基于模糊密度峰值聚类的区域同位模式并行挖掘算法

区域同位模式挖掘(RCPM,regional co-location pattern mining)是为了发掘某个局部区域内存在的同位(co-location)模式,以发现在全局中无法发现的信息.传统的区域挖掘大多会采用明确界限的几何体框定同位模式产生的区域.但是现实中的各类区域可能是无明确边界的.另外,数据的分布情况作为区域的重要特征之一,也应该成为区域选择的因素.基于上述思考,本文引入密度峰值聚类(DPC,density peak-based clustering),提出新的密度度量函数,并结合模糊集理论与k近邻距离,设计了一个行之有效的并行区域同位模式挖掘算法.实验结果表明,利用本文方法挖掘到的结果更具有现实意义,并且并行化极大地提升了挖掘算法的效率.在真实数据上,2线程下的加速比达到了1.89.

基于模糊密度峰聚类和PSO的WSN能量均衡算法

针对无线传感器网络的节点能量受限以及能量利用率低等问题,设计一种基于模糊密度峰聚类和粒子群优化的能量均衡路由算法。算法主要针对成簇阶段和数据传输阶段进行优化。在成簇阶段,采用模糊密度峰值聚类算法选取首轮簇头并将节点聚类。在传输阶段,将传输路径选择转换为旅行商问题,通过粒子群优化算法建立基站与各簇头节点之间数据传输的最优路径。将此算法与EE-LEACH和PSO-K-MEANS算法进行比较,仿真结果表明,所提算法提高了网络的使用寿命和能源效率,生存周期与其它两种算法相比,分别提高了18.4%和15.9%。

结合密度峰值优化模糊聚类的自训练方法

【目的】为了在迭代自训练之前探索数据集分布情况,挑选出所含信息量较大且置信度较高的无标记样本加入训练集训练,让训练出的初始分类器有较高的准确性,提高自训练方法的泛化性。【方法】以聚类假设为基础,先对无标记样本集进行密度峰值聚类,在人工地选出聚类中心后,将新的聚类中心作为模糊聚类的初始聚类中心进行模糊聚类,从而筛选出有用的无标记样本。【结果】通过使用密度峰值优化模糊聚类算法,筛选出所含信息量大且置信度高的样本加入了训练集,训练出泛化性更强、分类精度更高的分类器。【结论】实验结果表明,改进后的自训练方法能快速发现样本集原始空间结构,筛选出有用无标记样本加入训练集,与结合其他聚类算法的自训练方法相比分类精度有所提高。