基于模糊粒度计算的K-means文本聚类算法研究

传统的K-means算法对初始聚类中心非常敏感,聚类结果随不同的初始输入而波动,算法的稳定性下降。针对这个问题,提出了一种优化初始聚类中心的新算法:在数据对象的模糊粒度空间上给定一个归一化的距离函数,用此函数对所有距离小于粒度d_λ的数据对象进行初始聚类,对初始聚类簇计算其中心,得到一组优化的聚类初始值。实验对比证明,新算法有效地消除了传统K-means算法对初始输入的敏感性,提高了算法的稳定性和准确率。

基于模糊粒度计算的文本聚类研究

典型的文本聚类算法是一种硬划分,但是实际上由于中文文本的多样性和大量性更适合进行软划分,模糊集理论的提出为这种软划分提供了有力的分析工具。传统的模糊聚类方法大都是通过对隶属度的矩阵逐步迭代得到模糊等价矩阵或模糊划分的方法实现聚类,这个过程需要大量的存储空间。基于模糊粒度计算的文本聚类算法是在文档集合的模糊粒度空间上给定一个归一化的距离函数d(di,d)j,对距离小于粒度dλ的文本进行动态聚类。通过实验证明此方法在解决文本聚类问题时具有降低计算复杂度和空间复杂度,适于大量文本的聚类处理。

基于局部锐度分布耦合核典型相关分析的图像匹配算法

提出了基于局部锐度分布耦合核典型相关分析的图像匹配算法.首先引入Forstner算子对特征点进行精确提取;随后计算每个特征点对应的锐度值,从而构造局部锐度分布模型,生成低维度的特征描述子;接着引入归一化互相匹配策略(Normalized Cross Correlation,NCC),完成特征点的匹配,增强算法的鲁棒性;最后基于核典型相关分析(Kernel Canonical Correlation Analysis,KCCA)技术,建立归一化距离函数,对匹配特征点进行提纯,剔除误匹配点.仿真实验结果表明:与当前图像匹配算法相比,本文算法不仅具有较高的匹配精度及较强的鲁棒性,而且还具有较高的匹配效率.