数值型和分类型混合数据的模糊K-Prototypes聚类算法(英文)

由于数据库经常同时包含数值型和分类型的属性 ,因此研究能够处理混合型数据的聚类算法无疑是很重要的 .讨论了混合型数据的聚类问题 ,提出了一种模糊 K- prototypes算法 .该算法融合了 K- means和 K- modes对数值型和分类型数据的处理方法 ,能够处理混合类型的数据 .模糊技术体现聚类的边界特征 ,更适合处理含有噪声和缺失数据的数据库 .实验结果显示 。

模糊k-prototypes聚类算法的一种改进算法

模糊k-prototypes算法是当前聚类分析中最有效算法之一.简述了模糊k-prototypes算法的发展进程和主要性质;并在此基础上,指出它在处理数值型和分类型混合数据时的不足,进而提出一种改进算法;最后,将算法应用到英语借词之中,给出计算结果.结果表明,改进算法具有较好的稳定性和较高的精确度.

基于信息增益的模糊K-prototypes聚类算法

K-prototypes聚类算法结合了K-means算法和K-modes算法,可用于分析混合属性的数据对象。传统的K-prototypes聚类算法在计算数据对象的相异度时,未考虑各个属性对于最终聚类结果的影响程度,而现实世界中,各属性的重要程度是不同的。使用了信息论中信息增益的计算方法,来获得各个属性的权值。在计算各属性的差异度时,乘以这些权值,从而可以获得更为准确的聚类结果。为了增加算法处理模糊问题的能力,本算法引用了模糊理论,从而使其具有较好的抗干扰能力和处理不确定性问题的能力。通过对四个UCI数据集的聚类分析实验,表明了本算法的有效性。

改进的模糊K-Prototypes聚类算法在研究生培养质量评估中的应用

研究生教育在从追求招生数量到重视培养质量的背景下,如何有效而准确地评估研究生培养质量,成为当前各高校面临的重要课题。文章提出一种改进的模糊K-Prototypes聚类算法,可准确分析研究生培养质量情况。该算法首先提取相应的研究生培养质量影响因素属性,构建研究生培养质量评估指标,从而形成分析数据集;其次,为了解决研究生培养数据密度不均的问题,提出改进算法;最后利用改进的聚类算法对分析数据集进行聚类分析。以一所具体高校为例,验证提出算法的有效性和改进后聚类效果,为科学有效的研究生培养质量评估提供辅助决策方法支持。

基于改进模糊聚类算法的大数据随机挖掘仿真

大数据挖掘是从大量有噪声的、随机模糊的大数据中提取有价值信息的过程,由于海量大数据具有多维性、稀疏性以及动态性等特点,准确获取其分布特征的难度较大,随机挖掘难以直接实现。为此提出基于改进模糊聚类算法的大数据随机挖掘方法。利用建立的语义概念树模型获取大数据的特征分布关系,并根据模糊语义分析法得出大数据的语义相似性、关联性条件,提取大数据特征。优先确定最佳聚类数,采用改进模糊聚类算法对其聚类,实现基于改进模糊算法的大数据随机挖掘。实验结果表明,上述方法的大数据模糊聚类效果较好,随机挖掘准确率可达到95%以上,实验所得结果验证了上述方法较强的应用有效性。

基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息GX和类中心点的近邻信息GV融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。

基于模糊聚类算法的小微企业信用融资服务资源整合方法

为了优化小微企业信用融资服务资源整合效果,提高资源整合后的利用率,开展了基于模糊聚类算法的小微企业信用融资服务资源整合方法研究。首先,采用双向处理模式,构建资源抽取程序,得出资源数据定向抽取结果;其次,对抽取到的资源进行降维处理,减小资源维数之间的差异;在此基础上,利用模糊聚类算法,将相似度较高的资源整合到同一个聚类中,相似度较低的资源归入不同的聚类中,实现小微企业信用融资服务资源整合目标。实验结果表明,提出的整合方法应用后,资源利用率方面明显高于对照组,最高达到了98.2%,能够有效地整合和优化服务资源,更好地满足小微企业的融资需求。

