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。

基于泛化中心聚类的不完备数据集填补方法

随着信息技术、云计算、互联网以及社交网络等技术的不断发展,数据规模呈爆炸态势增长.在海量数据带来丰富信息的同时,如何对海量信息进行高效的预处理成为研究的热点.其中,对于缺失数据的处理就是数据预处理技术中一项重要的挑战.传统的缺失数据的填补方法大部分都只考虑不完备集中数据完全缺失情况下的填补,然而,在海量数据集中,由于人为或者机械等原因会对数据造成一定程度的损坏,有些数据会完全缺失,而有些数据只是部分缺失,传统的填补方法未对不同程度上损坏的数据进行划分,全部按照完全缺失数据进行填补分析,忽略了部分缺失数据对数据填补结果的影响.因此,提出一种基于泛化中心聚类的填补方法(GCF),采用泛化中心聚类思想对数据进行分簇,并对随机损坏数据与聚类结果一起进行缺失数据的填补,以提高填补后数据集的正确率.实验表明,针对不同缺失度的数据集样本,提出的GCF策略在填补正确率方面都具有良好的表现.

采用中心聚类与PSO的RBF网络设计方法

基于中心聚类法与微粒群(PSO)优化方法,提出一种径向基函数(RBF)网络的设计算法。算法采用中心聚类方法对输入样本数据进行聚类处理,自适应地确定RBF网络隐含层的初始参数;利用修正全局最优解计算方法的经典PSO算法优化RBF网络隐含层参数,进一步修正网络结构参数;输出层权值采用带遗忘因子的递推最小二乘算法在线更新。采用该方法建立炼铁过程中烧结矿成分与转鼓强度关系的预测模型,并用现场数据加以验证;实验结果表明该方法收敛速度快,所建立的模型具有较高的预测精度,可用于复杂非线性系统建模。

中心聚类和语义特征融合的网页信息文本挖掘方法

针对网页信息内容丰富且结构复杂,难以准确挖掘的问题,采用中心聚类和语义特征相互融合的方法.利用中心聚类算法确定样本最终的聚类中心,根据每个词在网页中出现的频率和词的上下文语义,构造一个网页-词语的权重映射矩阵,并将语义特征作为中心聚类相似性的判断依据,完成网页文本信息的挖掘.实验结果表明:利用该方法对网页文本进行挖掘,在时间增加不多的情况下,可以获得更高的召回率和准确率.

模糊中心聚类的模式识别学习方法

基于一个约束条件下的非线性规划问题的优化计算思想 ,把模糊中心聚类中计算输入矢量与中心的距离来实现聚类作为一种优化计算问题 ,证明了模糊中心聚类方法 ,取一个适当的属函数 ,其聚类中心vi 为模糊聚类中心价值函数的极小值 ,推导出了基于模糊中心聚类的模式识别的无导师递推学习方法 ,提出了模糊中心聚类模式分类神经网络结构 。

模糊中心聚类学习方法的比较与改进

Based on the methods of fuzzy central clustering algorithms from unsupervised online recursive and offline learning methods, the limitation of initial sensitivity of clustering and learning of an objective function in constrained nonlinear optimum programming are analyzed. A modified offline learning approach is presented. The advantages and disadvantages of three kinds of fuzzy central clustering algorithms are compared by way of simulation. It shows that an approach proposed here not only decreases initial sensitivity of clustering but also accelerates termination learning of an objective function.

基于K类中心聚类法的川牛膝种子质量评价研究

目的:评价不同产地及生长年限的川牛膝(Cyathula officinalis Kuan)种子质量。方法:在测定种子千粒重、净度、含水量、发芽率、发芽势、生活力及活力的基础上,采用K类中心聚类法,以发芽率、千粒重及生活力为重要指标,对17批川牛膝种子质量进行了初步分级。结果:可将川牛膝种子质量初步划分为4个等级,有12批种子合格。结论:来自四川金口河区与四川天全两产区的种子质量较优,生长年限对川牛膝种子质量无明确影响。

模糊中心聚类法在地下水污染评价中的应用

首先把聚类问题转化为带约束条件的非线性最优化问题 ,然后从递推计算的角度 ,提出了模糊中心聚类的无导师在线递推学习法 ,并将该方法应用于地下水污染的评价。把该方法与模糊相似关系的最大树法的分类结果进行比较 ,证明无导师在线递推学习法不仅能较好应用于小样本集和类与类之间有交叠数据的多维大样本集的聚类 ,而且更便于计算机上编程实现。

基于中心聚类的深度学习遥感图像场景分类方法

针对遥感影像场景分类提出一种改进的中心聚类的深度学习模型,该模型通过改进不同类型特征的距离间隔,提高遥感图像场景分类的性能。与现有其他深度学习模型相比,该模型通过添加聚类中心以及特征与聚类中心的距离间隔约束,设计新的目标函数。新目标函数由交叉熵损失和中心聚类间隔损失构成。通过在两个公共基准数据集上评估所提出的目标函数,分类结果获得明显提升。

基于全局中心聚类算法的学生成绩评价研究

针对课程难度差异大而带来的学生成绩评价难的问题,提出了一种基于全局中心聚类算法的学生成绩评价方法。首先,使用min-max归一化方法对样本集进行预处理;然后,采用全局中心聚类算法对学生的多科成绩进行聚类;最后,使用内部评价指标CH对多组聚类结果进行评价,得出最优聚类数和最优聚类划分。通过对某高校学生成绩的聚类分析结果表明:该方法能够有效地挖掘出学生多科成绩的分布情况,可为个性化教学的实施提供一种新的思路。

