方向相似性聚类方法DSCM

针对方向性数据提出了一种鲁棒的基于方向相似性度量的聚类方法DSCM·DSCM首先基于方向性度量构造目标函数,然后通过不动点迭代法对目标函数优化,获得各个样本的最终稳定状态,最后基于样本的最终状态集利用层次聚类技术实现聚类·DSCM的优势在于对方向性数据聚类时不依赖于具体的初始化参数,且能自组织地求解最优聚类划分因而有很好的鲁棒性·通过实验证实了DSCM的有效性以及对已有的两个传统方向性聚类算法的优越性·

基于空间方向相似性的面状矢量空间数据匹配算法

数据一致性匹配处理技术是空间数据融合中的关键技术。采用方向关系矩阵模型进行空间方向关系描述,讨论了一般情况下的空间方向相似性计算,提出了基于空间方向相似性的矢量数据匹配算法流程。最后,以面状目标为研究对象,以某地局部地区居民地数据为例,对基于空间方向相似性的矢量数据匹配算法进行了试验与分析。

基于栅格数据的面状目标空间方向相似性研究

提出了基于栅格数据的面状目标之间的两种空间方向相似性的计算方法 :利用栅格数据的特征和方向关系矩阵计算空间方向相似性 ;基于单个栅格单元与参考目标之间角度的变化计算面状目标之间空间方向相似性。这两种方法简化了由Goyal提出的基于方向关系矩阵模型计算空间方向相似性的方法 ,克服了方向产生某些细微变化时的限制 。

鲁棒的模糊方向相似性聚类算法

鉴于文本数据具有方向性数据的特征,可利用方向数据的知识完成对文本数据聚类,提出了模糊方向相似性聚类算法FDSC,继而从竞争学习角度,通过引入隶属度约束函数,并根据拉格朗日优化理论推导出鲁棒的模糊方向相似性聚类算法RFDSC.实验结果表明RFDSC算法能够快速有效地对文本数据集进行聚类.

一种基于方向相似性的蚁群聚类算法ACCADS

提出了一种基于方向相似性度量的蚁群聚类算法。首先针对方向性数据的特点将方向性度量引入蚁群聚类算法作为相似性度量;其次使用两个反应阈值决定人工蚂蚁的聚类动作,避免了LF算法中由于计算平均相似度而出现的不足。实验结果表明,该算法能有效地对方向性数据聚类,具有一定的实际应用价值。

模糊粗糙集的相似度量和相似性方向

粗糙集理论是一种新的处理模糊和不确定性知识的软计算工具,在人工智能及认知科学等众多领域已经得到了广泛的应用。相似度量的研究是模糊集理论与粗糙集理论的热点问题之一。文章提出了一种更精确、更合理的相似度量方法,讨论了它的一些性质。然后,在此基础上提出了模糊粗糙集的相似性方向的概念,用于比较两个相似的模糊粗糙集所包含信息的精确性大小,并给出了一个关于相似性方向的判别函数。这在近似推理、模式识别和决策分析等领域有着广泛的应用。最后,通过一个实例,分析说明了这种相似度量方法和相似性方向的判别方法是更合理更有效的。

粗糙的方向性模糊聚类算法

根据高维数据具有方向性的特征,结合概率模糊聚类算法与粗糙集理论提出了一种粗糙的方向性模糊聚类算法。该算法在概率模糊聚类算法中引入了数据方向相似性函数,能对不确定数据进行处理。在算法中利用粗糙集中的下近似集与边界集来确定目标对象函数,属于下近似集的数据在聚类时是确定的,属于边界的数据具有模糊性。实验结果表明,该算法能有效地对高维的方向性数据进行聚类。

一种改进的面目标间方向关系相似性计算模型

在分析Goyal提出的经典方向相似性计算模型的局限和不足的基础上,对方向相似性的计算模型从以下3个方面进行了改进:首先,拓展了方向关系矩阵模型的使用范围,使其能够表达和计算有面群参与的方向关系;其次,从人们对方向差异认知的角度出发,对由单元素方向关系矩阵表达的各基本方向之间的方向距离的定义进行了改进;最后,提出利用最小元素法对多元素方向关系矩阵之间方向距离进行计算,计算原理和方法更为简单。实验证明,该改进模型计算的方向相似性值与人们对方向差异的认知相一致,而且计算方法简单,具有更广泛的适用性。

基于蚁群聚类模型的增量式Web用户聚类

本文首先针对Web数据高纬的特点,提出一种基于方向相似性的蚁群聚类算法并将其应用于用户聚类;然后针对Web数据的动态性,引入聚类模型维护库,在原有聚类模型的基础上实现增量式用户聚类。实验结果表明,该方法能动态有效地实现用户聚类。

在编队机动转向状态下选择指定目标的一种新方法

提出了反舰导弹在编队机动转向状态下选择指定目标的一种新方法。通过利用空间方向关系相似性的计算,找出搜索得到的编队目标形成的凸多边形的面目标与原预估位置的凸多边形的面目标最相似的基准方向。在找出编队的基准向量后,通过求各节点其向量差值之和的最小值,正确地选择出空间位置关系最逼近预定打击目标的指定目标。通过仿真验证,证实该算法获得了当敌编队机动作战时较好的突防概率和攻击效果。

带信息反馈的凝聚层次聚类算法

本文针对传统的基于相似性的层次聚类算法存在的两个问题(相似性度量中方向信息的丢失和算法的适应能力弱)提出了一种带有信息反馈的凝聚层次聚类算法.首先将无法预知的复杂数据结构描述成3个基本的结构特征单元,并对其进行建模构建一种相似性度量定义的泛型和一种凝聚的层次聚类算法.在凝聚的层次聚类算法中加入类信息的反馈机制,并在不同阶段对相似性定义的泛型进行具体化,充分利用数据点对之间的方向信息和距离信息进行聚类.该聚类算法主要有两大优势:(i)算法的适应能力较强,不需要假设的前提下可以处理无法预知的复杂数据结构;(ii)算法对噪声具有较强的鲁棒性,在不需要对数据集进行预处理的情况下能够在聚类的过程中识别噪声点或者噪声类.从人工数据和真实数据的试验结果可以看出新算法的优越性能.