利用铁乳胶室研究含有高能中心簇射集团的γ-强子族

给出了一种对含有高能中心簇射集团的 γ强子族的研究方法，对甘巴拉山铁乳胶室观测到的族事例与 Ｃ Ｏ Ｓ Ｍ Ｏ Ｓ 程序产生的模拟族事例进行了分析与比较，并对其中含有高能中心簇射集团的γ强子族的产生特征进行了较为细致的研究，所得到的结果与 Ｃｈａｃａｌｔａｙａ Ｐａ ｍｉｒ 合作组的结果基本一致．

一种基于簇中心点自动选择策略的密度峰值聚类算法

针对基于密度峰值的聚类算法(CFSFDP)无法自行选择簇中心点的问题,提出了CFSFDP改进算法。该算法采用簇中心点自动选择策略,根据簇中心权值的变化趋势搜索"拐点",并以"拐点"之前的一组点作为各簇中心,这一策略有效避免了通过决策图判决簇中心的方法所带来的误差。仿真实验采用5类数据集,并与DBSCAN及CFSFDP算法进行了对比,结果表明,CFSFDP改进算法具有较高的准确度及较强的鲁棒性,适用于较低维度的数据的聚类分析。

融入密度和距离的K-means初始簇中心优选方法研究

K-means算法随机选取初始簇中心易导致聚类不稳定、准确率低等问题.为了解决上述问题,提出融入密度和距离的K-means初始簇中心优选方法.该方法首先选取距离最远的两个样本点进行贪心策略的密度聚类,形成两个临时初始簇,接着不断选取距临时初始簇质心距离乘积最大值点进行密度聚类,直到形成K个临时初始簇,最后在每个簇中选取核心点作为初始簇中心.在Letter数据集进行实验,证明所选取初始簇中心进行K-means聚类具有更好的稳定性、更高的准确率.

基于数据场的类簇中心选取及其聚类

针对现有聚类算法普遍存在聚类质量低、参数依赖性大、孤立点难识别等问题,提出一种基于数据场的聚类算法。该算法通过计算每个数据对象点的势值,根据类簇中心的势值比周围邻居的势值大,且与其他类簇中心有相对较大距离的特点,确定类簇中心;根据孤立点的势值等于零的特点,选出孤立点;最后将其他数据对象点划分到比自身势值大且最近邻的类簇中,从而实现聚类。仿真实验表明,该算法在不需要人为调参的情况下准确找出类簇中心和孤立点,聚类效果优良,且与数据集的形状无关。

基于自适应簇中心选择的文本聚类算法研究

为解决传统的K-means算法需要人工确定K值和随机选取初始簇中心容易陷入局部最优的问题,提出自适应簇中心选择算法。首先将任意选取的一篇文档和与其距离最远的文档作为初始簇中心聚类得到2个大类并重新计算簇中心,然后,找出与新的簇中心距离大于设定阈值的文档并依据文档距离判断是否需要增加新的类别,迭代上述过程确定聚类簇中心及类别数。实例验证结果表明,提出的算法与改进的K-means算法相比,在聚类结果的质量和算法收敛的速度上都有明显的改善。

一种面向混合属性对象的初始簇中心定位的新算法

针对随机初始化方式对混合条件属性数据对象的适应调整能力非常低,且其任意性的本质特征,会造成聚类质量大幅度下降的缺陷,提出通过分类条件属性对象的熵值与数值条件属性对象的欧氏距离计算结果的对比,确定第一个簇中心元素的定位值;然后以迭代推理的方式评估混合条件属性对象间的距离及关系特性,获得下一个初始簇中心元素并依此类推的初始簇中心定位新算法NCBT(numeric-classification and between the two)。理论分析和实验表明,该算法平均定位准确率较随机初始化方式高出10个百分点,且具有良好的自适应性,能产生优良的聚类结果。

加权局部方差优化初始簇中心的K-means算法

在传统K-means算法中,初始簇中心选择的随机性,导致聚类结果随不同的聚类中心而不同。因此出现了很多簇中心的选择方法,但是很多已有的簇中心选择算法,其聚类结果受参数调节的影响较大。针对这一问题,提出了一种新的初始簇中心选择算法,称为WLV-K-means(weighted local variance K-means)。该算法采用加权局部方差度量样本的密度,以更好地发现密度高的样本,并利用改进的最大最小法,启发式地选择簇初始中心点。在UCI数据集上的实验结果表明,WLV-K-means算法不仅能够取得较好的聚类结果,而且受参数变化的影响较小,有更加稳定的表现。

R-means:以关联规则为簇中心的文本聚类

本文将k-means与关联规则(或频繁项目集)相结合,提出了一种新的文本聚类算法R-means。R-means算法以关联规则作为簇中心,通过类似于k-means的迭代优化得到最终的簇。因此R-means不仅继承了k-means的简单性,而且用关联规则产生的簇描述易于为人们所理解。在几个实际数据集上的实验表明该算法可以得到高精度和高性能。

