模糊C均值与支持向量机相结合的增强聚类算法

针对传统重复聚类算法精度不高、消耗资源较大的缺点,提出了一种模糊C均值(FCM)与支持向量机(SVM)相结合的增强聚类算法。该算法思路是先将实例数据集利用FCM粗分为C类,然后使用SVM再对每一类进行细化分类,实现中提出了基于完全二叉树的决策级联式SVM模型,以便达到增强聚类的目的。针对使用FCM迭代聚类的过程中有可能会出现新的特征使原有的聚类失去平衡性的问题,提出了使用划分的思想对数据集进行预处理来消除这种不利影响。利用鸢尾属植物真实数据集对相关算法进行实验对比分析,结果表明该算法能够克服精度低的缺点,并节约了系统资源,可以提高聚类的质量。

密度Canopy的增强聚类与深度特征的KNN算法

K最近邻(KNN)算法作为目前使用最广泛的有监督分类算法,在大规模、多维度数据的处理方面往往是低效的,因此提出了一种适用于高维度大数据量处理的改进KNN算法。首先采用深度神经网络(DNN)作为特征提取器并进行降维,以学习到最合适的深度特征表示形式;然后通过密度Canopy算法获取到合适的集群数和初始聚类中心,成为之后K-means聚类的输入参数;最后对学习到的数据进行聚类,并采用近似相似性搜索(ASS)中的Hashing策略按其近似相似度进行集群划分,将结果作为KNN分类器的新训练样本。考虑到要查询的最近邻样本可能落在不同集群之中,导致KNN搜索的性能下降,在聚类时额外采用了一种聚类增强策略,有效缓解了这种情况的发生。使用五个不同的数据集进行对比测试,结果表明:与实验对比的算法相比,该算法不仅能够极大地提高KNN的分类精度,而且有效地提升了算法的分类效率,减少了搜索所需的距离数,对噪声数据还具有良好的鲁棒性。

基于增强聚类分割与L-峭度的Teager能量算子解调诊断轴向柱塞泵故障

振动信号中的周期性脉冲对于轴向柱塞泵故障诊断具有重要意义,但在工作状态下,轴向柱塞泵的振动信号经常会受到背景噪声和柱塞往复运动引起的自然周期性脉冲的污染,故障特征提取是轴向柱塞泵故障诊断的一个难点。为解决这个问题,提出基于增强聚类分割与L-峭度的Teager能量算子解调方法。与传统的聚类分割方法不同,增强后的算法是一种两周期的方法,能够有效从背景噪声和自然周期性脉冲中提取故障特征。L-峭度在识别周期性脉冲方面与峭度类似,但不像峭度对离群值那么敏感。Teager能量算子解调计算简便,比传统的希尔伯特解调更适合用来进行故障特征提取。为说明该方法的可行性,进行仿真模拟和试验数据研究,并将结果与传统的聚类分割方法进行了比较。结果表明,该方法能够有效地检测轴向柱塞泵的缸体和轴承故障。

基于知识利用的迁移学习一般化增强模糊划分聚类算法

针对非充分数据集及噪声对聚类分析的干扰,基于模糊C均值(FCM)框架下的聚类技术,即一般化的增强模糊划分聚类算法(GIFP-FCM),探讨具有迁移学习能力的聚类方法——融入迁移学习机制的GIFP-FCM算法(T-GIFP-FCM).该算法通过有效利用历史相关场景(域)总结得到的知识来指导当前场景(域)中信息不足时的聚类任务,从而提高聚类效果.通过在模拟数据集及真实数据集上的仿真实验,结果显示文中算法较之传统算法在处理信息不足任务时具有更佳的性能.

融合增强型模糊聚类遗传算法与ISODATA算法的遥感影像分类

针对ISODATA算法预设参数较多,其聚类中心与最优迭代数目很难预先准确设定,且在聚类时没有将影像自身特点充分考虑,对个体适应度函数重视不够的问题,本文提出一种融合增强型模糊聚类GA与ISODATA的聚类方法,对聚类原型矩阵进行编码,构造隶属度矩阵,解求个体适应度函数值,在影像特征空间中搜索得到样本全局收敛极值点。通过试验证明,该方法能避开随机初选值的敏感问题,避免聚类过程的随机性,使分类结果与实际情况更为接近,该算法精度优于传统的ISODATA算法与模糊聚类GA算法,提高了分类的精度,整体效果较好。

一种模糊核聚类的线性滤波多光谱图像增强算法

针对图像噪声过多以及模糊度过高所造成的多光谱图像视觉效果较差、图像细节难以分辨等问题,提出了一种模糊核聚类的线性滤波多光谱图像增强算法。该算法采用模糊核聚类的去噪方法,对分解图像得到的模糊系数进行了阈值处理,并引入去噪增益因子,可以有效地去除多光谱图像的噪声。在多光谱图像亮度增强上,采用了多向聚类亮度增强公式来将图像的模糊像素亮度提升至标准亮度,对图像边缘部分的亮度则采用边缘化增益方法来进行增强,最后采用线性滤波的方法来保护多光谱图像的结构张量,防止多光谱图像的结构信息发生扩散变化。实验结果表明,采用模糊核聚类的方法能够有效地去除多光谱图像噪声,在图像亮度增强上相比对比算法取得了较好的效果。

LBSN中利用深度学习的POI推荐方法

提出一种基于位置的社交网络(LBSN)中利用深度学习的POI推荐方法。设计LBSN异构图,即UP2Vec模型,整合地理签到信息、用户社会关系和时间信息等语境。提出偏好增强谱聚类(PSC)算法,通过分析用户的各种语境信息获得多个维度的数据空间特征,使用谱聚类划分用户群体。利用谱嵌入增强的神经网络深度挖掘用户与POI之间的非线性关联,实现POI的高质量推荐。实验结果表明,所提方法性能优于对比方法,推荐准确率超过90%。

基于实数值链接分析的ESSC融合算法

为了进一步提升ESSC聚类融合性能,采用实数值链接分析(real valued link analysis)计算聚类融合中模糊数据类的相似性。根据模糊决策及其相似性定义优化的融合信息,从而达到改进聚类性能的目的。实验选用了两个仿真数据库和五个UCI数据库。实验结果表明,基于实数值链接分析的ESSC聚类融合算法(RLA-ESSCE)的性能优于K-means聚类算法(KMC)、ESSC、ESSCE。