用于雷达信号分选的K中位最近邻聚类算法

在处理雷达信号时,基于密度的空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)分选算法依赖于参数或阈值的选取,影响分选的准确率。为此提出了一种改进的雷达信号脉冲分选算法,在DBSCAN聚类基础上结合了K中位最近邻(K-median nearest neighbor,KMNN)算法,通过引入自衰减系数并设置阈值上限对参数值列表进行二次处理,可以自适应根据聚类结果与不同参数时的K值之间的关系确定最优的邻域半径和最少点个数,提高了分选的正确率。通过仿真实验验证了算法利用雷达脉冲描述字特征进行自适应分选的有效性。

自适应引力密度峰值聚类优化算法

针对密度峰值聚类(Density Peak Clustering,DPC)算法对截断距离的取值较为敏感,密度度量标准不统一且人为选取聚类中心存在主观性的问题,提出了一种自适应引力密度峰值聚类优化(Optimized Adaptive Gravitational Density Peak Clustering Algorithm,OAGDPC)算法。首先采用模糊加权K-近邻技术(Fuzzy Weighted KNearest Neighbors Density Peak Clustering,FKNN-DPC)重新定义了局部密度,统一了密度度量的标准;然后提出一种自适应选择聚类中心的策略,结合基于引力的密度峰值(Gravitational Density Peak Clustering,GDPC)算法中牛顿万有引力定律与DPC算法的参数映射,使用引力类比距离,并设置综合考虑局部密度和引力的决策参数,依据决策参数降序折线图的顶角变化自适应确定聚类中心;最后聚集非中心点并识别异常点。实验选取DPC、GDPC、FKNN-DPC和OAGDPC在人工和UCI数据集上进行测试,结果表明,OAGDPC算法在各数据集上都有良好的表现,特别在聚类结果准确性、自适应能力、鲁棒性方面相对于对比算法具有明显优势。

VANET随机部署环境下基于改进型共享最近邻密度峰聚类的快速分簇算法

针对车辆高速移动场景下,网络拓扑变化过大导致网络分簇结果不稳定的问题,提出一种基于改进型共享最近邻密度峰聚类的快速成簇算法SNNCA(shared nearest neighbor clustering algorithm);通过综合考虑节点的链路生存周期和移动相似性,提出一种全新的节点连接稳定程度评估指标,并将该评估指标应用于节点共享最近邻的计算过程,以组织网络节点为划分合理的多跳簇结构;为适应网络环境的动态变化,提出一种簇维护策略,其中每个层级的簇成员承担着维护下一层级簇成员的任务,该策略能够对簇成员进行批量分离或合并,从而实现了算法的分布式快速收敛;根据随机部署场景中进行的仿真实验结果显示,相比其他较新算法,SNNCA算法降低了74%的簇数量,并且簇成员的平均存活时间增加了近1倍,表现出更好的网络稳定性和健壮性。

基于共享最近邻的密度自适应邻域谱聚类算法

在谱聚类算法没有先验信息的情况下,对于具有复杂形状和不同密度变化的数据集很难构建合适的相似图,且基于欧氏距离的高斯核函数的相似性度量忽略了全局一致性。针对该问题,提出一种基于共享最近邻的密度自适应邻域谱聚类算法(SC-DANSN)。通过一种无参数的密度自适应邻域构建方法构建无向图,将共享最近邻作为衡量样本之间的相似性度量进而消除参数对构建相似图的影响,体现全局和局部的一致性。实验结果表明,SC-DANSN算法相比K-means算法和基于K最近邻的谱聚类算法(SC-KNN)具有更高的聚类精度,同时相比SC-KNN算法对参数的选取敏感性更低。

一种动态自适应最近邻聚类学习算法在工业污水处理中的应用

为了建立工业污水pH值中和系统的正模型,研究了具有大滞后非线性特性的加药中和过程。利用一种动态自适应最近邻聚类(DANNC)学习算法,全面调整网络参数完成了污水pH值加药中和控制系统网络的学习和训练。采用中和过程神经网络内模控制系统的逆模型充当控制器,进行了各种工业条件下污水中和的仿真实验。结果表明,该系统实现了△pH≤0.2的工业污水的控制精度目标,系统实时跟踪和抗干扰性良好。

