一个用于空间聚类分析的遗传K-均值算法

空间数据挖掘是数据挖掘的一个新的分支,空间聚类分析是空间数据挖掘中的一个重要研究课题。本文在分析遗传算法及K–均值算法的优越性和不足的基础上,设计了一种遗传K-均值空间聚类分析算法,该算法兼顾了局部收敛和全局收敛性能。实验表明,其结果优于传统K-均值聚类方法及单纯的遗传算法聚类。

改进的图像分割遗传K-均值聚类算法

针对图像分割,提出了一种改进的遗传K-均值聚类算法。合理选取聚类的特征向量并对各特征分量确定不同权值进行调整;通过引入自适应算法,对传统遗传算法的选择及变异操作进行改进,提高了算法的收敛速度;确定与染色体编码相关的隶属矩阵可有效地减少运算时间。实验结果表明,改进后的遗传K-均值聚类算法是行之有效的。

基于遗传K-均值算法的LSF参数码书设计

文章提出了一种基于遗传K-均值算法的线谱频率参数(LSF)码书设计方法。该方法使用K-均值算法定义遗传操作中的交叉操作,采用训练矢量随机替换码书码字的方法进行变异操作。实验结果表明:该方法是有效的,在相同的码书尺寸下,用该量化器设计的LSF码书较传统分裂式LBG算法(初始码书由分裂法产生)设计的码书质量有所提高。

基于软计算的资信评估研究

提出了一种基于软计算的企业资信评估模型,它集成模糊数学和遗传算法,用快速遗传k 均值算法进行聚类。结果表明,FGKA和GKA均可得到全局最优解,但FGKA速度远高于GKA。本模型用PowerBuilder和Sybase数据库实现,为ERP中的企业资信评估提供了一个新的方案。

结合权重因子和特征向量改进的混合聚类方法

针对特征词权重表示文本时存在的局限性和遗传K-均值算子操作的低效性,首先通过特征词权重因子(WF)和特征向量结合位置权重信息的方法进行文本预处理,在此基础上通过遗传控制因子(GCF)改进遗传K-均值文本聚类算法。在个体进行交叉和变异时,使用GCF对其进行控制,并对交叉和变异概率采用自适应控制,确保了优质个体顺利进入到下一代种群。实验表明,该研究不仅对特征词分类及其权重的有效计算作出改进,还使文本聚类精度得到提高。

结合权重因子与特征向量改进的文本聚类算法

为解决特征词权重表示文本时存在的局限性和遗传K-均值算子操作的低效性问题,提出一种包含文本预处理和改进算法的文本聚类方法。根据权重因子和特征向量进行文本预处理,更好体现文本间的差异性,通过遗传控制因子控制个体的交叉和变异,对交叉和变异概率采用自适应控制,确保优质个体顺利进入到下一代种群,体现遗传算法的全局优化能力和K-均值算法的高效局部搜索能力。实验结果表明,该方法使特征词分类精度得到提高,改善了文本聚类效果。