基于PCA和K-均值聚类的有监督分裂层次聚类方法

提出了一种新的基于PCA和K-均值聚类的有监督二叉分裂层次聚类方法PCASHC,用K-均值聚类进行逐次二叉聚簇分裂,选择PCA第一主成分相距最远样本点作为K-均值聚类初始聚簇中心,解决了K-均值聚类初始中心随机选择导致结果不确定的问题,用聚簇样本类别方差作为聚簇样本不纯度控制聚簇分裂水平,避免过拟合,可学习到合适的聚类数目。用四组UCI标准数据集对其进行了10折交叉验证分类误差检验,与另外七种分类器相比说明PCASHC有较高的分类精度。

一种新的分裂层次聚类SVM多值分类器

提出一种分裂层次聚类SVM分类树分类方法.该方法通过融合模糊聚类技术和支持向量机算法,利用分裂的层次聚类策略,有选择地重新构造学习样本集和SVM子分类器,得到了一种树形多值分类器.研究结果表明,对于k类别模式识别问题,该方法只需构造k-1个SVM子分类器,克服了SVM子分类器过多以及存在不可区分区域的缺点,具有良好的分类性能.实验结果验证了该方法的优越性.

基于不可分辨关系的文本分裂层次聚类研究

为了对文本数据集实施高效聚类,笔者提出了一种基于不可分辨关系的分裂层次文本数据聚类算法。首先把文本集转化成布尔文本信息系统,然后在文本信息系统上定义不可分辨关系,最后根据文本对象间的最大不可分辨性对文本集进行分裂聚类,直到任意类中所有对象都不可分辨关系为止。实验结果表明,本算法高效、准确,具备可移植性。

聚类与协同过滤相结合的隐式推荐系统

针对目前大多推荐系统中使用的协同过滤算法都需要有显示的用户反馈的问题,提出一种在隐式反馈推荐系统中使用聚类与矩阵分解技术相结合的方法,为用户提供更好地推荐结果。其结果是由基于用户历史购买记录的隐式反馈产生的,不需任何显式反馈提供的数据。采用高维的、无参数的分裂层次聚类技术产生聚类结果,根据聚类的结果为每个用户提供高兴趣度的个性化推荐。实验结果表明,在隐式反馈的情况下该方法也能有效获得用户偏好,产生大量的高准确度推荐。

独立于应用的数据库聚类技术

文章提出了一种独立于应用的数据库聚类技术,是多数据库挖掘的重要步骤,处于数据准备阶段,也是分组规则合成的前提,该技术主要包括多数据库最优划分方法,该方法将数据库的属性集当作其特征。数据库最优划分方法采用非对称二元变量相似度计算方法得到数据库间相似度,利用分裂层次聚类法对数据库进行完全划分,然后借鉴k中心点方法提出最大树方法选出对应簇中心,最后利用自适应模糊C-均值聚类方法的评价函数获得最优划分。

基于聚类与协同过滤组合算法的数字电视推荐系统设计

针对目前快速增长的智能数字电视的点播直播节目,观众对感兴趣的节目选择困难的现状,本文提出一种面向智能数字电视的点播直播节目数字电视推荐系统,它基于改进的聚类和协同过滤组合推荐算法。系统统一了点播直播节目的节目标签,以便于用户点播直播历史数据统一打分,然后形成用户-评分矩阵表,再针对高维矩阵表进行基于PCA和K-means的分裂层次聚类算法聚类形成相似用户簇群。接着对用户所在的簇群进行基于协同过滤算法计算,得出用户对未观看节目的预测评分,给用户推送最佳节目。

一种基于软边界球分的分裂式层次聚类算法

层次聚类是一种常用的聚类方法,但传统的层次聚类面临着计算复杂度较大、抗噪音和例外点干扰能力较弱的问题.本文以可能性聚类方法为基础,首先提出软边界球分算法,可实现对数据集合理分裂.随后将这一策略与分裂式层次聚类过程相结合,构造一种基于软边界球分的分裂式层次聚类算法(SHPDHC).SHPDHC 具有较低的计算复杂度.与此同时,它能较好地发现自然数据类,确定出合理的聚类数目,并能自适应划分出例外数据点.理论分析与对人工数据集的聚类实验结果证明了上述几点.最后我们将 SHPDHC 应用于一类阴影图像的分割中,同样取得良好效果.

聚类分析在农业中的应用

在本文中,简要回顾了聚类分析及其在农业和相关科学领域的一些应用,其中包括层次凝聚聚类法,模糊聚类,分裂层次聚类法和Kohonen自组织特征映射以及这些技术在农业领域的应用。农业数据挖掘是一个相对较新的研究领域,聚类分析在农业中的应用时间并不长。通过灵活的应用数据挖掘技术(如聚类分析),可以发展出更有效率的方法来解决各种复杂的农业问题。