融合相对密度和最近邻关系的密度峰值聚类

密度峰值算法在处理密度不均匀的数据时对中心点的选取不准确,并在样本分配时易产生连带错误,导致聚类效果不佳。针对上述问题,提出一种融合相对局部密度和最近邻关系的密度峰值聚类算法。在局部密度的定义中引入稀疏平和权重,提出相对局部密度的定义,根据相对局部密度寻找密度峰值,避免稀疏差异较大的数据集在选取密度峰值时出现的错误,确保中心点选择的正确性;针对分配策略,结合最邻近点准则和阈值限制,提出最近邻分配策略,根据阈值条件有效抑制分配连带错误;基于类内距离均值定义距离比例,提出修正分配策略,提升算法对边界点聚类的准确性。在5个合成数据集和5个UCI数据集上,将提出算法与DPC、DPC-MND、FKNN-DPC、DBSCAN、OPTICS、AP、K-means算法进行比较,实验结果表明,所提算法在调整互信息、调整兰德系数和Fowlkes-Mallows指数上均表现出良好的聚类效果,并通过Friedman检验表明该算法具有最优的性能。

基于自适应阈值的自动提取关键帧的聚类算法

利用无监督聚类算法来提取关键帧是一种常用的方法,但该算法对类别数和初始类划分较敏感,在对视频内容一无所知的情况下,要求预先指定聚类数目是一个很困难的问题·提出一种二次聚类的方法;第1次以镜头内相邻两帧的相似度为数据样本进行聚类(分成两类),计算确定第2次聚类所需的阈值;第2次采用动态聚类的ISODATA算法,以视频序列的帧为数据样本进行聚类,得到最终聚类结果·最后在每类中自动提取距其类中心最近的帧为关键帧·该算法简单且行之有效,无需预定义任何阈值(如聚类数目)·对大量不同特点的视频进行了实验,该算法均取得了较好的实验结果·

改进的神经网络最近邻聚类学习算法及其应用

提出了一种改进的 RBF (Radial Basis Functions,径向基函数 )神经网络最近邻聚类学习算法 ,并将其应用于股市预测问题。模拟结果表明 ,改进算法的拟合效果与拟合误差均明显好于常规最近邻聚类学习算法 ,可以较大幅度提高 RBF神经网络的预测性能。

一种新的最近邻聚类算法

在分析现有最近邻聚类算法所存在问题的基础上,提出了一种先利用均值规格化的思想来确定算法的初始半径,然后根据启发式规则修改聚类半径的新的最近邻聚类算法.同时,给出了聚类有效性函数对得到的聚类结果进行合理性判断.

油水界面测量过程中自适应阈值聚类优化算法

精确检测原油储罐内油水界面及液位高度是保证净油外输含水率控制精度及联合站盘库系统计量精度的前提条件,是石油化工过程系统工程中的重要环节。鉴于油水界面测量过程中传统分类统计算法和经典K-means聚类算法存在依赖人工选取典型值和初始聚类质心、计算结果不确定性以及精度难于保证等问题,本文提出了一种改进的K-means自适应阈值聚类优化算法。该算法能自动获取最优初始阈值,并改进了油水界面测量传统分类统计算法和经典K-means聚类算法的思想,可实现最优数据分类。首先采用自适应阈值查找算法自动查找油水界面最优初始阈值,其次采用改进K-means聚类优化算法对油水界面数据进行最优划分,最后根据最优化聚类结果计算油水界面及液位高度。实验结果表明:相对于油水界面测量的传统分类统计算法和经典K-means聚类算法,该算法无需人工选值、能够完全保证计算结果的准确性,且比经典K-means聚类算法和其他改进K-means聚类算法所需的迭代次数更少、运行时间更短。

一种改进的最近邻聚类学习算法

提出了一种自适应模糊逻辑系统 (AFLS)的改进自适应学习算法 ,该算法将无导师学习算法与基于梯度信息的寻优学习算法相结和 。

动态最近邻聚类算法的优化研究

针对最近邻聚类算法对聚类半径敏感、不易获得最优解的问题,提出了基于贝叶斯信息测度BIC(Bayesianinformationcriterion)的优化方法。通过DBSCAN算法对初始数据集进行预处理,去除噪声数据。在参数空间内逐步调整聚类半径,利用最近邻聚类算法对数据集进行聚类,并计算每次聚类结果的贝叶斯信息测度值。比较各次聚类结果的贝叶斯信息测度值,最大贝叶斯信息测度值对应的聚类即为最优聚类结果。实验结果表明,优化的最近邻聚类算法很好地解决了合适的聚类半径选取问题。

