空间聚类算法中的K值优化问题研究

在典型的空间聚类算法K-平均法和K-中心法中,K一般为用户事先确定的值,然而,实际中K值很难被精确地确定,往往表现为一个模糊的取值区间。在此提出距离代价函数的概念,建立了相应的数学模型并设计了一个新的K值优化算法,对空间聚类K值优化问题进行了初步的研究。

K-means算法中k值优化问题研究

现有的分离系数、分离熵、紧致与分离性效果函数,反映的是对象与对象两两之间距离,而规划物业管理分处研究的是对象与类中心之间距离和类中心与全域中心之间距离,两者所研究的数学模型不同.针对规划物业管理分处个数求解问题,研究者新定义D函数、S函数以及L函数,提出L函数最小时的k值即最优k值.由于L函数是隐函数,无法用准确的数学式子描述与各种参数之间关系.借用函数曲线直观特性,用MATLAB工具绘制函数曲线,挖掘出函数特性以及与最优k值之间关系.用实验法证明了经验值k的取值为1~int(n^(1/2))是不准确的,有时可能漏掉了最优值,实验证明应该为1~int(n^(1/2))+1.讨论的k值优化算法,保证找出最优k值,大大缩小了求解最优k值的范围,节省了求解时间.

联合SOM和代价函数的航空发动机性能衰退评估算法

以往对发动机性能参数退化为直线趋势的假定已不符合装备运行实际,立足现役主战航空发动机的特点,结合自组织神经网络,将反映性能衰退的8维参数映射到2维平面点上,以二维映射图的性能参数对应点和性能参数的距离为基础,采用等比级数形式引入当前点与以前点的距离层次系数,构造代价函数,并依此估计部件性能参数。实例仿真分析表明,该方法能真实反映发动机性能参数非线性变化的情况,具备更好的可操作性。

K-MEANS算法中的K值优化问题研究

在空间聚类中,最佳聚类数K求解的关键是构造合适的聚类有效性函数.典型K-平均算法中的聚类数K必须是事先给定的确定值,然而,实际中K很难被精确地确定,使得该算法对一些实际问题无效.文章提出距离代价函数作为最佳聚类数的有效性检验函数,建立了相应的数学模型,并据此设计了一种新的K值优化算法.同时,给出了K值最优解KOPT及其上界KMAX的条件,在理论上证明了经验规则KMAX≤N的合理性,实例结果进一步验证了新方法的有效性.