自适应数据库中基于特征向量的聚类算法

负载自适应数据库系统中,负载特征化部件要实时对各种数据库的访问负载分类,根据分类的情况预测负载对数据库资源需求。是对常规聚类算法的一个改进,提出基于特征向量的聚类算法和基于特征向量的增量聚类算法。使用该算法后负载分类速度和准确性有明显提高。

自适应数据库中基于特征向量的聚类算法的研究与改进

在负载自适应数据库系统中,负载特征化部件是关键部分,首先要对负载分类,然后根据分类的情况预测负载性能。负载的分类一般采用聚类算法,聚类算法中比较典型的就是K-means算法。但在K-means算法中,k值必须提前设定而且不能根据负载的实际情况改变,就是对算法的一个改进,使得k值动态的、能够根据负载的实际情况改变。实验结果表明,使用该算法的分类结果预测负载运行时间的准确性有明显提高。

采用对象特征向量表示法的标签聚类算法

在社会化标记系统中,常采用聚类等数据挖掘技术来解决标签冗余和语意模糊的问题.现有标签聚类算法大多根据不同标签在对象中共同出现的次数来计算它们之间的相似度,但是这种方法聚类的精确度与召回率并不高.针对此问题,提出一种新的标签聚类算法,充分考虑标签的标记信息,采用基于对象的特征向量来精确地表征一个标签,根据余弦相似度公式得到较为准确的标签相似度,然后采用K-Means算法将用户标签进行聚类.实验结果表明该算法能够得到更加精确的聚类结果.

基于均值的谱聚类特征向量选择算法

在数据聚类当中,谱聚类是最流行的方法之一,其性能取决于所选取相关图的拉普拉斯(Laplacian)矩阵的特征向量。对于一个K类问题,Ng-Jordan-Weiss(NJW)谱聚类算法通常采用Laplacian矩阵的前K个最大特征值对应的特征向量作为数据的一种表示。然而,对于某些分类问题,这K个特征向量不一定能够很好地体现原始数据的信息。本文提出一种基于均值的谱聚类特征向量选择算法。该算法首先得出图的Laplacian矩阵的前3K个最大特征值的均值,然后选取K个离均值最近的特征值所对应的特征向量。相比传统谱聚类算法,该算法在UCI数据集上获得了较好的聚类性能。

结合权重因子与特征向量改进的文本聚类算法

为解决特征词权重表示文本时存在的局限性和遗传K-均值算子操作的低效性问题,提出一种包含文本预处理和改进算法的文本聚类方法。根据权重因子和特征向量进行文本预处理,更好体现文本间的差异性,通过遗传控制因子控制个体的交叉和变异,对交叉和变异概率采用自适应控制,确保优质个体顺利进入到下一代种群,体现遗传算法的全局优化能力和K-均值算法的高效局部搜索能力。实验结果表明,该方法使特征词分类精度得到提高,改善了文本聚类效果。

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

基于聚类算法的路径频散曲线拾取方法

多道地震资料面波分析方法是目前确定近地表横波速度的有效工具,但由于反演的一维横波速度模型仅反映了检波器排列中点垂直方向上的横波速度变化,因此其横向分辨率较差。与面波分析方法相比,面波层析反演方法具有更大的潜力来提高近地表特征的横向分辨率。但是面波层析反演方法需要从大量检波器对之间(路径)的平均频散能量谱中拾取频散曲线,人工拾取将耗费大量的时间成本。针对这个问题,本文进行了聚类算法自动从路径平均频散能量谱中拾取相速度频散曲线的研究。理论模型正演数据以及实际资料面波数据的实验结果都验证了本文方法的正确性。