基于模糊聚类与改进遗传算法的异常电力工程数据识别技术

针对传统人工核查电力工程异常数据存在耗时费力及准确度较低的问题,文中提出了一种基于模糊聚类与改进遗传算法的数据识别技术。该技术采用模糊聚类算法对数据进行自动归类,并对异常数据加以识别。同时还设计了一种改进遗传算法增强了数据的全局搜索能力,进而提升整体算法的识别效率。基于Matlab进行的仿真验证结果表明,所提技术方案可有效地自动识别出电力工程中的异常数据。而在结合改进遗传算法后,该算法的识别准确率得到了显著提升,且识别时间也缩短了60%以上,实现了数据搜索能力与效率的平衡。

基于模糊C-均值聚类算法的动态等值研究

近年来,随着特高压交直流输电线路的不断建立,需要准确地模拟交直流大电网故障期间的暂态特性已十分困难。电磁暂态仿真计算结果较为准确,但计算量太大,因此需要在计算前对被仿真网络进行动态等值。本文首先介绍了模糊C-均值聚类算法(FCM)及基于物理等效的动态等值计算方法;然后,提出了基于模糊C-均值聚类算法的动态等值计算方法及其流程图。最后,对某区域进行FCM机组分群,并进行动态等值计算,结果表明,采用基于FCM的动态等值方法,等值前后的动态特性基本一致,该方法具有良好的实用性。

基于模糊多目标决策的物联网大数据聚类算法

现有的物联网大数据聚类算法容易受到相似性攻击,聚类效果较差。为了提升自适应能力,提出了一种基于模糊多目标决策的物联网大数据聚类算法。选取梯度下降法进行重复迭代,得到物联网事件的模糊置信度和支持度阈值,利用模糊C均值聚类算法获取最优模糊划分矩阵;建立目标决策矩阵,确定目标权重,明确理想决策目标和负理想决策目标,获取最终决策结果,从而实现物联网大数据的有效聚类。选取某电力企业的物联网大数据平台进行聚类实验,结果表明,该算法可有效聚类物联网平台中的海量数据,聚类结果的簇间区分度、簇间关联性和聚类敏捷性高。

基于模糊信息聚类算法的变电站作业信息分析

为了提高变电站作业信息的计算能力,构建了一种新型的模糊信息聚类算法模型。将变电站作业信息按电力属性数据信息进行分类,将变电站信息共享调度的主要特征量进行组合或者集中分配以处理;构建变电站作业信息分析应用系统,实现变电站作业路在超出标准时的信息报警和录像回传;通过带宽方式进行信息传达,提高了变电站作业路参数和线路的信息分析。最后在35 kV变电站作业路进行试验,算法识别精度为97.3%。该技术为变电站作业智能监控技术奠定了基础。

基于模糊聚类算法的水务平台多源异构数据资源整合方法

为了优化水务平台上多源异构数据资源的整合效果并降低重复数据资源存在的可能性,以及节省数据资源存储空间,文章引入模糊聚类算法,进行了基于该算法的水务平台多源异构数据资源整合方法的研究。首先,对存在质量问题的脏数据进行清洗处理,从而提高数据资源的质量。其次,映射多源异构数据模式与本体关系,为后续数据资源整合效率的提高奠定基础。在此基础上,利用模糊聚类算法计算整合信息熵,并以整合初始聚类中心为标准对水务平台上的多源异构数据资源进行整合。实验结果表明,应用提出的整合方法后,水务平台上的数据冗余比例始终小于对照组,最大不超过5%,说明多源异构数据资源存在重复的可能性较小。

基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法(SFFCM)。先用简单线性迭代聚类(SLIC)算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类(FCM)算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。

量子遗传算法的模糊K-prototypes聚类

聚类分析是数据挖掘中应用最多的一种技术,它在许多领域都有重要应用。模糊h-prototypes算法是当前聚类分析中最有效算法之一,但是存在对初始值敏感、容易陷入局部极小值的问题。为了克服该缺点,提出了一种基于量子遗传算法和FKP算法的混合聚类算法,首先利用量子遗传算法确定FKP的初始聚类中心,再将量子遗传算法聚类结果作为后续FKP算法的初始值。实验结果显示,算法具有良好的收敛性和稳定性,聚类效果优于单一使用FKP算法和相关改进的算法。