基于k-中心聚类与布谷鸟搜索的伙伴选择

针对供应链合作伙伴选择问题,提出一种基于布谷鸟搜索和k-中心聚类算法相结合的寻优算法。构造基于多目标优化的合作伙伴选择模型,形成离散化的数据,用k-中心聚类算法对数据进行分组,利用布谷鸟全局搜索能力强的特性寻求问题的最优解;利用布谷鸟搜索算法对每簇进行寻优得到每簇的局部最优解,作为下一阶段的初始解,利用布谷鸟算法对初始解进行寻优,求得供应链合作伙伴选择的最优解。对比该算法与离散化的粒子群算法、布谷鸟搜索算法,对比结果表明,该算法的搜索效果更好。

基于改进k-中心聚类的P2P模式合作伙伴选择

由于当前已有方法未能考虑改进k-中心聚类算法各个簇的寻优问题,导致求解耗时增加。为此,本文提出一种基于改进k-中心聚类的P2P模式合作伙伴选择方法。仿真实验结果表明,本文方法可以有效提升收敛率,降低平均迭代次数以及最优解耗时,选取最理想的合作伙伴。

一种修正评分偏差并精细聚类中心的协同过滤推荐算法

协同过滤作为国内外学者普遍关注的推荐算法之一,受评分失真、数据稀疏等问题影响,算法推荐效果不尽如人意。为解决上述问题,文章提出了一种改进的聚类协同过滤推荐算法。首先,该算法利用无监督情感挖掘技术将评论情感映射为一个固定区间中的值,通过加权修正用户评分偏差;然后,构建修正后用户-产品评分矩阵的数据场,利用启发式寻优算法计算最佳聚类数和最优初始聚类中心,进而对用户进行划分聚类,结合最近邻用户相似性与评分产生推荐结果;最后,基于三个自建真实数据集对所提算法性能和有效性进行全面评估。实验结果表明,改进算法在精度Precision、召回率Recall和F1-Score评价指标上的表现均优于其他算法,能够有效应对数据稀疏的问题,提升推荐系统的推荐效果。

优化K-means初始聚类中心研究

K-means算法因为对初始中心依赖性而导致聚类结果可能陷入局部极小。基于密度的多中心聚类并结合小类合并运算的聚类算法解决了计算空间上的极小化,收敛进度上得到了控制,结果明显优于K-means的聚类结果。算法的每一次迭代都是倾向于发现超球面簇,尤其对于延伸状的不规则簇具有良好的聚类能力。

K-means初始聚类中心优化算法研究

由于K-means算法对初始中心的依赖性而导致聚类结果可能陷入局部极小,而采用密度函数法的多中心聚类并结合小类合并运算的聚类结果明显优于K-means的聚类结果。该算法的每一次迭代都是倾向于发现超球面簇,尤其对于延伸状的不规则簇具有良好的聚类能力。

基于K中心方法的氨基酸序列聚类分析

针对氨基酸序列的聚类问题，提出了基于K中心方法的解决方案。该方案把K中心方法、动态规划方法和生物学研究中的一些新理论有机地融合在了一起。通过实验，该方案具有很强的适用性和很好的聚类效果，是数据挖掘方法在生物信息学研究中一次有益的探索。

基于聚类中心的浅层特征融合伪造语音检测

针对现有检测系统在使用wav2vec2.0模型提取特征导致高计算资源消耗和传统打分方法限制泛化性能的问题,提出一种基于聚类中心的浅层特征融合伪造语音检测算法。裁剪wav2vec2.0模型的深层,将浅层特征通过注意力池化以缩短时序长度,用线性层确定融合权重;通过K-means++得到聚类中心,利用当前样本和相应类中心的表示余弦相似度进行训练和打分以判别真伪。实验采用ASVspoof2019和ASVspoof2021挑战赛的逻辑轨道数据集,wav2vec2.0模型参数量减少了60%,等错误率分别达到0.34%和3.67%,在模型精简和泛化性能方面明显优于同类wav2vec2.0模型和传统打分方法。

自定义聚类中心点的快速K-means聚类点云精简算法

针对传统K-means算法在随机选取聚类中心点出现聚类失败及点云数据重建时在相对平坦的区域出现孔洞的问题,提出一种GK-means的改进聚类算法对点云数据进行精简。该算法首先规定数值K作为最终聚类个数的限定,然后对选点策略进行改进,采用最远点采样选取聚类中心,对簇进行细分,计算所有点到聚类中心的欧氏距离,获取最小值所在的位置,放进最小距离所在的簇。实验结果表明:改进后的K-means算法能够使算法成功的概率提高且运行速度较快,对点云进行精简时,特征区域完整地保留了点云模型的细节特征,重建结果具有较高的光顺性。

基于密度K中心方法的核酸序列聚类

针对传统K中心聚类算法存在的初始化敏感、聚类结果多样化等问题,提出一种基于密度的K中心聚类方案,并与序列比对、动态规划等方法有机地融合在一起,实现了对核酸序列的聚类分析。实验表明,该方案与传统K中心聚类算法相比较,初始化较理想,迭代次数较少,聚类效果更优。

出租车OD序列聚类的城市功能区识别算法研究

提出一种由添加窗口约束的规整路径距离改进的K中心聚类算法(LDTW-K-medoids),通过构造时间序列、动态时间规整、时间序列聚类、聚类结果解读的流程来识别城市功能区。将算法应用在纽约市城市功能区识别中,对50万条出租车OD数据进行处理,将265个交通小区划分为五大功能区,并结合出租车全局流动模式、建筑物面积指数和富集指数来定量识别功能性质。与谷歌地图和卫星影像对比的结果表明,算法能够有效识别城市功能区,总体精度为83.8%。