基于凝聚层次聚类算法的ATT&CK模型改进

在应用ATT&CK模型(网络攻击模型)进行网络安全威胁分析的过程中,ATT&CK模型提供的技术集合过于复杂。针对ATT&CK模型应用复杂的问题,论文对模型的技术集进行聚类简化研究,提出了基于聚类算法的模型改进方法,首先对ATT&CK模型的技术集合进行量化和聚类趋势评估,然后对量化的数据应用凝聚层次聚类算法得到简化的聚类结果,最后通过实验验证模型改进有效性。

基于多信息融合的层次聚类测井曲线自动分层方法

随着人工智能的快速发展,机器学习的应用范围越来越广泛,将机器学习的方法用于测井曲线分层可以提高分层效率和精度。在利用测井资料进行岩性识别、沉积相分析等研究时,先要对测井曲线进行分层。文中提出一种基于多信息融合的层次聚类分层方法,实现了对测井曲线的自动分层。首先,采用滤波的方式滤除曲线上的噪点,对数据进行归一化处理,消除量纲的影响;其次,通过特征优选,选择包含较多地层信息的特征曲线,构造一个滤波器,将其中相似性较高的曲线融合,曲线融合的权值通过遗传算法求得;最后,使用层次聚类方法对多信息融合后的测井数据进行划分,将分层结果与人工分层结果进行对比验证。该方法能够提高分层效率,为地质勘探工作提供可靠的分层依据。

BIRCH数据聚类算法优化研究及仿真分析

近年来在数据分析中最广泛研究的问题之一就是在多维数据集中识别聚类或密集区域。为了解决大型数据集和最小化I/O成本的问题。由此提出一种基于层次结构的数据聚类方法——平衡迭代和聚类方法 BIRCH。论文中对BIRCH聚类算法性能从时间/空间效率、对算法参数改变下的Calinski-Harabasz指数和聚类质量等方面进行了评估,并和经典的CLARANS算法进行了性能比较。

融合动态层次聚类和邻域区间重组的蚁群算法

针对蚁群算法搜索速度过慢以及解质量不足等问题,提出一种融合动态层次聚类和邻域区间重组的蚁群算法。在初始阶段,调整层次聚类阈值并按照类间距离最小合并的原则迭代至目标簇集,根据预合并系数进行簇间合并,通过蚁群系统得到小类路径并断开重组以加快算法整体收敛速度;接着使用蚁群系统对解空间进行优化,同时并行处理簇集与簇集邻域区间扩散重组,增加解的多样性,进一步固定迭代次数进行比较,若邻域区间重组解质量优于当前优化解则进行推荐处理,提高解的精度;当算法停滞时,引入调整因子降低各路径信息素之间差异以增强蚂蚁搜索能力,有助于算法跳出局部最优。实验结果表明,在面对大规模问题时,算法的精度在3%左右,该方法相比传统方法可以有效提高解的精度和收敛速度。

基于分布式数据流聚类的成绩层次化评估方法

为提高成绩评估结果的准确率,针对成绩数据具有的多元化、容量大、分布式的特点,引入分布式数据流聚类算法,优化数据聚类精度和时效性,实现成绩层次化评价.首先,通过聚类特征指数直方图建立分布式数据流挖掘矩阵,提高成绩数据的聚类性能.将一阶线性微分方程结合分数阶累加,构建全局聚簇模型,保证聚类性能稳定.然后,采用层次分析法处理成绩数据,将成绩按照基础课程、专业课程及实训课程分类,确保层次化评估的精确率,再结合权重法得到成绩评估结果.实验结果表明,该方法有效实现对成绩数据的层次化评估,精确率、召回率、AUC值分别可以达到98.75%、86.67%、0.987,评估时长仅为488.4 ms,且该方法的收敛效果较优,数据流能耗较低.

一种CCA-层次聚类的基因聚类算法

针对基因芯片技术带来的海量基因表达数据,为了充分挖掘其蕴含的生物信息和潜在的生物机制,提出一种基于CCA-层次聚类的基因聚类算法(CCA-Hc)。该算法在层次聚类的基础上引入典型相关分析,优化相似性矩阵计算方法。首先,利用典型相关分析方法结合基因的多个特征信息进行基因相关性度量,得到基因相似性矩阵。然后将该相似性矩阵作为层次聚类的邻近矩阵进行凝聚层次聚类。在Oryza sativa L.(水稻)的基因表达数据集上进行CCA-Hc聚类效果测试实验,结果表明,与采用欧式距离的传统层次聚类算法(EUC-Hc)相比,CCA-Hc的内部稳定性指标和生物功能性指标均优于EUC-Hc,具有更佳的鲁棒性和聚类准确性,更有利于去发现基因间的共表达关系。

