基于凝聚层次聚类算法的ATT&CK模型改进

在应用ATT&CK模型(网络攻击模型)进行网络安全威胁分析的过程中,ATT&CK模型提供的技术集合过于复杂。针对ATT&CK模型应用复杂的问题,论文对模型的技术集进行聚类简化研究,提出了基于聚类算法的模型改进方法,首先对ATT&CK模型的技术集合进行量化和聚类趋势评估,然后对量化的数据应用凝聚层次聚类算法得到简化的聚类结果,最后通过实验验证模型改进有效性。

基于凝聚层次聚类的接地网定向支路减维腐蚀诊断优化方法

为了更有效地对接地网水平支路导体的腐蚀故障情况进行诊断,采用模型仿真方法对基于电网络理论的接地网腐蚀诊断方法进行分析,针对现有接地网腐蚀诊断模型存在的缺陷,提出了一种基于凝聚层次聚类的接地网定向支路减维腐蚀诊断优化方法。该方法通过分析恒定直流激励下接地网各支路电阻变化对于端口的灵敏度规律,利用支路端口灵敏度对接地网可及端口进行凝聚层次聚类,以选出最优端口测量组合;然后采用定向支路减维方法对各端口电阻方程进行支路筛选,将灵敏度低于判定阈值的导体支路划为未知支路,高于判定阈值的导体支路划为健康支路,以降低腐蚀诊断模型的病态程度和计算维度。在某模拟变电站接地网上对该方法进行了仿真验证,结果显示优化后的整体诊断相对误差仅为3.07%,远小于普通接地网腐蚀诊断的6.74%,证明该方法能显著提高接地网腐蚀诊断精度,可为接地网腐蚀诊断提供理论指导。

考虑交通状态影响的服务区凝聚层次聚类入区判别模型

为了精准掌握高速公路服务区入区车辆特征、提升服务区运营管理水平,基于高速公路ETC门架通行和收费数据,在分析服务区路段和邻近服务区路段车辆行程时间和速度分布特征基础上,考虑路段交通运行状态影响,提出了基于凝聚层次聚类的运行状态识别方法和服务区分车型入区判别模型。以G65包茂高速大观服务区为例,通过关联上、下游门架路段交通运行状态,明确了服务区路段车辆在4种不同运行状态下的速度概率分布特性,结合聚类给出了各个运行状态下车流密度和速度变化的入区判定条件,并利用服务区视频卡口数据进行验证分析。结果表明:判别误差主要分布在拥堵时段,全日客车和货车在考虑运行状态下的相对误差分别为1.5%、7.0%,与不考虑路段运行状态情况相比分别提高了2.9%、4.1%,验证了模型的有效性,为获取高速公路服务区入区车辆特征提供了一种新的思路。

基于凝聚层次聚类的电力用户服务方法

随着电网数字化转型工作的逐步推进,电力营销服务方式不断完善。为解决电力营销服务中存在的服务模式单一,用户体验差的问题,提出了基于凝聚层次聚类的电力用户服务方法。首先,对电力用户的电力数据与行为数据进行交叉分析,获得电力用户的典型数据特征;其次,采用凝聚层次聚类算法对电力用户进行分析,评估电力用户的偏好和用电趋势,并对电力用户进行画像。在此基础上,针对不同类型的电力用户制定差异化的营销服务策略,以提高电力用户的满意度。最后,在某城市应用该方法,其电力用户线上渗透率由38.2%提升至69.1%,用户满意度提升41.5%,其结果验证了该电力用户服务方法的有效性。

基于凝聚层次聚类的电力用户服务方法

本文旨在对电力用户服务的分层聚类方法进行相关研究和分析,该方法有助于电网高质量的服务工作,提高工作效率,大大提高用户满意度。

基于凝聚层次聚类分析法的岩体随机结构面产状优势分组

在岩体斜坡稳定性分析和岩体水力学分析中,岩体随机结构面的优势分组是一项十分重要的内容。提出一种基于凝聚层次聚类分析的岩体随机结构面产状优势分组的新方法,这种方法的优点在于事先无需确定聚类中心,在分类结果生成后还可明显剔除数据的孤点与野值。应用人工随机生成的结构面产状数据对这种新方法和模糊C均值法进行了对比验证。结果表明,凝聚层次聚类分析法不仅在无孤值点的情况下分组结果优于模糊C均值算法,而且还可以有效地剔除孤值点对于分组结果的不利影响。最后将这种方法应用于松塔水电站坝肩结构面优势分组中,同样得到了比较满意的结果。