基于特征向量的分布式聚类算法

提出了一种新的表达数据集的方法———特征向量,它通过坐标和密度描述了某一密集空间,以较少的数据量反映站点数据的分布特性。在此基础上提出了一种基于特征向量的分布式聚类算法———DCBFV(D istributed C lustering Based on Feature Vector),该算法可有效降低网络通信量,能够对任意形状分布的数据进行聚类,提高了分布式聚类的时空效率和性能。理论分析和实验结果表明DCBFV是高效可行的。

基于特征向量自动选取的谱聚类算法

根据谱聚类矩阵特征向量组的分段常值性,提出一种基于特征向量组自动选取的谱聚类算法。其基本思想是:首先根据数据集计算出非对称规范Laplace矩阵,然后选择其前个特征向量,最后利用本征间隙法从上述特征向量中自动选取包含聚类信息的特征向量。实验表明,该算法在一定程度上解决了特征向量自动选取问题,可以获得质量较高的聚类结果。

基于本征间隙与正交特征向量的自动谱聚类

针对经典谱聚类算法无法自动确定数据类个数的问题,本文提出了一种基于本征间隙与正交特征向量的自动谱聚类算法.该方法利用样本数据构建亲和度矩阵,然后进行谱分解得到相应的特征值和特征向量,对特征值从大至小依次排序,用本征间隙来刻画相邻特征值之间的差,通过第一个极大本征间隙出现的位置来自动确定类个数,最后以特征向量之间的夹角作为相似度和已获得的类个数相结合来实现数据分类.本文算法的正确性在人造数据库上得到了验证,并在UCI数据库上与k-means、FCM、Jordan算法进行了分类准确性比较实验,结果表明本文方法比其他三种方法的分类准确率更高.

一种主扫描图象的二进制特征向量动态聚类方法

不同类型的地物，由于辐射光谱分布不同，在多维光谱空间中构成不同的特征向量，这些向量可以用二进制数码表征．本文介绍的动态聚类方法便是一种基于二进制特征向量的非监督分类方法．

采用振动信号二维特征向量聚类的配电开关机械状态识别新方法

配电开关动作产生的振动信号具有非线性非平稳特性,蕴含机械状态信息.提出一种基于振动信号二维特征向量和模糊K均值聚类的配电开关机械状态识别新方法.利用HHT带通滤波对配电开关振动信号进行时频分解,分别求取各子频带信号的能量值和重心频率,得到振动信号的二维特征向量作为反映配电开关的机械状态的特征量.提取配电开关在正常、底座螺丝松动、机械结构卡涩及卸掉A相触头绝缘拉杆等4种典型状态实测振动信号的二维特征向量做模糊K均值聚类,结果表明,所提取的特征向量能有效地表征配电开关的机械状态.

结合权重因子和特征向量改进的混合聚类方法

针对特征词权重表示文本时存在的局限性和遗传K-均值算子操作的低效性,首先通过特征词权重因子(WF)和特征向量结合位置权重信息的方法进行文本预处理,在此基础上通过遗传控制因子(GCF)改进遗传K-均值文本聚类算法。在个体进行交叉和变异时,使用GCF对其进行控制,并对交叉和变异概率采用自适应控制,确保了优质个体顺利进入到下一代种群。实验表明,该研究不仅对特征词分类及其权重的有效计算作出改进,还使文本聚类精度得到提高。

基于对象组特征向量的聚类与分类的实现

高维稀疏数据的聚类分析是目前数据挖掘领域内亟待解决的问题之一。传统的聚类方法中,大部分不适用于高维稀疏数据,不能得到满意的结果。该文借助对象组相似度和对象组的特征向量,提出了一种实现聚类的方法。根据聚类结果后,根据聚类集合的上确界和下确界给出新对象的分类。该方法思想明了,实现起来简单轻松,结果准确可靠。

