algorithm);通过综合考虑节点的链路生存周期和移动相似性,提出一种全新的节点连接稳定程度评估指标,并将该评估指标应用于节点共享最近邻的计算过程,以组织网络节点为划分合理的多跳簇结构;为适应网络环境的动态变化,提出一种簇维护策略,其中每个层级的簇成员承担着维护下一层级簇成员的任务,该策略能够对簇成员进行批量分离或合并,从而实现了算法的分布式快速收敛;根据随机部署场景中进行的仿真实验结果显示,相比其他较新算法,SNNCA算法降低了74%的簇数量,并且簇成员的平均存活时间增加了近1倍,表现出更好的网络稳定性和健壮性。

融合最近邻矩阵与局部密度的自适应K-means聚类算法

针对传统K-means聚类算法对初始聚类中心和离群孤立点敏感的缺陷,以及现有引入密度概念优化的K-means算法均需要设置密度参数或阈值的缺点,提出一种融合最近邻矩阵与局部密度的自适应K-means聚类算法。受最邻近吸收原则与密度峰值原则启发,通过引入数据对象间的距离差异值构造邻近矩阵,根据邻近矩阵计算局部密度,不需要任何参数设置,采取最近邻矩阵与局部密度融合策略,自适应确定初始聚类中心数目和位置,同时完成非中心点的初分配。人工数据集和UCI数据集的实验测试,以及与传统K-means算法、基于离群点改进的K-means算法、基于密度改进的K-means算法的实验比较表明,提出的自适应K-means算法对人工数据集的孤立点免疫度较高,对UCI数据集具有更准确的聚类结果。

基于测量报告信号聚类的指纹定位方法

针对基于加权K最近邻(WKNN)和机器学习算法的指纹库定位方法存在精度和定位效率较低的问题,提出一种基于测量报告(MR)信号聚类的指纹定位方法。首先,把MR信号分为室内、道路和室外这3种属性;其次,利用地理信息系统(GIS)信息将栅格分为建筑物、道路和室外子区域,并将不同属性的MR数据落入对应的属性子区域;最后,借助K均值(K-Means)聚类算法对栅格内的MR信号进行聚类分析,以创建子区域下的虚拟子区域,并采用WKNN算法对MR测试样本进行匹配。此外,利用欧氏距离计算平均定位精度,并通过生产环境的一些MR数据测试了所提方法的定位性能。实验结果表明,所提方法的50 m定位误差占比为71.21%,相较于WKNN算法提升了2.64个百分点;平均定位定位误差为44.73 m,相较于WKNN算法降低了7.60 m。所提方法具备良好的定位精度和效率,可满足生产环境中MR数据的定位需求。

基于熵值法和DEA的电力监测异常数据自动识别算法研究

为了有效提高电力监测异常数据识别准确率,确保异常数据识别效果,提出了基于熵值法和DEA的电力监测异常数据自动识别算法。应用数据脱敏、数据填补、颠簸去除等方式处理电力监测异常数据,还原原始电力监测数据,提升脱敏后数据完整性,降低颠簸数据对电力监测异常数据精度的影响。以经过数据处理的电力监测异常数据为基础,通过熵值法确定目标的属性和权重作为度量标准,采用基于熵值法改进的最近邻聚类算法,实现数据聚类,以数据聚类结果为输入,构建DEA模型,实现电力监测异常数据自动识别。实验结果表明,该算法数据聚类后的平均检测率约为92%,异常数据识别正判率约为95%,误判率约为3.5%,可有效识别出异常月负荷曲线的异常数据点和不同负荷量的异常数据,且识别结果与实际负荷曲线的趋势一致,具有较好的识别效果。

融合相对密度和最近邻关系的密度峰值聚类

密度峰值算法在处理密度不均匀的数据时对中心点的选取不准确,并在样本分配时易产生连带错误,导致聚类效果不佳。针对上述问题,提出一种融合相对局部密度和最近邻关系的密度峰值聚类算法。在局部密度的定义中引入稀疏平和权重,提出相对局部密度的定义,根据相对局部密度寻找密度峰值,避免稀疏差异较大的数据集在选取密度峰值时出现的错误,确保中心点选择的正确性;针对分配策略,结合最邻近点准则和阈值限制,提出最近邻分配策略,根据阈值条件有效抑制分配连带错误;基于类内距离均值定义距离比例,提出修正分配策略,提升算法对边界点聚类的准确性。在5个合成数据集和5个UCI数据集上,将提出算法与DPC、DPC-MND、FKNN-DPC、DBSCAN、OPTICS、AP、K-means算法进行比较,实验结果表明,所提算法在调整互信息、调整兰德系数和Fowlkes-Mallows指数上均表现出良好的聚类效果,并通过Friedman检验表明该算法具有最优的性能。

基于共享近邻和优化关联策略的边界剥离聚类

边界剥离聚类算法(BP)是一种基于密度的聚类算法,它通过逐渐剥离边界点来揭示聚类的潜在核心,已经被证明是一种十分有效的聚类手段.然而,BP算法仍存在一些不足之处:一方面,数据点的局部密度仅考虑了距离特征,使得边界点的确定不够合理;另一方面,BP算法中的关联策略容易误判异常值,并且在分配边界点时容易产生连带错误.为此,本文提出了一种基于共享近邻和优化关联策略的边界剥离聚类算法(SOBP).该算法使用了基于共享近邻的局部密度函数来更好地探索数据点之间的相似性,同时优化了BP算法中的关联策略,使得每次迭代中边界点不再仅与一个非边界点进行关联,并进一步采用了边界点与非边界点、已剥离边界点之间的双重关联准则.在一些数据集上的测试表明,相较于其他6种经典算法,该算法在评估指标上表现更佳.