一种基于功能需求层次凝聚的程序聚类方法

对大型复杂系统进行聚类分析能够改善软件维护的效率和效果,同时也是获取可复用构件的基础.提出一种基于需求层次凝聚的程序聚类方法来解决这个问题.该方法利用存在于需求描述中的语义信息获取问题域的高层逻辑,结合对源代码的动态分析,最终获取对源代码的分解划分.使用该方法获取的划分结果具有到问题域的映射;并且由于采用了动态的分析策略,该方法具有灵活的划分粒度.

基于凝聚式层次聚类算法的标签聚类研究

对标签、标注、大众分类等概念进行界定,指出现有标签标注系统中存在着标签描述信息的精确度不高、标签检索结果相关度低、标签缺乏有效组织等问题,提出采用凝聚式聚类算法对标签聚类,从而实现对标签的重新组织,为用户提供更好的标签导航、浏览机制。最后通过实验对标签聚类方法进行验证。

基于改进的凝聚性和分离性的层次聚类算法

由于传统的数据聚类算法都是在单一表上进行,因此如何在多表中进行聚类是现在聚类分析的一个新方向.提出了一种基于改进的凝聚性和分离性的层次聚类算法——ICCSH(a hierarchical clustering algorithmbased oni mproved cluster cohesion and separation) ,该算法首先通过ID传播把关系数据库中的各个表联系起来,再通过计算共享最近邻的相似度和改进的凝聚性算法将数据对象聚类为大量相对较小的子聚类,然后通过计算改进的簇间分离性合并子类来找到真正的结果簇.实验表明,该算法不仅运行时间相对较短,具有较强的可伸缩性,还可以得到较高精确的聚类结果.

面向凝聚式层次聚类算法实现的矩阵存储数据结构研究

快速查找、扩张、收缩是凝聚式层次聚类算法快速实现对相似度/距离矩阵存储的基本要求。本文提出了基于十字链表和平衡二叉树的复合数据结构 CrossAVL 用于矩阵的存储,给出了查找、扩张,收缩操作的实现并对其时间复杂度进行了分析。实验结果表明,CrossAVL 对快速要求能够较好地满足。

基于蚁群优化算法的凝聚型层次聚类

传统的凝聚型层次聚类在分裂或合并类时如果没有很好地作出决定,就有可能导致低质量的聚类结果,针对这一缺点,提出一种基于蚁群优化算法的凝聚型层次聚类算法。该算法先利用蚁群优化算法的状态转移规则决定凝聚型层次聚类中下一个将要合并的数据点,再利用信息素更新规则寻找聚类的最优路径,最后获得全局最优的高质量层次聚类结果。该优化算法在人工数据集和UCI数据集上的仿真实验结果表明,相对于传统的聚类算法,该算法的准确率更高,聚类效果更好。

基于划分和凝聚层次聚类的无监督异常检测

将信息熵理论应用于入侵检测的聚类问题,给出在混合属性条件下数据之间距离、数据与簇之间距离、簇与簇之间距离的定义,以整体相似度的聚类质量评价标准作为聚类合并的策略,提出了一种基于划分和凝聚层次聚类的无监督的异常检测算法。算法分析和实验结果表明,该算法具有较好的检测性能并能有效检测出未知入侵行为。

基于层次聚类分析的变压器油中溶解气体在线监测数据异常检测

油中溶解气体分析是电力变压器常用的状态检测手段,在变压器运行与维护中发挥了显著作用,但因现有油中溶解气体在线监测系统可靠性问题及现场干扰,监测数据中充斥着大量的伪数据及错数据,易引起误判。针对此问题,监测系统常采用基于数据分布统计的阈值法判定数据真伪,因数据分布规律预先难以掌握,造成异常数据检出率普遍低下问题。文中依据油中溶解气体在线监测数据时间序列特点,提出了一种基于凝聚层次聚类的异常数据检测方法。首先,利用滑动时间窗对多种油中气体监测数据进行预处理,获得监测数据时间序列集,接着通过综合应用均值、阈值、标准差、小波变换周期性分量等指标对其进行分类建立异常类型的典型时序图谱;在此基础上,利用凝聚层次聚类模型,对不同特征的数据点与典型异常图谱的距离进行相似性聚类,以确定监测数据的异常类型。通过实际监测数据应用验证表明,该方法可实时检测在线监测数据流中数据异常并确定其类型,简单且易操作,具有较好的理论及应用价值。

