聚类目标函数下混合属性大数据集分析系统

传统的混合属性大数据集分析系统分析结果准确性差,针对这一问题,基于聚类目标函数设计了一种新的分析系统,对系统硬件和软件进行了优化。分析系统硬件由网络爬虫模块、数据处理模块、大数据集分析模块、用户管理模块四部分组成,通过单机聚类和分布式聚类对大数据集进行聚类处理。在给出的硬件平台上设计了网络爬虫程序、数据处理程序和数据分析程序。为检测分析系统性能,与传统分析系统进行实验对比,结果表明,利用聚类目标函数的设计分析系统在分析混合属性大数据集这一问题上,准确性高,安全可靠,具有很高的应用价值。

基于载体信息的目标外推和聚类技术研究

安装于高速载体之上的雷达目标检测过程中,由于目标出现时刻存在差异,不同时刻载体姿态、空间位置不同,因此在对目标进行选择之前,需要对目标信息进行外推和聚类处理。本文详细推导了基于载体信息的目标外推过程,同时对目标聚类方法进行了分析。

基于轨迹数据的目标聚类算法研究与应用

文中探讨了轨迹数据的特征分析和目标聚类中存在的挑战,研究了轨迹数据的特征及其在目标聚类中的重要性,提出了以密度和轨迹相似性为基础的聚类算法。在实验设计和数据集选择方面,选取了具有代表性的数据集进行验证,并在算法实现、性能评估等方面进行了深入研究。通过应用案例,分析了该算法在轨迹数据处理中的实际应用效果,为相关领域的研究和应用提供了新的理念和方法。

阵列SAR高分辨三维成像与点云聚类研究

相较于传统SAR 2维成像,SAR 3维成像技术能克服叠掩与几何失真等问题,因而具有广阔的应用前景。作为一种3维成像典型体制,阵列SAR高程维分辨率通常理论上受阵列孔径的限制,远低于距离和方位维分辨率。针对这一问题,该文通过引入邻域像素间高程的一致性假设,提出一种基于加权局域像素联合稀疏的压缩感知(CS)算法。然后利用K平均(K-means)和基于密度的空间聚类(DBSCAN)等典型聚类算法实现观测场景内特定目标(如建筑物与车辆)聚类分析。最后,实测数据实验验证了该文所提算法的有效性。

基于直觉模糊熵的目标函数聚类

针对将模糊聚类扩展为直觉模糊聚类具有的重要的理论和应用价值,研究了直觉模糊熵的基础上,提出了一种基于直觉模糊的聚类目标函数的思想。利用拉格朗日定理推导了目标函数参数求解,并给出了基于直觉模糊熵的聚类算法。通过典型试验表明基于直觉模糊熵的目标函数聚类提高了聚类的准确率,性能优于模糊聚类。

基于多目标聚类的用电集群特征属性计算

提出售电市场中用电集群与分析维度概念。确定集群特征变量后,采用自组织映射神经网络与k-均值混合可视化聚类技术对售电空间进行自定义目标划分。基于负荷与经济指标,设计熵权改进的多指标属性测度算法对多目标划分下用电集群特性进行精细化定量综合计算,以分析各对象属性整体相对优劣。采集某电网317个用户数据进行算例分析,结果表明该算法能区别于传统负荷特性分析方法,在扩大售电市场研究对象基础上实现更多有效信息挖掘与多目标售电对象特征精细分析。

基于互补空间信息的多目标进化聚类图像分割

现有的多目标进化聚类算法应用于图像分割时,没有考虑图像的任何空间信息,使得该类算法在含噪图像上的分割性能不理想。该文鉴于图像的局部空间信息和非局部空间信息的互补性,试图将这两种空间信息同时引入到聚类有效性函数中,构造了融合互补空间信息的目标函数,进而提出了应用于图像分割的基于互补空间信息的多目标进化聚类算法。该算法采用染色体可变长编码策略在进化过程中自动确定图像分割数目,减少了人为干预。自然图像的分割实验表明,该算法不但能在含噪图像上取得较为满意的分割性能,而且适用于多种类型的含噪图像。

