基于SVM“一对一”聚类结构的滚动轴承状态诊断

文章在分析比较几种诊断方法的基础上,根据滚动轴承的故障特点,建立了SVM"一对一"聚类结构并对滚动轴承故障进行诊断;该方法基于结构风险最小化,能较好地解决小样本学习问题,避免了人工神经网等智能方法在对滚动轴承状态进行诊断时所表现出来的过学习、泛化能力弱等缺点;利用SVM"一对一"聚类结构对滚动轴承故障类别进行投票,降低了单个支持向量机的误判概率;具体实验结果表明,该聚类结构对滚动轴承的故障类别具有很高的诊断精度,能够取得理想的聚类效果。

数据挖掘中基于密度的聚类结构及算法设计

聚类分析是数据挖掘的主要技术之一。其中基于密度的聚类可以得到任意形状的聚类结果,从而可以观察到一个并发的、完整的聚类结构。对聚类、数据对象、簇的密度、基于密度的方法和OP TICS中的基本概念进行了描述,在此基础上,明确定义了簇的密度,建立了关于ζ的基于密度的簇、密度度量函数等概念,并设计了获得聚类结构的相应算法且对其进行了复杂性分析。

基于聚类结构和局部相似性的多视图隐空间聚类

随着数据获取方式的多样化发展,针对多视图领域的算法研究变得越来越重要,但大多数方法仅通过自表示属性或局部结构获取样本间的相似性关系,在此过程中忽略了整体样本的聚类结构和原始空间的噪声的影响,使得聚类结果存在较大误差。为解决此问题,提出了一种基于聚类结构和局部相似性的多视图隐空间聚类方法(multi-view latent subspace clustering with cluster structure and local similarity,MLC2L),通过隐表示融合不同视图上的共享信息并抑制噪声的存在。此外,通过探索隐空间内样本间的局部相似性关系和整体的聚类结构促进样本达到同类聚合、异类远离的目的;最后引入一个交替方向迭代优化算法来快速求解目标函数。实验结果显示,在六个真实数据集的实验中,MLC2L在MSRC-v1、UCI以及100Leaves上的五个评价指标均为最优,在3Sources、WebKB和Prokaryotic等数据集上的五个指标有四个最优,大量的实验分析也证明了融合局部结构和整体聚类结构的MLC2L在多视图聚类任务上的有效性。

基于模糊邻近关系的聚类结构分析

提出了基于粒度空间的模糊邻近关系聚类结构分析研究,探讨了模糊邻近关系的聚类结构特性。首先,给出粒度空间(或聚类结构)的表示和生成算法,引入关键点序列概念和最小动态连通图诠释模糊邻近关系聚类结构的生成过程;其次,引入模糊邻近关系关于聚类结构的同构和ε-相似的概念,给出了两个模糊邻近关系同构或ε-相似的判定定理;最后,引入模糊邻近关系关于聚类结构的强ε-相似的概念,研究了两个模糊邻近关系同构与强ε-相似之间的关系。这些研究结论为一般的聚类结构分析提供了研究工具。

一种基于动态局部密度和聚类结构的聚类算法

为提高逆k最近邻在度量局部密度时的区分度,提出动态逆k最近邻概念。利用泊松概率密度函数拟合逆k最近邻分布,并计算累积动态逆k最近邻局部密度;基于动态局部密度对数据对象进行排序,利用逆k最近邻域扩展算法生成聚类结构;依据动态局部密度和欧式距离设计聚类决策图,根据决策图找出聚类结构中的类间间断点,利用间断点将聚类结构直接划分成独立的类簇。将本研究提出的聚类结构划分聚类(cluster structure partition clustering, CSPC)算法与DBSCAN、DPC和RNN-DBSCAN算法在人工和真实数据集上进行试验对比,CSCP在人工和真实数据集上的评价指标F1平均分别提高8.8%和8.2%,评价指标标准互信息平均分别提高11.6%和7.3%。试验结果表明CSPC算法取得了更好的聚类结果。

应用结构聚类字典学习压制地震数据随机噪声

针对地震数据中不同空间位置的波形变化差异较大,全局字典学习稀疏表示方法不足以最优稀疏表示复杂局部特征的问题,提出基于结构聚类字典学习稀疏表示的随机噪声压制算法。首先利用地震数据分块结构的自相似性与全局字典稀疏表示系数分布存在的规律性与冗余性,应用K-means思想对地震数据进行分块结构聚类,对每一类数据块集合采用奇异值分解(SVD)得到超完备字典,依据各个聚类中心重新编码该类地震数据块,得到原始地震数据更稀疏的表示和描述;然后建立正则化模型更新质心和地震数据估计值;最后利用双变量迭代阈值算法求解模型中双L_1范数的优化问题,得到去噪后的地震数据。对比实验表明,应用本文方法去噪后的地震数据具有较高的信噪比及较强的局部纹理保持能力,证明了算法压制随机噪声的有效性。