基于AGNES聚类的能耗均衡WSNs优化路由算法

无线传感器网络的生命周期与节点的能耗直接相关。为解决能量消耗分布不均,影响网络寿命的问题,提出一种基于AGNES聚类的能耗均衡WSNs优化路由算法(EBRAA)。通过AGNES聚类算法获得网络均匀分簇,根据簇内节点的剩余能量和节点与基站距离及两者权重因子,完成分布式簇头选举,采用改进后的Dijkstra算法产生簇头间最短路径的多跳路由。仿真结果表明,与LEACH和KBECRA算法相比,EBRAA算法的簇分布更加合理,能耗更加均衡,延长了网络生命周期。

基于层次聚类的平面阵列电容聚焦成像方法

为减少平面阵列电容成像过程中的无效数据,提出一种基于层次聚类的平面阵列电容聚焦成像方法。根据平面阵列电极电容数据的特点,利用层次聚类算法对电容数据进行分类,根据分类结果将电极分为无效电极和有效电极,并进一步确定感兴趣区域,利用有效电极产生的电容值进行电容成像,从而达到减少无效数据,提高计算效率,加快图像重建速度的目的。对绝缘材料进行缺陷探测的仿真实验,结果表明:数据优化之后得到的重建图像与数据优化之前得到的重建图像相比,在减少数据量加快图像重建速度的同时,可保证图像重建的精度。

基于AGNES聚类算法的城市交通运行状态分析研究

为提高道路运行效率、缓解城市交通拥堵,以宿州市城区为研究对象开展了交通运行状态的分析研究。通过GPS系统获得浮动车数据,运用数理统计方法对数据进行修复和预处理;选用路段行程速度和交通流量作为评价参数,构建了路段行程速度计算模型。利用AGNES聚类算法对道路流量和平均车速进行聚类分析,以此对道路交通状态进行等级划分并确定不同等级的区间值。结果表明:宿州市主干路严重拥堵临界值为20 km/h,低于标准值(21 km/h);同时次干路的中度和重度拥堵阈值也明显低于规范值,原因可能是车道较窄、机非混行。该研究可以为利用交通数据评估城市交通状况提供新方法,可以提高交通管理者对道路结构的认识,对城市道路的规划和设计有一定的参考价值。

一种基于遗传算法的分裂式层次化聚类算法

针对聚类中自适应确定聚类个数、目标函数灵活定义及优化的近似计算等问题,综合了分裂式层次化聚类算法能根据相似度阈值自适应地确定聚类个数的特点及二进制遗传聚类算法具有较强的搜索近似最优解能力及目标函数定义灵活的特点,提出了一种基于遗传算法的分裂式层次化聚类方法。实验结果表明,该算法具有较好的聚类性能。

基于约束动态更新的半监督层次聚类算法

提出了一种基于约束动态更新的半监督层次聚类算法.与现存的半监督层次聚类算法类似,该算法也使用了必连和不连约束.但不同的是,该算法并不是在对满足必连约束的数据样本点进行预先划分的基础上依据不连约束进行聚合操作,而是首先将约束扩展为一个闭包,然后在这此基础上直接依据不连约束进行聚合操作,并在聚合的过程中依据聚类结果动态地更新必连和不连约束,以保证最终的聚类结果同时满足必连和不连约束.该算法的优势在于省略了对必连约束的数据样本点进行预先划分的步骤,这一改进能够保证数据样本点获得更为合理的聚合顺序,从而得到更为准确的聚类结果.本文具体给出了该算法基于Ward层次聚类算法的实现,提出了C-Ward算法.实验表明,与其他同类算法相比,无论是在人工模拟数据集还是在现实数据集上,本文提出的算法都表现出了更高的准确性和更强的稳定性.

基于K-Means的文本层次聚类算法研究

提出了一种基于K-Means的文本层次聚类算法。它结合凝聚层次聚类和K-Means算法的特点,减少凝聚层次法在凝聚过程中的错误,提高了聚类质量。实验结果表明,该算法的聚类质量优于层次聚类法。

基于改进凝聚层次聚类的协议分类算法

在比特流未知协议识别过程中,针对如何将得到的多协议数据帧分为单协议数据帧这一问题,提出了一种改进的凝聚型层次聚类算法。该算法以传统的凝聚型层次聚类算法思想为基础,结合比特流数据帧的特征,定义了数据帧之间及类簇之间的相似度,采用边聚类边提取符合要求类簇的方式,能快速有效地对数据帧进行聚类;并且该算法能自动地确定聚类的个数,所得的类簇含有相似度评价指标。利用林肯实验室公布的数据集进行测试,说明该算法能以较高的正确率对协议数据帧进行聚类。