基于云模型与凝聚型层次聚类的失效模式与影响分析方法

针对传统失效模式与影响分析(failure mode and effect analysis,FMEA)的不足,提出了一种基于云模型和凝聚型层次聚类算法的改进FMEA方法。首先,运用云模型对专家评估信息进行描述与集结;然后,结合凝聚型层次聚类算法识别云模型评价信息,利用聚类子簇确定失效模式间关联关系,利用聚类结果确定失效模式风险等级。最后,以在线教学失效风险评估为例,验证了该改进FMEA方法的可行性和有效性。

基于凝聚层次聚类的co-location模式挖掘

空间的co-location模式代表一组空间对象的子集,它们的实例在空间中频繁地关联,它是空间数据挖掘的重要研究方向。本文首先介绍co-location模式挖掘的基本算法,然后提出一种新的挖掘算法,算法先对空间数据进行凝聚层次聚类,在聚类结果上挖掘co-location模式,最后对这种新的算法作实验评估。

利用凝聚层次聚类的多视影像重建算法

无序多视影像的三维重建由于缺乏先验信息而可能导致重建结果发生漂移。提出一种稳健的重建算法,以匹配点对数量作为影像间的相似性量度,利用层次聚类算法对影像集进行分层分组,通过自下而上的顺序,对各层中的每一组子影像集进行重建;然后利用公共点将相邻子影像集间的重建结果进行融合,直到完成整个影像集的重建。最后通过3组具有代表性的影像集的重建试验,验证了算法的有效性。

层次凝聚聚类算法的动态分析与准则函数设计

为提高层次凝聚聚类（HAC）算法的执行效率和结果质量，对其进行了动态分析，研究了一次合并对后续合并的影响。分析表明，合并两个类会生成一个新类，并使被合并的类的共享邻居的邻居数减小1；当新生成的类或邻居数减小的类参与后续合并时，会影响执行效率；一次合并会改变参与合并的类和它们的候选邻居之间的准则函数值，从而影响后续合并提高质量的程度。基于上述分析并结合模块性的定义，研究了现有准则函数对凝聚过程的影响以及它们的缺陷，并设计了两个新的准则函数。在大量数据集上的买验表明，新的准则函数提高了层次凝聚聚类算法的执行效率和结果质量。

基于凝聚层次的驾驶行为聚类与异常检测方法

目前基于视频的异常行为检测主要针对单车受限场景,难以对运输全过程进行监控。而GPS轨迹分析也以对单车进行先验阈值判断为主,缺乏数据深层次分析与信息挖掘步骤。为此,提出一种基于GPS数据的驾驶行为异常检测方法。利用时间、速度、加速度、方向、转角等全局与局部特征及其对应的统计量,构建车辆驾驶行为的特征属性,并基于多特征对已有的商用车轨迹数据进行聚类分析,得到区域性车辆异常驾驶行为检测结果。实验结果表明,该方法能够准确判断待测车辆的超速、急加速/减速、频繁变道等典型异常驾驶行为。

一种新的基于层次凝聚的高效复合聚类算法

复合聚类算法是在改进的单连接算法和基于距离的聚合算法的基础上叠加形成。改进传统的单连接算法可以缩短数据聚合的时间,而基于距离的聚合算法则可以增大结点规模,满足数据量大、复杂度高的要求。实验结果表明,采用复合聚类算法能够有效地提高数据聚集的准确率和缩短响应时间。

关于凝聚型层次聚类时间复杂度的研究

针对层次聚类方法中的凝聚型层次聚类算法每次只合并两个类,迭代次数高、时间复杂度高的缺陷,提出了两种改进的算法:k近邻层次聚类和距离阈值层次聚类。然后对两种算法分别使用3组数据进行实验验证,结果表明两种算法均可以减少凝聚型层次聚类算法的迭代次数、降低时间复杂度;k近邻层次聚类需要输入的人为参数多,使得聚类结果的可靠性降低,距离阈值层次聚类的人为输入参数少,聚类结果的可靠性相对高,且聚类速度快。