基于二次模糊聚类算法的智能文本分拣研究

研究文本分类问题,传统方法对文本信息分拣的效率和准确性偏低。为了克服干扰,提高分类精度,提出一种基于二次模糊聚类的文本分拣仿真算法。利用传递闭包方法得到源文本的初始分类,得到初始分划矩阵,然后结合特征指标的不等权重因子对文本的属性相关数据进行迭代计算,从而使文本分拣的结果更接近于实际情况。仿真结果证明,算法能有效地提升文本分拣效率和准确性,对于提升海量文本信息的快速智能分拣有较高的实用价值。

一种改进的道路行车密度峰值模糊聚类算法

为解决城市道路中相邻车辆聚类精度低的问题,本文提出了一种改进的密度峰值模糊聚类算法。首先,该算法使用自适应椭圆距离代替欧式距离,并在决策图中引入指数函数曲线选择密度峰值点,以确定初始聚类中心和聚类数目;接着,将初始信息代入模糊C均值(FCM)聚类算法中,经迭代计算取得一次聚类结果;最后,根据雷达数据中同一辆车的数据点速度差值极小、不同车辆的速度差值相对较大这一特征,引入和速度相关的目标函数,并通过迭代计算取得最终的聚类结果,以对一次聚类结果进行修正。根据真实道路测量数据的实验证明,本文提出的聚类算法精度高、鲁棒性好,能正确聚类城市道路中相邻的车辆目标,具有更好的聚类效果。为道路中车辆的跟踪、交通状态预估等处理提供可靠、准确的目标信息,大大减少后续工程的计算量。