基于属性分组的子空间聚类算法研究

针对分类数据,基于属性分组技术和多目标聚类质量函数,提出一种子空间聚类算法.该算法采用属性分组技术,将高相关属性划分到同属性组中,利用同组属性相关性度量属性权重值,构建属性软子空间;采用基于多目标的聚类质量函数,判断整体聚类效果,通过迭代优化簇集结构,达到最佳的数据划分状态.在人工合成数据集和UCI数据集上,实验验证了该算法的正确性、高效性和可靠性.

基于热点解和差分进化的多目标聚类集成算法

针对使用多目标聚类集成算法得到的聚类解集中包含大量质量较差解，影响后续集成操作的问题，提出一种基于热点解搜索和差分进化的多目标聚类集成算法。根据热点解的概念找出聚类解集中质量较好的解，以这些解引导种群的搜索方向，加强潜在最优区域的搜索；在后续集成操作中只采用热点解及其邻域个体，去除较差解对最终结果的影响。在优化过程中采用改进的差分进化算子提高全局寻优的能力，去除编码长度不一对算子使用的影响。对3组UCI数据的测试结果表明，该算法优于2种对比算法，其RI取值提高了0．0021～0．0524，FM取值提高了0．0134～0．0591。

基于局部集成和克隆选择的多目标聚类算法

多目标聚类过程中会产生一些明显不合理的解，影响最终划分结果以及聚类类数的判断。为此，提出一种基于局部集成和克隆选择的多目标聚类算法。在聚类过程中周期性的将聚类解集划分为若干邻域，对每个邻域进行局部集成操作，剔除各个类数下的不舍理划分；利用克隆选择算法的思想构建3种变异算子，推动种群的进化，分别具有增大或减小当前解的聚类类数、调整当前解样本划分情况的功能。3组人工数据集以及3组UCI数据集的实验结果表明，该算法能够得到优于对比算法的聚类结果，准确判断出合理的聚类类数，判断类数的准确率可提高0％～46．67％。

基于自适应多目标模糊聚类的多模型软测量

针对复杂非线性系统单模型软测量存在建模精度低、模型泛化能力差的问题,提出一种采用自适应多目标模糊聚类的多模型高斯过程回归(GPR)软测量建模方法。首先使用自适应多目标聚类方法自动确定聚类个数并得到最优数据子集,避免了聚类个数不易人为给定的问题;然后对各数据子集分别建立GPR子模型,最后采用子模型加权融合方法得到最终的预测结果。使用火电厂历史运行数据建立烟气含氧量软测量模型验证该方法,仿真结果表明,该方法可以提高软测量模型精度,提升模型泛化能力。

进化多目标距离矩阵聚类研究

聚类分析在科学研究和现实生活中都有广泛的应用.然而,当前的聚类算法仍然面临一些挑战,自动确定最佳聚类数目和复杂分布数据聚类是最主要的两种,自动确定复杂分布数据的聚类数目并对其正确聚类是两者的结合.提出一种基于进化多目标的距离矩阵聚类算法(Multi-objective Distance Matrix Evolutionary Clustering,MODMEC).首先使用一种实数-标签的编码方式表示染色体,该染色体可两次解码成聚类候选解.其次使用聚类代表点代替聚类中心点设计聚类算法,通过类内紧凑度和类间离散性自动确定最佳聚类数目.最后使用进化多目标框架并行优化.将MODMEC在不同分布的五种人工测试集和两种UCI测试集上与四种常用的聚类算法做了比较.实验结果表明,M ODM EC在检测最佳聚类数目和聚类精度上都获得了良好的效果.