基于多模网络模型的个性化信息推荐算法及应用

为了获得更高的信息推荐效率和更精确的推荐结果,结合k-means聚类法设计了信息推荐算法。以网络信息资源的属性及整体变化的相似度判断为基础进行信息检索,通过用户对资源的偏好程度构建多模网络模型,采用k-means聚类法建立最近邻用户集,以综合特征值为聚类起点对推荐的信息资源进行排序,从而实现信息资源的推荐。将该算法应用到就业信息推荐平台中,结果表明所提出的算法达到了较高的性能指标,对于各种创业、就业网络平台具有很强的实用性。

基于机器学习的中药材种类及产地鉴定模型分析

为使中药材种类及产地鉴别结果更精准,研究了当数据量充足无缺失,且药材中红外或近红外光谱特征明显和当数据量较少,中红外和近红外光谱数据差异明显,数据类别标签较多,且存在数据缺失两种情况下中药材种类及产地鉴别方法.前者可通过主成分分析降维,再经过K-Means聚类鉴别其结果;或通过人工神经网络在分类后给出需要预测的中药材种类及产地鉴别结果;后者可对中药材的近红外和中红外光谱数据进行图示对比分析,同时结合K近邻算法数据分析,进行分类,通过相互验证方式鉴别其结果.

基于密度峰值算法的三支聚类

传统的硬聚类要求聚类结果之间必须边界清晰,但在实际划分中常常会遇到信息不充分的情况,如果将对象强行划分到某一类簇,会带来较高的决策风险.为了解决这个问题,三支聚类采用核心域、边界域、琐碎域来表示每一个类簇,把不确定的对象放入边界域中延迟决策,以此降低决策风险,同时针对传统密度峰值算法需要手动选取参数且样本分配策略存在缺陷,提出了基于密度峰值算法的三支聚类,引入自然最近邻算法,自适应地获取每个点的邻居个数以此来定义样本的局部密度,然后基于三支阈值得到核心域和边界域,对于边界域中的数据,通过比较其与聚类中心的距离和密度做进一步划分.在UCI、Synthetic和Shape数据集上的实验结果证明:所提算法能有效提高ACC,ARI,AMI,FMI值,可以显著提升聚类效果.

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。

RBF神经网络在边坡岩体稳定性中的预测研究

简要分析 RBF网络的结构特点及最近邻聚类学习算法之后 ,以大量边坡工程的稳定状况为学习训练样本及预测样本 ,建立了预报模型 .讨论了基于 RBF神经网络技术的边坡岩体稳定性分析方法及其有效性 .研究表明 ,用

改进的最近邻法在基于事例推理中的应用

在基于事例的推理中,通常采用判断相似度来进行事例检索。目前广泛采用的最近邻法存在着盲目判断、计算量大的缺陷,提出了一种改进的算法,采用聚类的方法把事例库分为合理的聚类,并找到每个聚类的均值,然后在推理中,新事例直接与每个均值进行比较,找到与它最相近的聚类,并在这个聚类中搜索最相近的事例。从而避免了盲目搜索,优化了算法。

基于油气参数分析的电力变压器故障分步式诊断算法

为提高电力变压器故障诊断的诊断速度和准确率,提出了一种以变压器油气参数为诊断依据的电力变压器故障分步式诊断算法。该算法第1步采用量子行为的支持向量机(SVM)故障诊断算法,即采用SVM对大型电力变压器的故障进行分类,在分类的过程中采用改进的具有量子行为的遗传算法对SVM的参数进行寻优。在完成第1步的基础上,第2步再对存在于可疑区域的样本采用K-近邻聚类分析算法分类。仿真结果表明:改进的量子遗传算法只需要50代繁衍就能得到最佳分类模型,而普通遗传算法则需要通过170代才能得到;同时聚类分析与支持向量机的有机结合将分类准确率由97.5%提高到了100%。可见,所提出的电力变压器故障分步式诊断算法能有效地提高故障诊断的诊断速度和准确率,可广泛应用于电力变压器的故障诊断。

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。

改进的神经网络最近邻聚类学习算法及其应用

提出了一种改进的 RBF (Radial Basis Functions,径向基函数 )神经网络最近邻聚类学习算法 ,并将其应用于股市预测问题。模拟结果表明 ,改进算法的拟合效果与拟合误差均明显好于常规最近邻聚类学习算法 ,可以较大幅度提高 RBF神经网络的预测性能。

基于RBFNN的DMFC温度建模与神经模糊控制研究

为了提高燃料电池的发电性能,直接甲醇燃料电池(DMFC)堆的运行温度应该控制在一个合适的范围内。简单介绍了利用RBF神经网络基于实验的输入输出数据建立DMFC电堆温度模型的方法,避开了电堆的内部复杂性;在控制过程中,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法(FGA)在线对神经模糊控制器的参数进行自适应调整,采用最近邻聚类算法(NNCA)对控制器的模糊规则库进行更新。在仿真实验中,将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能。

径向基函数(RBF)网络的研究及实现

概述人工神经元网络的分类 ,详细分析了RBF网络的结构特点 ,给出了最近邻聚类学习算法的具体过程 ,并利用MATLAB编程语言将此算法编制成标准函数ZJWNNC。该算法是一种在线自适应聚类学习算法 ,不需要事先确定隐含层单元的个数。