一种基于自适应最近邻的聚类融合方法

聚类融合通过把具有一定差异性的聚类成员进行组合,能够得到比单一算法更为优越的结果,是近年来聚类算法研究领域的热点问题之一。提出了一种基于自适应最近邻的聚类融合算法ANNCE,能够根据数据分布密度的不同,为每一个数据点自动选择合适的最近邻选取范围。该算法与已有的基于KNN的算法相比,不仅解决了KNN算法中存在的过多参数需要实验确定的问题,还进一步提高了聚类效果。

基于遗传进化的最近邻聚类算法及其应用

提出了基于遗传进化的最近邻聚类算法 ,该算法结合了遗传算法 (GA)与最近邻聚类算法(NN)。对要进行分类的样本和特征量进行优化选取 ,去除位于类交界的模糊样本 ,并对样本分类有效的特征量进行放大 ,对不利于样本分类的特征量进行抑制 ,从而提高了样本分类的精度。将该算法应用于抽水蓄能发电机组的工况分类 ,大大提高了机组工况的识别效果 。

改进的共享最近邻聚类算法

聚类是一种无监督的机器学习方法,其任务是发现数据中的自然簇。共享最近邻聚类算法(SNN)在处理大小不同、形状不同以及密度不同的数据集上具有很好的聚类效果,但该算法还存在以下不足:(1)时间复杂度为O(n2),不适合处理大规模数据集;(2)没有明确给出参数阈值的简单指导性操作方法;(3)只能处理数值型属性数据集。对共享最近邻算法进行改进,使其能够处理混合属性数据集,并给出参数阈值的简单选择方法,改进后算法运行时间与数据集大小成近似线性关系,适用于大规模高维数据集。在真实数据集和人造数据集上的实验结果表明,提出的改进算法是有效可行的。

基于AIC准则的最近邻聚类模型的优化算法

聚类分析方法的困难在于聚类模型的类中心和类别数的确定。首先给出了最近邻聚类规则,并根据该规则建立了确定聚类模型的分类方法;其次针对不同的聚类模型提出了优化判别准则———AIC准则,为解决所聚类的紧凑性与类别数增加的矛盾给出了理论分析。通过实例仿真,验证了本方法的实用性和正确性。

一种基于最近邻优先的知识聚类算法

基于"同类相近"的思想,构建了一种改进的最短距离聚类算法——最近邻优先聚类算法NNPC.该算法可以快速获得不同层次的高质量聚类,进而找到满足要求的阚值参数和聚类,并能够高效处理以任意形状分布的具有噪声数据的大数据量高维数据,且用户需要的先验知识少.通过3个定理的提出和证明,体现算法的先进性.

一种基于动态最近邻聚类算法RBF网络非线性系统复合控制器设计

针对RBF网络的设计难点,提出一种动态确定隐层节点数和聚类中心的新方法。并基于逆动力学的思想,提出一种RBF网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF网络结构和动态最近邻聚类算法,实现了对系统逆动力学的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性系统,从而使非线性对象的控制问题简化成线性对象的问题。仿真结果证明了该控制策略具有良好的动态跟踪性能和抗干扰能力,具有较强的鲁棒性。

关于最近邻聚类的RBF网络自整定PID控制算法的研究

针对采用传统PID控制一类非线性滞后系统难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法。利用具有在线能力的最近邻聚类学习算法,训练RBF神经网络。并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性,从而自适应调整系统的控制参数。仿真结果证明了该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力和鲁棒性。

相互最近邻聚类应用于轮廓提取算法

传统的神经网络算法用于轮廓提取时,存在计算量大,需预设参数多等问题。现提出了一种基于相互最近邻聚类结合神经网络的方法,克服了传统K均值聚类时需要预设类数的缺点。该算法通过角点检测器获取图像特征点;然后,通过特征点的相互最近邻聚类建立一组基函数,把图像像素点的像素值和梯度作为输入向量,利用网络的预测功能来表示物体轮廓曲线方程。