基于K-means聚类改进的特征匹配算法

图像的匹配和融合是图像拼接的核心步骤,而在图像匹配过程中,传统的KNN匹配算法中错误匹配较多,且图像上的正确匹配点对连线的斜率几乎平行。鉴于此,使用K-means算法对其进行聚类以筛选出正确匹配。实验表明,该算法可以去除大量错误匹配,较传统算法匹配率最大可提升近1倍,匹配时间最大可缩短约0.2 s。在图像融合中对最佳缝合线算法作出改进,并且与渐出渐入融合算法进行比较实验,证明改进的缝合线算法可有效去除图像重叠区域的“鬼影”、错位现象。

谱聚类中选取特征向量的动态选择性集成方法

谱聚类中k个最大特征值对应的特征向量不一定使聚类结果达到最好,因此,文中采用特征向量组的选择性集成方法以提高谱聚类性能,涉及基特征向量组的选取、选择性集成策略等问题.利用训练数据的成对约束信息进行打分,选出较好的基特征向量组;应用测试数据在训练数据中的l-最近邻的聚类性能指标,动态评价每组特征向量,选出少量几个参与投票的特征向量组;对测试数据集的几个特征向量组数据进行谱聚类,并对结果进行簇配准,给出最终的聚类结果.实验表明,采用动态选择性集成方法能提高测试数据的聚类性能.

基于K-Means聚类算法的凤堰灌区人水和谐特征研究

为了深入研究凤堰灌区人居景观特征,首先提出了“田地-古村落-水资源”三大要因,运用皮尔逊相关系数计算出水资源决定了灌溉田地的面积与位置,同时一起对村民人口的分布与发展产生影响,即“水资源、田地、古村落”三者之间存在高度的耦合性和关联性,采用K-Means聚类算法对凤堰灌区人水和谐特征与现存状况进行了研究分析,得出了Ⅰ类人均拥水量为8.52m^(3)/人;Ⅱ类人均拥水量为2.47m^(3)/人;Ⅲ类人均拥水量为0.87m^(3)/人,并为三类聚落发展提出不同的建议,充分发挥灌区的原生态优势,为日后营造一个绿水青山、人水和谐的景象,为同类灌区发展研究提供借鉴。

谱聚类中基于熵排序的特征向量选择方法

Ng-Jordan-Weiss(NJW)是使用最广泛的谱聚类算法之一。对于一个K类问题,该算法使用数据集标准化的亲合矩阵的最大的K个特征向量来划分数据。已经证明,K-way划分的谱放松解决方法在于对这K个最大的特征向量子空间的划分。然而,从大量实验表明,前K个最大的特征向量并不总能检测得出真实的模式识别问题的数据结构。所以,谱聚类中特征向量的选取变得很有必要。

利用向量回归和K-means聚类算法优化智慧农业大棚的灌溉系统

探讨了智慧农业大棚在中国农业发展中的重要性,尤其是在提升农业灌溉效率方面的作用。智慧农业大棚通过集成的先进传感器技术,实现了对农作物生长环境的实时监控与智能控制,关注温度、湿度、光照等关键参数。该技术的应用不仅提升了灌溉效率,减少了人力资源消耗量,但也提出了水资源浪费的问题。针对此问题,提出了一个结合支持向量回归(SVR)和K-means聚类算法的智能灌溉模型,旨在实现精准灌溉和优化水资源利用,推动农业生产朝着更高效、环保和可持续的方向发展。介绍了智慧农业温室大棚设计,包括温室大棚本体、喷淋机构、过滤机构和连接机构,通过雨水收集机制来节约用水,进一步体现智慧农业在资源利用和环保方面的优势。

一种针对分类型数据的熵特征变换FCM聚类算法

针对分类型数据导致聚类性能下降的问题,本文提出一种新的熵特征变换FCM聚类算法。首先根据熵的数学描述形式,定义分类型数据参数的熵特征值,进而生成熵特征变换模型及其增量模型;接着定义模型的矩阵“痕迹”,获取EFTM模型数据的特征集合;然后融合FCM聚类分析,设计一种以熵为特征提取的主体描述形式的聚类算法;最后实验均表明,该算法具有较高的自适应性。