基于概率模糊聚类算法的绿色会展智能管理系统研究

“高发展、高开发、高排放”的传统发展模式导致了资源利用效率低下和生态环境恶化。随着绿色展会的日益增多,如何管理绿色展会是推动其从理论走向实践亟待解决的问题,因此,绿色会展智能管理系统的建设成为当前的一大难题。本文旨在研究基于概率模糊聚类算法的绿色展会智能管理系统,并描述其系统性能。本实验通过不同输入的响应时间、整个系统的响应时间、中央处理单元(CPU)的利用率和内存使用率评估系统性能。实践证明,基于概率模糊聚类算法设计的绿色展会智能管理系统值得进一步推广应用。

基于毫米波雷达的运动目标点云聚类和扩展算法

用毫米波雷达对运动目标进行姿态识别时,雷达点云数据具有噪点多、分布离散的特征,传统基于密度空间的聚类算法对点云聚类成像的过程中,会出现邻近目标之间的点云分类错误及同一目标点簇聚类为多个点簇等问题。针对上述情况,提出一种运动多目标邻近点云优化聚类算法,利用自适应距离加权的模糊c均值算法对聚类结果进行修正,提高近邻目标点云聚类准确度。同时提出一种目标点簇扩展聚合算法,利用卡尔曼滤波对运动目标位置预测,将多帧迭代三维点云尺寸作为波门对目标点云进行点簇扩展,提高目标点云完整性。试验结果表明,所提方法能有效提高聚类准确度。

运用区间二型模糊集的半监督模糊聚类算法

将区间二型模糊集引入半监督聚类,提出一种运用区间二型模糊集的半监督聚类算法.该算法以区间二型模糊集为隶属度,将已标识样本的类别标签融入目标函数,使得聚类算法可以在已标识样本类别信息的引导下,得到合理的隶属度.实验表明,相比其他聚类模型,结合半监督机制和区间二型模糊集的聚类算法具有更好的聚类性能.

基于改进模糊聚类并行蜻蜓算法的无人水面艇航迹规划

对无人水面艇(Unmanned Surface Vessel,USV)航迹规划问题进行研究,提出了一种基于改进模糊聚类并行蜻蜓算法的无人水面艇航迹规划方案。首先,构建基于航距、能耗、航迹弯折度、航行安全度评价指标和网格坐标转换的USV航迹规划模型,在确保航行安全、降低问题求解维度的同时,最大限度地提高航迹平滑度和降低航行距离与能耗。其次,设计改进模糊聚类并行蜻蜓算法(Improved Fuzzy Clustering Parallel Dragonfly Algorithm,IFDDA),利用改进的并行模糊聚类算法,自适应确定蜻蜓静态邻域规模,以提高种群样本多样性;引入非线性进化因子,动态调整算法权重因子,以平衡算法局部搜索和全局搜索。最后,采用IFDDA算法对USV航迹规划模型进行求解,经典测试函数和具体航迹规划实例仿真结果表明,IFDDA具有良好的复杂高维函数优化性能,相比于其它航迹规划算法,基于IFDDA得到航程缩短了约(7.3~55.2)%、能耗降低了约(17.1~56.5)%。

基于K-prototypes的混合属性数据聚类算法

通过对基于K-prototypes算法对混合属性数据处理的聚类问题进行研究,改进了K-prototypes算法中分类属性相异度计算公式,使之能更加精确反映样本间的差异;在此基础上提出了一种用于处理混合属性数据的聚类算法,并将改进后的算法应用于英语借词数据的聚类分析中。实验结果表明,与K-prototypes算法相比,改进后的算法具有更好的稳定性和更高的精度。

基于模糊聚类的企业人力资源异构数据快速检索方法

为了提升企业人力资源异构数据检索效率,提出基于模糊聚类的企业人力资源异构数据快速检索方法。设定异构数据清洗规则判定和剔除异常数据,通过归一化处理和马尔可夫蒙特卡算法对清洗后的数据进行缺失插补。利用TF-IDF算法提取数据中能够表征文本的特征词,采用模糊聚类算法将具有不同特征相似度的数据划分到不同类簇中,构建人力资源异构数据快速检索模型,完成数据快速检索。实验结果表明,该方法的数据聚类效果较优,数据重采样较低,数据检索耗时较短。