基于初始聚类中心选取的改进K-means算法

基于传统的K-均值(K-means)聚类算法,提出了一种通过优化初始聚类中心选取的改进K-均值聚类算法。改进之后的方法,首先计算所有数据中任意两点间的欧氏距离,通过比较距离大小,选取最小时的其中一点作为第1个初始聚类中心,在剩余的数据中,选择尽可能远离该点的数据点作为第2个初始聚类中心,依此类推,直至找到需要的k个点,然后再根据K-均值聚类算法迭代更新聚类中心,当达到最大迭代次数时停止。使用误差平方和(SSE)作为算法的评估标准,通过实验可知,提出的方法与传统的K-means聚类算法相比稳定性和准确率等方面有所提高。

基于自组织选取中心的广义RBF神经网络学习算法

根据RBF网络要学习的3个参数:基函数的中心、方差和权值,提出了广义RBF网络自组织选取中心的学习算法.该算法首先学习隐层基函数的中心与方差,然后学习输出层权值,仿真结果表明了该算法的有效性.

曲柄摇杆机构设计中曲柄转动中心点的选取

针对曲柄摇机杆机构设计中，曲柄转动中心A点的选取问题，分析出了更为严格的范围。

多时间窗的物流配送中心-配送路径选取模型研究

完善物流配送中心选址与配送路径规划建设,是优化区域物流运行组织模式,推进城市物流升级增效的关键环节.该文引入时间窗概念,构建多时间窗的物流配送中心-配送路径选取模型,对学术界中选址-路径问题提出新的网络衔接机理.

基于数据与压缩率预测的空间机器人集群中心节点选择策略

近年来,空间机器人集群方式的在轨服务技术受到各航天大国的重视。空间机器人集群对目标航天器进行在轨服务时,要将收集的目标信息传输至中枢卫星,如何均衡集群中每个节点的通信功耗是一个重要的研究问题。针对空间机器人集群与数据中枢卫星之间的通信功率最优问题,提出一种基于数据及其压缩率预测的空间机器人集群中心节点选择算法(DCP)。由于集群通信中的通信功耗主要与通信距离和通信时长(数据量)有关,可以基于集群的运动轨迹预测未来时刻的数据和压缩率,从而选择最优的集群中心节点,构建通信链路。在实验仿真中,与固定中心算法、度中心性算法、介数中心性算法以及接近中心性算法相比,DCP算法可以有效降低集群通信功耗,并且与实际的最优结果相比误差小于3%。

基于密度分布的K-Means初始聚类中心选择算法

针对K-Means算法聚类效果的好坏依赖初始聚类中心的选择问题,本文提出一种基于密度分布的简洁K-Means初始聚类中心选择算法.算法利用样本数据相似的稠密程度,较为精准的来寻找初始聚类中心,可有效的克服初始聚类中心选择的盲目性,减少迭代次数及聚类结果的不稳定现象.实验表明,该算法具有良好的聚类效果,稳定性好.

K-means聚类算法研究综述

总结评述了K-means聚类算法的研究现状,指出K-means聚类算法是一个NP难优化问题,无法获得全局最优。介绍了K-means聚类算法的目标函数、算法流程,并列举了一个实例,指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法,指出了K-means聚类的进一步研究方向。

基于Hash改进的k-means算法并行化设计

为了解决k-means算法在Hadoop平台下处理海量高维数据时聚类效果差,以及已有的改进算法不利于并行化等问题,提出了一种基于Hash改进的并行化方案。将海量高维的数据映射到一个压缩的标识空间,进而挖掘其聚类关系,选取初始聚类中心,避免了传统k-means算法对随机选取初始聚类中心的敏感性,减少了k-means算法的迭代次数。又结合MapReduce框架将算法整体并行化,并通过Partition、Combine等机制加强了并行化程度和执行效率。实验表明,该算法不仅提高了聚类的准确率和稳定性,同时具有良好的处理速度。

基于划分的数据挖掘K-means聚类算法分析

为提升数据挖掘中聚类分析的效果,在分析数据挖掘、聚类分析、传统K⁃means算法的基础上,提出一种改进的K⁃means算法。首先将整体数据集分为k类,然后设定一个密度参数为ϑ,该密度参数反映数据库中数据所处区域的密度大小,ϑ值与密度大小成正比,通过密度参数优化k个样本数据的聚类中心点选取;依据欧几里得距离公式对未选取的其他数据到各个聚类中心之间的距离进行计算,同时以此距离为判别标准,对各个数据进行种类划分,从而得到初始的聚类分布;初始聚类分布得到之后,对每一个分布簇进行再一次的中心点计算,并判断与之前所取中心点是否相同,直到其聚类收敛达到最优效果。最后通过葡萄酒数据集对改进算法进行验证分析,改进算法比传统K⁃means算法的聚类效果更优,能够更好地在数据挖掘当中进行聚类。

基于数据密集性的自适应K均值初始化方法

K均值聚类算法在数据挖掘、机器学习领域被广泛应用。但其初始聚类中心的选取对整个聚类效果会产生很大的影响,因此,如何合理地初始化K均值聚类算法成为重要的研究方向。提出一种基于数据内在密集性的自适应初始聚类中心选取方法。该方法分为两个过程,第一个过程给出数据密集性的定义,并基于数据密集性选出满足条件的候选初始聚类中心,第二个过程是对选出的候选初始中心进行后处理,使其个数与数据类一致。实验证明,提出的方法有如下优势:1)能够自主发现数据集中数据分布的密集性,并能够合理找出初始聚类中心;2)对离群点和噪声鲁棒;3)减少了K均值聚类算法的迭代步骤;4)易于实现。