针对簇类中心自适应的密度峰值聚类算法

针对密度峰值聚类(CFSFDP)算法无法自动确定簇类中心点和需要人为主观通过决策图截取簇类中心的局限性的问题,提出了一种针对簇类中心自适应的密度峰值聚类算法。首先应用马氏距离计算方式计算数据的距离矩阵,其次根据簇类中心的分布规律提出自适应化的簇类中心提取机制,最后基于簇类中心的刻画自适应化离群点的分辨,从而得到最终的聚类效果。为验证所提方法的有效性,实验中对多个数据集进行广泛测试,结果表明:所提算法在人工测试数据集和UCI数据集上都比原CFSFDP算法具有更好的聚类结果。

一种结合K-means均匀分簇和数据回归的WSN能量均衡策略

针对LEACH协议簇头节点分布不均导致无线传感网节点能量消耗不均衡等不足,提出一种结合K-means均匀分簇和数据回归的能量均衡策略.采用优化初始簇中心K-means算法构建均匀分簇的分级无线传感网,通过获取节点地理位置信息,采用K-means聚类算法形成k个均匀分簇,再选举簇内节点剩余能量最多者当选簇头.该成簇算法可以使网络负载均匀,延长网络生存周期.通过优化初始簇中心的选择,降低K-means算法的迭代次数,使其更快收敛,成簇时间开销更少,簇与簇之间的地理分布也更均匀.在稳定数据传输阶段,采用数据回归的方法来减少普通节点与簇首的通信量,以达到降低功耗的作用.实验结果表明,该策略能够有效降低节点的功耗,延长网络的生存时间.

基于D2D通信的用户模式选择性能研究

频谱资源紧缺背景下,设备到设备通信是有效的频率复用方法。利用随机几何工具,在复合信道条件下,对以网络为中心分簇中用户通信模式的选择及性能分析展开研究。考虑以网络为中心分簇的网络模型,根据用户与最近基站、最近用户之间的距离比确定用户的通信模式,在分析用户通信模式选择概率的过程中充分考虑了基站和用户空间位置的随机性。最后,推导了典型用户的平均数据速率表达式,并分析了基站与用户之间的相对位置、协作簇内基站数目、用户数目以及阴影效应的影响。

基于改进分簇算法的网络流量识别方法

网络流量相关应用的自动检测对于网络安全和流量管理来说非常重要。但是,由于Peer-to-Peer(P2P)、VOIP等网络新应用使用动态端口、伪装和加密流等技术,使得基于端口匹配和数据包特征字段分析等识别方法在识别这些应用时存在一定的难度。不少研究工作提出了分簇算法进行流量识别,但现有的分簇算法在簇中心和簇数目的选择上存在一定缺陷。本文首先使用基于WeightingD2算法对初始化簇中心选择进行改进,通过NMI值来确定簇的数目,得到改进的分簇算法,并提出一种基于该算法的应用层流量识别方法。对于应用层流量,尤其是P2P应用识别实验结果表明,该方法能达到90%以上的识别率以及较低的误识别率和漏识别率。

基于教材文本语料库的自适应主题词表构建——以经济类专业为例

[目的/意义]构建一套面向汉语非母语学习者的专业词表对专业学习和国际中文教育学科建设及发展具有重要意义。[方法/过程]针对当前外向型专业词表较少及构建方法单一问题,本文首先从网站爬取小说、新闻和论坛留言构建参照语料库,根据教育部专业课程设置目录,选取专业教材构建专业教材语料库,运用TF-IDF-TF算法遴选专业主题词并构建词共现矩阵,利用凝聚聚类法实现专业主题词聚类。在此基础上,计算词簇内主题词的语义相关性,选取语义共现度最大的词作为词簇中心词,并根据语义相关性编排词表。最后,以经济学类专业为例构建面向留学生的专业主题词表。[结果/结论]结果表明,本文构建的经济类专业主题词表能够较好地提取专业词汇且有效地将语义关联度紧密的专业主题词聚类在同一词簇内,学习者能够快速有效获取相关词簇进行专业自适应学习,并为其他专业主题词表的构建提供了依据。

专利介绍

一种汽车轮胎胎面花纹缺陷检测系统和方法申请公布号:CN 117876382A申请公布日:2024年4月12日申请人:咸阳黄河轮胎橡胶有限公司发明人:王晓辉本发明介绍了一种汽车轮胎胎面花纹缺陷检测方法和系统,方法包括采集轮胎胎面图像,计算图像的灰度共生矩阵中每个元素对应的像素点组合的纹理特征相关性,根据纹理特征相关性筛选出所有的纹理特征相关性弱的目标像素点组合,对所有的目标像素点组合基于坐标进行聚类,根据每个类簇中每个目标像素点组合的坐标与每个类簇中心的距离,得到每个目标像素点组合与所有类簇中心的离散程度,基于离散程度和目标像素点组合在所有目标像素点组合中的占比,计算胎面图像存在花纹缺陷的概率,利用概率判断胎面图像是否存在花纹缺陷,基于该方法的系统能够对胎面花纹进行智能、高效、准确的缺陷检测。