基于结构聚类的图像去噪

为了克服传统BM3D去噪算法的不足,根据图像局部结构相似性提出了基于结构聚类的图像去噪算法。首先根据均值进行粗聚类构成块群;其次利用鲁棒数据归一化构造结构相似子群;最后对子群进行去噪,如果子群容量大于1,运用BM3D对该子群进行去噪处理,反之,运用基于阈值的DCT去噪算法对该块进行去噪。实验结果表明,该算法保护了图像的结构信息,相对于传统BM3D算法提高了图像的视觉效果。

基于簇核心的XML结构聚类方法

随着XML技术的不断应用和推广,XML结构聚类技术在XML管理与挖掘中扮演着重要角色.针对目前XML结构聚类算法聚类不准确、效率低、对数据输入次序敏感的不足,提出簇核心的概念,并指出在动态环境下,对簇核心加以正确维护可以支持增量式聚类.在此基础上设计了一套有效的XML结构聚类算法COXClustering,该算法涵盖静态聚类和增量式聚类,静态聚类提取子树作为特征合理反映XML结构之间的相似性,并利用簇核心快速分类的特点提高聚类效率,利用簇核心正交的特点降低对数据输入次序的敏感性;增量式聚类根据当前增加的XML文档动态调整簇核心,从而自适应地指导增量式聚类.理论分析和实验表明该算法静态聚类效率高、聚类质量好、能够有效屏蔽输入次序的敏感性,增量式聚类将聚类速度大幅度提升,聚类质量接近静态聚类质量.

基于多项式核的结构化有向树数据聚类算法

各个点在数据内部的组织结构中自然地扮演着3种不同的结构性角色,分别是毂、质心和野值.在基于邻域的聚类算法中,邻域密度因子能够识别分离数据集中的毂、质心和野值.但是,邻域密度因子对有噪声和重叠的数据往往失效.为了解决该问题,引入了基于多项式核的邻域密度因子,并在有向树框架下,提出了一种结构化的数据聚类算法,其计算复杂度线性于输入数据的大小.对带有噪声和重叠的数据集,该算法能够找到所有显著的、任意形状的不均衡聚类.在人工和真实数据集上的实验结果都证实了该算法的有效性和快速性.

基于结构聚类的XML数据存储研究

针对建立Native XML数据管理系统中XML数据存储,提出利用DOM规范建立父子关系和兄弟关系聚类存储策略。通过实验测试,它们分别适合XML数据深度优先查询与广度优先查询两种算法,提高了查询效率。

基于最大频繁Induced子树的GML文档结构聚类

提出了一种基于最大频繁Induced子树的GML文档结构聚类新算法TBCClustering.通过挖掘GML文档集合中的最大频繁Induced子树构造特征空间,并对特征空间进行优化;采用CLOPE聚类算法聚类GML文档,可自动生成最小支持度与聚类簇的个数,无需用户设置;不仅减少了特征的维数,而且得到了较高的聚类精度.实验结果表明算法TBCClustering是有效的,且性能优于PBClustering算法.

基于编辑距离的XML文档结构聚类的改进算法

针对当前XML文档结构聚类算法的一些不足,指出XML文档树中节点的重复和嵌套影响聚类的质量和效率。利用重复剪枝和嵌套剪枝简化XML文档树的表示,然后根据化简后的结构计算两棵XML文档树中的编辑距离,在此基础上得出两棵树整体的结构相似度量,按照层次聚类方法得到聚类结果。实验证明该算法有比较高的查全率和查准率,有效降低了时间复杂性,具有改进效果。

基于频繁子树模式的GML文档结构聚类算法

提出了一种基于频繁子树模式的GML文档结构聚类算法GCFS(GML Clustering based on Frequent Subtree patterns),与其他相关算法不同,该算法首先挖掘GML文档集合中的最大与闭合频繁Induced子树,并将其作为聚类特征,根据频繁子树的大小赋予不同的权值,采用余弦函数定义相似度,利用K-Means算法对聚类特征进行聚类。实验结果表明算法GCFS是有效的,具有较高的聚类效率,性能优于其他同类算法。

结合链接结构聚类的混沌粒子群网页分类规则抽取

网页分类器设计的核心是对原始分类数据集进行分类规则挖掘,本文提出了一种结合链接结构聚类的混沌粒子群网页分类规则获取算法.算法将聚类和分类结合起来进行分类规则提取:首先用基于K均值的聚类算法对一部分有代表性的链接结构数据聚类,进行类别自动标注,形成训练集;再用混沌粒子群算法对已标注类别的数据提取分类规则.实验结果表明,这种模式充分发挥了基于链接的分类方法受人为因素干扰最小的优点,减少了人工标注类别的工作量,同时提高分类的准确率和效率.

