一种数据挖掘中的W-PAM限制聚类算法

在数据挖掘中由于每个数据对象对于知识发现的作用是不同的,为了区分这些相异之处,给每个对象赋予一定量的值,因此在PAM聚类算法的基础上提出一种W-PAM(Weight Partitioning Around Medoids)聚类算法,它为簇中数据对象加入权重来提高算法的准确率,此外利用数据对象间的关联限制能够提高聚类算法的效果。探讨了一种W-PAM算法与关联限制相结合的限制聚类算法,该算法同时拥有W-PAM算法和关联限制的优点。实验结果证明,W-PAM的限制聚类算法可以更有效地利用所给的关联限制来改善聚类效果,提高算法的准确率。

Length-Ware限制聚类的Markov加密流量分类研究

为解决网络应用加密传输中大部分分析加密流量的方法忽略通信维持的简化阶段的流量分类,并且网络中应用指纹有大量重复的问题,提出一种新型的加密流量分类方法。将报文长度作为重要的特征分析,通过高斯混合模型建模解决应用指纹的重复问题;通过限制聚类将同一应用长度相近的指纹尽可能划分到同一簇内,提高了收敛速度。实验结果表明:提出的研究方法与传统的加密流量分类方法相比,其TPR和FPR分别提高10.8%和15.7%,效果明显提高。

结合限制的分隔模型及K-Means算法

将数据对象间的关联限制与K-means算法结合可以取得较好的效果,但由于划分是由K个中心决定的,每一类仅由一个中心决定,分隔的表示方法限制了算法效果的进一步提高.基于数据对象间的两类限制,定义了数据对象和集合间的两类关联,以及集合间的3类关联,在此基础上给出了结合限制的分隔模型.在模型中,基于集合间的正关联,多个子集中心可以用来表示同一类,使划分的表示可以更为灵活、精细.基于此模型,给出了相应的算法CKS(constrained K-means with subsets)来生成结合限制的分隔.对3个UCI数据集的实验结果显示:在准确率及健壮性上,CKS显著优于另一个结合关联限制的K-means类算法COP-K-means,与另一个代表性的算法CCL相比,也有相当优势;在时间代价上,CKS也有一定优势.

一种主动CKS算法

提出了一个引入主动学习策略的CKS算法ACKS。算法先将数据集分划成很小的类,通过主动学习来确定代表类核心之间的关系,以这些核心作为接下来CKS聚类过程的初始中心,并且在聚类过程中保证核心之间限制关系的满足。对多个数据集的实验结果显示,ACKS算法较CKS算法更为有效。

集合规划方法在航线网络枢纽选址上的应用

研究带有容量限制的单分配多枢纽网络选址问题,将问题简化为带有容量限制的聚类问题。通过节点之间的距离以及各个节点的需求量,根据聚类分析原理,采用集合规划的方法对问题进行建模,运用自然约束语言NCL,在POEM平台上对模型进行编程求解,并通过实例将计算结果在地图中可视化。运用模糊聚类方法对多枢纽选址位置进行分析。