基于类簇合并的无参数密度峰值聚类算法

密度峰值聚类算法(DPC)通过决策图直观地找到类簇中心进而完成聚类,是一种简单高效的聚类算法。然而,DPC算法的截断距离和类簇中心都是人为确定的,受主观影响较大,具有不确定性。针对上述问题,提出一种基于类簇合并的无参数密度峰值聚类算法(NDPCCM)。首先根据样本点两两之间的相似度的分布特征将其分为类内相似度和类间相似度两种类型,并利用类内相似度自动确定截断相似度,避免了人为设置参数;接着根据簇中心权值的下降趋势自动选择初始类簇中心,得到初始类簇;最后通过合并初始类簇对初步聚类结果进行优化,提高了聚类的准确性。在人工数据集和UCI真实数据集上,将所提算法与DPC、DBSCAN、K-means算法进行对比实验。结果表明所提算法无需输入参数就能够自动得到类簇,且聚类性能优于其他算法。

一种基于双层迭代聚类分析的负荷模式可控精细化识别方法

提出一种基于双层迭代聚类分析的负荷模式可控精细化识别方法。首先以皮尔逊相关系数为相似性度量进行外层形态相似性聚类,然后分别对外层聚类得到的每一类簇以欧式距离为相似性度量进行内层幅度相近聚类。每层都先在给定的阈值约束下迭代聚类,再对迭代收敛得到的聚类簇合并。实际算例分析结果表明：与传统负荷模式识别方法相比,所提方法改善了负荷形态聚类效果,可识别出形态相似但幅度不同的负荷,还能对聚类精细化程度进行控制,提高了聚类准确率。

基于层次聚类的多策略未知协议分类方法

在近些年网络空间安全形势愈发严峻的情况下,对网络协议分析提出了越来越高的要求,其中,对未知协议分类分析更是亟需攻克的难点。针对未知协议的分类问题,提出一种基于层次聚类的多策略未知协议分类方法。该方法从传输控制协议头部特征、数据包的时空特征等维度入手,与马尔科夫链相结合,首先对收集到的网络数据进行预处理;然后提出可读性分类机制,并运用改进的层次聚类算法的多种聚类策略,发挥现代计算机的多核计算与单指令流多数据流优势;最后结合传输控制协议流中的二元组信息(目的 IP和目的端口),对聚类结果进行调整合并,得到未知协议网络数据的分类结果。据真实网络数据验证表明,该方法对未知协议的分类准确率达到96%以上。

基于改进密度峰值聚类算法的图像分割

聚类算法作为数据处理的一种技术,发展迅速且被广泛应用于各个领域。密度峰值聚类算法(clustering by fast search and find of density peaks, DPC)作为一种基于密度的聚类方法,可通过高效样本分配进行图像分割。然而DPC算法的聚类结果依赖于参数截断距离d;的选取,为此提出一种基于信息熵的DPC算法以实现d;的自适应选取。信息熵反映的信息大小与随机事件的概率呈负相关,随机事件发生的概率越大,提供的信息反而越少。因此信息熵可以体现出事件的不确定性,故可将使得信息熵最小的d;作为DPC算法的最优参数。另外聚类算法的簇类个数K普遍难以确定,而DPC算法中的簇类中心通常由局部密度极大值点构成,改进算法则根据数字图像各区域内聚程度自适应确定K的选择阈值。为将DPC算法高效应用于图像分割,改进算法通过分块与合并的方式解决DPC算法时间复杂度较大的问题。经实验对比,改进算法具有更精确的聚类效果;在图像分割方面,改进算法能够更为精准地提取图像分割边缘并与GroundTruth更加吻合。