GML文档结构聚类算法Clu-GML

提出了一种geography markup language(GML)文档结构聚类新算法Clu-GML,与其它相关算法不同,该算法在凝聚的层次聚类中引入代表树的计算,通过计算最大频繁Induced子树得到簇的代表树,通过对代表树的比较发现新的簇,并更新新簇的代表树来完成聚类,不仅减少了聚类的时间开销,而且为每个簇形成聚类描述.实验结果表明算法Clu-GML是有效的,且性能优于其它同类算法.

基于闭合频繁Induced子树的GML文档结构聚类

提出了一种GML文档结构聚类新算法MCF-CLU.与其它相关算法不同,该算法基于闭合频繁Induced子树进行聚类,聚类过程中不需树之间的两两相似度比较,而是挖掘GML文档数据库的闭合频繁Induced子树,为每个文档求一个闭合频繁Induced子树作为该文档的代表树,将具有相同代表树的文档聚为一类.聚类过程中自动生成簇的个数,为每个簇形成聚类描述,而且能够发现孤立点.实验结果表明算法MCF-CLU是有效的,且性能优于其它同类算法.

基于MapReduce的图结构聚类算法

图结构聚类(SCAN)是一种著名的基于密度的图聚类算法,该算法不仅能够找到图中的聚类结构,而且还能发现图中的Hub节点和离群节点.然而,随着图数据规模越来越大,传统的SCAN算法的复杂度为O(m^(1.5))(m为图中边的条数),因此很难处理大规模的图数据.为了解决SCAN算法的可扩展性问题,提出一种基于MapReduce的海量图结构聚类算法MRSCAN,这是一种计算核心节点以及两种合并聚类的MapReduce算法.最后,在多个真实的大规模图数据集上进行实验测试,实验结果验证了算法的准确性、有效性以及可扩展性.

基于字典学习和结构聚类的图像去噪算法研究

针对K-SVD算法和BM3D算法的不足,本文提出了基于字典学习和结构聚类的图像去噪算法。该算法首先通过字典学习得到含噪图像的冗余字典,然后对相似的图像块进行聚类构成块群,并通过迭代收缩和L1正则化约束,对同类的图像块在字典上进行稀疏表示,以达到降噪的目的。实验结果表明,在常规的图像处理上,本文提出的算法能较好的保留图像的结构信息,与K-SVD和BM3D等现有的流行算法相比,具有更高的峰值信噪比(PNSR)。

TSCAN:利用并行策略改进的图结构聚类算法

近年来,图数据聚类在学术界引起了广泛的关注,许多优秀的聚类方法,如模块度优化算法、谱聚类,以及基于密度的聚类算法在图数据上取得了很好的效果。SCAN是一种著名的基于密度的图聚类算法,该算法不仅能够找出图中的聚类,而且还能够发现不同聚类间的Hub节点,以及图中的离群点。然而,该算法存在两方面的局限性:首先,在大规模图数据上,该算法需要耗费大量的时间用于计算图中每条边的结构相似性;另一方面,该算法存在两个参数ε和μ,并且对这两个参数比较敏感。为了解决其局限性,提出了一种基于OpenMP的并行算法来求解节点相似性,并且提出了两种有效的负载均衡策略;其次,提出一种基于三角形的新型图结构聚类算法TSCAN。该模型能够有效降低算法对参数的敏感性,而且还能够发现重叠以及更稠密的社区。在多个大规模数据集上实验发现,基于多核的并行算法能够达到近乎线性的加速比,而且TSCAN算法对参数不敏感,能有效发现重叠社区。

基于DBSCAN算法的XML结构相似性聚类研究

通过对XML结构聚类现状进行研究分析,提出了一种新的XML文档结构相似度度量方法DBTD(Density-Based of the Tree Distance),并在此基础上提出以基于密度的DBSCAN方法对XML文档进行结构聚类。实验表明:该方法能够对XML文档进行结构聚类,且其聚类结果充分展现了该方法的有效性。