基于分裂层次半监督谱聚类算法的风电场机群划分方法

在谱聚类技术的基础上,面向风电场动态等值建模,提出一种基于分裂层次半监督谱聚类算法的风电场机群划分方法。首先根据风电机组的实测运行数据,构造一个可以体现原始数据结构且能为分类提供更多有效信息的特征向量矩阵Y。进而利用获取的部分样本组的先验信息,采用自顶向下的簇分裂策略,对Y中的样本组进行半监督聚类划分,得到风电机组的机群划分结果 ,采用容量加权法计算各机群等值风电机组的参数,建立风电场的动态等值模型。以某实际风电场为例进行仿真验证,结果表明,采用所提方法建立的动态等值模型与详细模型较接近,能够较准确地反映风电场的动态响应特性。

面向凝聚式层次聚类算法实现的矩阵存储数据结构研究

快速查找、扩张、收缩是凝聚式层次聚类算法快速实现对相似度/距离矩阵存储的基本要求。本文提出了基于十字链表和平衡二叉树的复合数据结构 CrossAVL 用于矩阵的存储,给出了查找、扩张,收缩操作的实现并对其时间复杂度进行了分析。实验结果表明,CrossAVL 对快速要求能够较好地满足。

改进的基于层次聚类的模糊聚类算法

针对FCM算法的缺陷,文章提出了一种基于层次聚类的模糊聚类算法(HFCM)。该算法采用凝聚的层次聚类方法,可快速地发现高度聚集的数据区域,并对这些高密度区域进一步进行分析与合并,通过评估函数的评估,找到最优的聚类方案。试验结果表明,该算法具有较高的分类精确度和较高的排除噪声的能力。

基于最小生成树的层次K-means聚类算法

针对K-means算法初始化时需要指定聚类数目,和随机选择初始聚类中心对聚类结果产生不稳定的问题,结合图论中最小生成树和层次算法的分裂、凝聚思想,提出一种基于最小生成树的层次K-means算法.该算法初始时根据数据样本生成一颗最小生成树,然后利用层次分裂思想把数据分成多个较小的簇,通过K-means算法迭代操作得到每次操作的评价函数值来判断是否进行簇的合并,进一步确定聚类簇数目.实验结果证明,该算法能够较准确地判断聚类数目,并且聚类结果的稳定性比基本K-means算法要好.

基于层次与密度的任意形状聚类算法

结合层次聚类算法和密度聚类算法,提出一种新的任意形状聚类算法,以密度峰值点为初始聚类中心将数据集划分为大量子簇。根据聚类合并准则,对簇间边界区域密度大于等于其中任何一个簇平均密度的相邻子簇进行合并。通过动态建模方法进行子簇合并,无需人工输入终止参数即可自动确定聚类终止点。在测试数据集和真实数据集上的实验结果表明,该算法对输入参数的选择具有鲁棒性,能有效识别任意形状、大小和密度的聚类,并且适用于密度分布不均匀的数据集。

层次聚类算法和基于图的分割算法相融合的图像分割算法

在基于图的分割(graph-based segmentation,GBS)算法的基础上引入层次聚类算法,构造出一种解决GBS算法欠分割的方法,同时采用多线程并行处理数据的方式,有效改善了传统层次聚类算法的处理速度。该方法首先在RGB彩色空间中使用GBS算法得到图像中每个像素点的初始分割结果,然后提取出每一类区域中的像素值,对其进行层次聚类,得到每一类区域中像素值的类别标签,再根据层次聚类所得到的类别标签和预设的类别范围,修改每个像素点的初始分割结果。根据区域合并准则,生成一个新的分割图。经实验表明,该方法与K-means-SLIC算法和GBS算法等相比,很好地解决了欠分割现象,并产生了分割精度较高的语义分割图。

应用层次聚类法和蚁群算法的配电网无功优化

为确定无功补偿设备的最佳补偿位置和容量,提出了基于层次聚类法和蚁群算法的配电网无功优化方法。该方法以有功网损最小建立目标函数,在约束条件中引入了最优网损微增率准则。运用层次聚类法对灵敏度进行聚类分析,以确定待补偿点范围,聚合原则及拆分原则可有效实现聚类,不受随机性和人为干扰影响。通过改进将蚁群算法确定补偿位置和容量,能见度因子取为候选节点灵敏度,使状态转移概率能够随时反映补偿变化情况,改进蚁群搜索策略可避免盲目补偿。算例结果验证了该方法的有效性。