基于空间距离自适应权重度量的粗糙K-means算法

粗糙K-means算法中下近似和边界区域权重系数的设置对算法的聚类效果有着重要的影响。传统的粗糙K-means算法及很多改进的粗糙K-means算法对所有类簇的下近似和边界区域设置固定的权重,忽视了簇内数据对象分布差异性的影响。针对这个问题,根据下近似和边界区域的数据对象相对于类簇中心的空间分布情况,提出一种新的基于空间距离自适应权重度量的粗糙K-means算法。该算法在每次迭代过程中,根据每个类簇的下近似和边界区域的数据对象相对于类簇中心的平均距离,综合度量下近似和边界区域对于类簇中心迭代计算的不同重要程度,动态地计算下近似和边界区域的相对权重系数。通过实例验证及实验仿真证明了所提算法的有效性。

基于K-means聚类的室内三维定位算法

为解决室内定位误差大、难实现三维定位的难题,提出一种基于K-means聚类的三维定位算法,对指纹数据库处理并同时实现三维定位,将RSSI相关系数与传统算法融合加权,使每个位置上的RSSI值直接映射出该位置的位置信息。实验结果表明,该算法能成功实现三维定位,提高平面定位精度,相对传统算法,将定位准确率提高了9.23个百分点,达到91.13%,将误差减少了95.81 cm,将定位误差控制在93.03 cm以内。

基于自适应PSO的改进K-means算法及其在电子病历聚类分析应用

针对传统的K-means算法在过分依赖初始聚类中心选取方面的不足,论文提出了一种基于自适应PSO的K-means聚类算法。该算法设计了一种自适应惯性权重函数对PSO进行动态调整,然后与K-means算法融合,使K-means的各个初始聚类中心能自适应生成,达到全局最优,最后将上述改进的聚类算法应用于医学电子病历数据病症的聚类处理。实验结果表明该算法具有更高的电子病历病症聚类准确率和执行效率。

基于改进遗传模拟退火K-means的心电波形的分类研究

针对心电图自动诊断困难这一问题,提出了一种新的聚类算法:基于均方差属性加权的遗传模拟退火K-means改进聚类算法,用于改进心电图(ECG)信号的自动识别技术。利用小波变换的多分辨率和抗干扰能力好的特点,检测QRS波、P波、T波,提高了特征检测的准确性;利用聚类分析具有较好的鲁棒性和适合于大数据量分析的特点,对心电信号进行波形分类。采用MIT-BIH标准心电数据库中的部分数据对识别结果进行判断,改进后的K-means聚类算法的准确率高于传统的K-means聚类算法,实验表明该算法对心电信号可以进行有效分类。

基于改进粒子群优化的文本聚类算法研究

针对k-means算法的聚类结果高度依赖初始聚类中心选取的问题,提出一种基于改进粒子群优化的文本聚类算法。分析粒子群算法和k-means算法的特点,针对粒子群算法搜索精度不高、易陷入局部最优且早熟收敛的缺点,设计自调节惯性权重机制及云变异算子以改进粒子群算法。自调节惯性权重机制根据种群进化程度,动态地调节惯性权重,云变异算子基于云模型的随机性和稳定性,采用全局最优值实现粒子的变异。该算法结合了粒子群算法较强的全局搜索能力与k-means算法较强的局部搜索能力。每个粒子是一组聚类中心,类内离散度之和的倒数是适应度函数。实验结果表明,该算法是一种精确而又稳定的文本聚类算法。

基于密度聚类算法的电力通信监测分析

为解决传统基于密度的噪声应用空间聚类(DBSCAN)算法对输入参数设置敏感,以及传统的边缘计算框架计算成本高、计算时间过长等问题,创新性地提出了一种单遍权重K-means(SPWK)聚类算法。构建了电力通信网络故障及入侵监测模型,并将深度强化学习技术与边缘计算相结合,以降低计算成本和计算时长。仿真试验结果表明:SPWK聚类算法的迭代次数更少,平均执行时间以及总聚类时间分别低于其他算法67.5%、37.5%,加速比高出76.4%以上,聚类效率更高;边缘计算优化方法的服务器占用时间以及计算等待时间分别低于其他算法70.4%以上和79.2%以上,性能更优;电力通信监测模型对异常数据的平均识别准确率高出其他算法23.86%以上,入侵检测率高出其他算法4.8%以上,误报率降低65.4%以上,具备优异的检测性能。综上所述,所提故障及入侵监测模型以及边缘计算优化方法的性能均优于其他流行方法,适合在电力通信监测研究中推广使用。

基于聚类算法的企业管理系统的设计

中小型企业的供应商管理,普遍缺乏严谨地评价和分类。针对这一问题,文中通过分析供应商管理的具体工作,修改经典的K-means算法,提出了一种基于自适应属性优化的K-means算法。该算法使用拉格朗日乘数法,可以自动计算所有属性的权重最优值,最大程度避免了主观因素的影响。实验结果表明,文中所提出的K-means算法的准确率高于传统K-means算法。

改进二进制麻雀搜索的特征选择及文本聚类

针对文本中存在冗余特征影响聚类精度等问题,提出一种结合蜣螂优化算法改进二进制麻雀搜索算法的特征选择及文本聚类算法。利用基于特征词权重的适应度函数完成文本特征评估,构建矢量空间模型;引入蜣螂优化算法中的圆周方向搜索机制,改进传统麻雀搜索算法中麻雀发现者位置更新策略,并融入滚动方向机制的随机游走策略提升全局搜索能力,结合转移函数对连续型麻雀位置进行更新,得到优化的二进制麻雀搜索算法,筛选出优质特征子集;选用k-means++算法完成文本聚类。通过多种基准函数及公共数据集进行验证,结果表明:所提方法能够有效降低文本特征维度,提高聚类效果。

采用改进K-means算法的退役动力电池快速分选方法

针对退役动力电池一致性差与筛选难问题,提出一种基于改进K-means算法的退役动力电池快速分选方法。根据实际需求,在初步筛选出需要的退役动力电池基础上,先利用优化初始聚类中心及自适应特征权重优化K-means算法,再以电池容量、内阻、开路电压为聚类特征,基于改进的K-means算法对退役动力电池进行聚类来实现退役动力电池快速分选。对退役动力电池样本的仿真结果表明,分选电池整体一致性参数a和b的均值最小,所提算法聚类效果较好;经电池一致性评价方法验证,各簇电池一致性指标均低于3%,所提分选方法可实现退役动力电池一致性分选,有利于批量退役动力电池的梯次利用。