物流管理专业人才培养体系的目标聚类与分类构成

在分析界定物流管理专业人才培养体系内涵的基础上,从素质、知识和能力三个方面完成对研究型高校、教学研究型高校和教学型高校的物流管理专业人才培养目标的聚类分析,然后从培养目标、课程体系和培养过程三个维度,对物流管理专业人才体系的构成进行分类描述。

目标函数聚类法最佳分类数的确定及其在地下水动态分类中的应用

本文针对常规目标函数聚类法在聚类过程中不能确定最佳分类数的缺陷 ,应用Fuzzy伪F统计来确定最佳分类数 ,并应用该方法对某河流附近的 15个观测孔的水位动态进行分类 。

目标函数聚类法在地下水动态分类中的应用

地下水动态类型的划分是正确认识研究区水文地质条件与地下水开发利用之间关系的一个重要环节。本文论述了目标函数聚类法的原理与计算过程，并应用该方法对某河流附近的１５个观测孔的水位动态进行分类。分类结果表明该方法具有较高的可靠性与较广的适用性。

基于进化多目标软子空间聚类的商业银行企业客户信用风险识别

提出了一种进化多目标软子空间聚类(EMOSSC)算法,用于提升商业银行信贷审批过程中企业客户的信用风险识别和管理水平.考虑到信用数据高维、类不平衡的特征,将聚类算法中单一的聚类有效性指标转化为了一个四目标函数,并采用进化算法对该函数进行优化和求解.结果表明,EMOSSC算法不仅在信用风险识别准确率、稳健性以及结果显著性等方面显著优于对比算法,还能通过对指标权重大小的排序,揭示商业银行企业客户信用风险的关键影响因素,为商业银行的信用风险识别和管理提供有益参考.

目标函数聚类法的适用性分析

以基于模糊c-划分的聚类方法为基础,针对影响目标函数聚类法聚类效果的主要因素,分别从5个主要方面作了聚类算法的适用性分析。

基于最近邻区间的不完整基因表达数据多目标聚类算法

针对不完整基因表达数据的聚类问题,提出了一种多目标NSGA-Ⅱ框架下缺失值填补与聚类协同优化的算法.算法根据欧式距离确定不完整基因的近邻基因,以缺失值的最近邻区间为约束,采用混合编码将缺失值填补与聚类中心优化融入NSGA-Ⅱ进化过程,通过将数据集的统计信息与聚类结果共同作为缺失值填补因素,提升不完整基因表达数据的填补准确度及聚类性能.在多个基因表达数据集上的实验结果表明,所提算法得到了更接近真实表达值的填补结果及更紧凑的聚类效果,且聚类结果具有统计显著性.

基于精英集的多目标差分进化聚类算法

聚类数的确定在聚类分析中是一个基本却具有挑战性的问题。一方面,最佳聚类数根据不同的评价标准、用户偏好或需求可能不一致,因此将不同聚类数的聚类结果呈现给用户作参考是有意义的。另一方面,增加聚类数虽会使聚类结果更加紧致,却会削弱不同类之间的分离性,所以选择合适的聚类数是一个在最小化聚类数与最大化类内紧致性或类间分离性之间取得平衡的多目标优化问题。因此,在聚类数不确定的聚类问题中直接将聚类数作为一个优化目标与另一个反映类内紧致性的目标函数同时进行优化,利用新的基于精英集的多目标差分进化算法得到一个Pareto解集,集合中含有多个不同聚类数的近似最优聚类结果。实验结果验证了所提算法的可行性和有效性。

面向态势感知的自组织迭代目标聚类算法研究

目标聚类是态势感知需要实现的重要功能之一,文章针对态势感知中目标的分布规律及运动特点,探讨了模式识别中常用聚类算法的优缺点。考虑到传统聚类算法需要用户事先输入先验知识,且无法较好地处理非球状簇分布的目标群,文章提出了一种基于自组织迭代的目标聚类改进算法,该算法避免了对先验知识的依赖和对目标分布的要求。通过仿真实验分析,验证了该算法的有效性和工程实用性,为态势感知目标聚类问题提供了一种新的思路。