基于改进算法的模糊神经网络电力系统稳定器

基于模糊神经网络的电力系统稳定器具有适应电力系统非线性,且不依赖电力系统数学模型的特点,针对模糊神经网络隶属度函数的中心参数选取问题,提出了一种基于极大熵原理优化模糊神经网络的设计方法。该方法利用一个最优化的目标函数导出中心向量和宽度的学习算法,改善了网络的回归能力和泛化能力。针对电力系统发生的低频振荡问题,提出了一种基于熵优化模糊神经网络电力系统稳定器的设计方案。该方案避免了控制器对系统精确数学模型的依赖,利用神经网络的学习能力,在线自动生成训练样本,实现了电力系统的实时控制。仿真结果表明,提出的电力系统稳定器控制方案可以显著地提高被控机组的稳定性及电力系统的动态性能。

基于密度峰值和社区归属度的重叠社区发现算法

现实世界中,网络节点通常会隶属于多个重叠社区,例如社交网络、文献引用网络等.因此,重叠社区发现在复杂网络分析中具有重要意义,如何高效准确地识别网络中的重叠社区是社区发现研究的难点.提出一种基于密度峰值和社区归属度的重叠社区发现算法.首先,提出一种基于节点直接邻居和间接邻居的节点间距离度量方法.其次,给出密度峰值聚类算法簇中心的局部密度阈值和跟随距离阈值计算方法,根据这两个阈值自动选取簇中心.最后,把密度峰值聚类算法应用到社区发现中,并给出社区归属度的计算方法,根据社区归属度对社区边界节点进行社区归属划分.在人工数据集和真实数据集上的实验表明:该算法能够准确的识别重叠社区结构,且具近似线性的时间复杂度,适用于大规模复杂网络.

通过密度思想和聚类有效性指标改进的K-means算法

K-means算法是常用的一种聚类分析算法。通常预先选取一个k值,然后再通过选取初始聚类中心进行聚类,直到结果不再收敛。但是传统K-means算法存在k值和初始中心点如何选取的问题,因此针对这一缺陷进行改进。通过密度参数的计算和考虑样本之间距离因素来选取初始聚类中心,并且对聚类有效性指标DBI进行改进,得到新的聚类有效性指标函数IDBI来分析不同k值下的聚类结果,从而得出最佳聚类数。结果表明,IDBI值普遍比DBI小,更加趋于稳定,因此该算法相比传统算法具有更好的收敛性以及更高的准确性。

基于RBF神经网络的边坡稳定性预测

RBF神经网络具有极强的非线性映射能力,精度高。本文基于RBF神经网络原理,采用自组织选取中心法,建立基于RBF神经网络的边坡稳定性预测模型,并选取大量边坡工程数据作为学习训练和预测样本,利用该模型进行学习和预测。研究结果表明,在处理边坡稳定性预测问题中,该方法具有很好的适应性和较高的精度。

基于K-means聚类算法的在线学习行为分析

K-means算法是基于距离作用相似性度量的聚类算法,论文介绍K-means聚类算法的3个基本参数。通过对学员学习行为记录数据,运用K-means聚类分析算法,可以构建出电大学员行为特征,有效的改善在线资源的配置。

基于改进K-means算法的WiFi室内定位方法研究

针对传统K-means聚类算法存在初始聚类中心和聚类数目随机性问题,使得分类不准确,结果为局部最优解,本文提出通过利用数据特性构建参数筛选初始聚类中心,选择改进后的聚类评价函数,使得聚类结果全局最优.实验表明,改进后的K-means算法应用于WiFi指纹定位方法可以有效改善定位精度和定位效率.

一种基于改进密度峰值聚类的社区发现算法

从复杂网络中发现可能存在的群体或社区结构是复杂网络分析的一个重要研究方向.基于密度峰值社区发现的目标是以图聚类的方式来对复杂网络进行社区划分.但是,直接应用密度峰值聚类于社区发现,还存在着如何衡量节点距离和簇中心无法自动选取等问题.在密度峰值聚类算法的基础上,提出一种基于等效电阻距离和自动选取密度峰值簇中心的社区发现算法.首先,在衡量复杂网络中节点的距离上采用了等效电阻路径长度来作为距离度量.其次,在密度峰值算法的决策图上,通过DBSCAN算法自动选取簇中心,而不是通过观察决策图人工选择,以减少人为干扰.最后,在人工合成网络和真实网络上的实验表明,提出的算法具有较高的精度和鲁棒性.

基于优先排序的神经元适配分割算法

为进一步优化优先度排序神经网络(priority ordered neural network,PONN),提高PONN的分类识别能力,本文提出了一种基于优先度排序的神经元适配分割算法,优化、改进已有的PONN算法。该算法能在PONN中每个神经元球面尽可能多的分隔同类样本,在包含同类样本邻域的同时,不侵占异类样本邻域(即异类样本到球面最短距离不小于特定数θ)。实验结果表明,与传统的PONN算法相比,无论是紧凑型还是稀疏型的样本,改进后的PONN算法识别率都提高了5%左右,而且能更高效的识别出手写体数字。该研究保证每个神经元尽可能多的识别样本,具有一定的实际应用价值。