结合密度参数与中心替换的改进K-means算法及新聚类有效性指标研究

聚类是一种经典的数据挖掘技术,它在模式识别、机器学习、人工智能等多个领域得到了广泛的应用。通过聚类分析,目标数据集的深层次结构可以被有效地发掘出来。作为一种常用的划分聚类算法,K-means具有实现简单、能够处理大型数据等优点。然而,受收敛规则的影响,K-means算法仍然存在着对初始类簇中心的选取非常敏感、不能很好地处理非凸型分布和有离群值的数据集等问题。文中提出了一种基于密度参数和中心替换的改进K-means算法DC-Kmeans。该算法采用数据对象的密度参数来逐步确定初始类簇中心,使用中心替换方法更新偏离实际位置的初始中心,因而比传统聚的类算法更加精确。为了获得最佳聚类效果,文中同时提出了一个能够对聚类结果进行有效评价的新聚类有效性指标SCVI和一个能够快速获得目标数据集最佳类簇数的新算法OCNS。实验结果表明,所提聚类方法对各种类型的数据集都是有效的。

自动确定聚类中心的密度峰值算法

密度峰值聚类算法(Density Peaks Clustering,DPC),是一种基于密度的聚类算法,该算法具有不需要指定聚类参数,能够发现非球状簇等优点。针对密度峰值算法凭借经验计算截断距离d_c无法有效应对各个场景并且密度峰值算法人工选取聚类中心的方式难以准确获取实际聚类中心的缺陷,提出了一种基于基尼指数的自适应截断距离和自动获取聚类中心的方法,可以有效解决传统的DPC算法无法处理复杂数据集的缺点。该算法首先通过基尼指数自适应截断距离d_c,然后计算各点的簇中心权值,再用斜率的变化找出临界点,这一策略有效避免了通过决策图人工选取聚类中心所带来的误差。实验表明,新算法不仅能够自动确定聚类中心,而且比原算法准确率更高。

一种基于最低能量保护的分簇CCLP算法

PEGASIS协议是一种基于链式结构的协议,链中总有一个节点被选为头节点,这个节点没有考虑到基站的位置,导致PEGASIS协议造成冗余数据的传送。提出了基于同中心簇中最低能量保护的算法。仿真结果表明,该算法能考虑到基站的位置和充分保护能量最小的节点,来增强它的性能和延长WSN的生命周期。

基于密度与最小距离的K-means算法初始中心方法

为了克服在传统K-means聚类算法过程中因初始类簇中心的随机性指定所带来的聚类结果波动较大的缺陷,提出了一种基于密度与最小距离作为参数来确定初始类簇中心的算法。该算法根据一定的规则计算数据对象的密度参数,在计算完数据集中每条数据的单点密度之后,计算每个数据对象与较其密度大的其他数据对象的最小距离,以密度和最小距离作为参数,选取密度和最小距离同时较大的点作为K-means聚类过程的初始类簇中心。实验结果表明,在类簇数目确定的情况下,应用该算法确定的初始K-means类簇中心,在标准的UCI数据集上能够进行K-means聚类,且与随机选择类簇中心和其他使用密度作为参数的算法相比,基于改进后的初始中心方法的K-means聚类算法具有较高的准确率和更快的收敛速度。

基于粒子群优化K-means聚类算法的快递网点选址方法研究

对于大规模客户群体,如何高效合理地规划出网点位置,在节省物流企业配送成本的前提下提高货物的周转率和及时送达率,目前已成为快递物流系统网络优化的难点。为解决此类问题,针对某地区物流公司的客户信息,采用粒子群优化的K-means聚类算法进行快递网点选址。具体过程:首先采用手肘法评估研究区域需设立的最佳快递网点数;为改善K-means初始簇中心带来的易陷入局部最优解问题,利用粒子群优化算法对数据集进行迭代寻优,重新确定初始簇中心;最后通过K-means聚类算法在全局最优解附近空间完成聚类任务,最终得到的聚类结果代表配送区域的划分方案,聚类的簇中心即为快递网点位置。此外,利用3个评价指标对粒子群优化Kmeans聚类算法和传统K-means聚类算法进行对比分析。结果表明,结合粒子群优化算法后的聚类结果其类内数据相似度更高,类间数据的差异与距离更大,取得的聚类效果更合理。

基于数据挖掘的数据库信息查询访问控制系统设计

为增强数据库信息查询机制的完整性,使得网络主机可以有效控制数据信息参量的访问连接行为,设计基于数据挖掘的数据库信息查询访问控制系统。以CloudFileUser控制主机作为核心应用结构,调节Server查询模块与数据处理模块之间的实时连接关系,完成访问控制系统的硬件执行环境搭建。根据数据挖掘原理,提取数据簇中心,根据待转换数据集合定义表达式,计算挖掘指令的执行深度,实现控制系统软件执行环境的搭建,结合相关硬件应用设备,完成基于数据挖掘的数据库信息查询访问控制系统设计。对比实验结果表明,所设计系统的信息查询完整性系数最大值可以达到71.6%,网络主机与信息访问连接有效性得到大幅提升。