基于模糊K-Modes和免疫遗传算法的聚类分析

为了克服传统的模糊K-Modes算法分类正确率低、收敛速度慢的缺点,文中将免疫遗传算法应用到聚类分析中,提出了一种基于模糊K-Modes和免疫遗传算法的聚类算法。通过引入免疫算子,不仅提高了收敛速度,而且避免了陷于局部极小,从而能较快地收敛到全局最优解。免疫算子包括抽取疫苗、接种疫苗和选择疫苗。实验结果证明,此算法具有较好的聚类效果,且稳定性强。

老年人家庭代际关系模式及其影响因素研究——基于代际双向报告的K均值聚类分析

在传统的代际关系模式研究中,数据往往来自家庭中父母或子女一方的报告,然而仅凭借“一面之词”对代际关系进行测量真的准确吗?这一问题的背后透视出当前国内相关研究中双向报告视角的缺失。利用2020年中国家庭追踪调查(CFPS)数据,运用K均值聚类分析及多层Logistic回归方法,探究当前中国老年人家庭中代际关系的双向报告状况、代际关系模式及其影响因素。研究结果表明:首先,老年父母的代际关系报告平均得分要略低于成年子女的报告平均得分,但两者间并不存在显著差异,代际利益假说未获支持。其次,基于双向报告的聚类结果,可将老年人家庭代际关系具体划分为结构维度上的“亲子一致型”、“亲近子疏型”、“亲疏子近型”模式与水平维度上的“亲子和睦型”、“亲子有隙型”、“亲子疏离型”模式。最后,从代际关系模式的影响因素来看,代际结构、老年父母特征及成年子女特征均会在结构维度与水平维度上产生显著影响,而家庭特征仅在水平维度上产生显著影响。简言之,两代人的年龄差距越大、父母年龄越小、子女年龄越大,越可能形成评价一致的代际关系;两代人的年龄差距越大、两代人的性别一致、父母年龄越小、父母获得子女支持以及在城镇家庭中,越可能形成和睦的代际关系。

一种基于属性值权重的k-modes聚类分析算法

针对k-modes方法未考虑各属性值在属性空间的分布特征而导致分类变量间差异性度量不准确的问题,提出了一种基于属性值权重的k-modes聚类分析算法。该算法利用属性值之间的差异和属性值的权重,重新定义了相异度度量公式;采用属性值频率和各属性值的权重,给出一种聚类中心更新迭代公式,有效地体现了属性值在属性空间中的分布特征和属性之间的重要性差异;采用UCI数据集,验证了算法的有效性。

一种基于粗糙熵的改进K-modes聚类算法

K-modes聚类算法被广泛应用于人工智能、数据挖掘等领域。传统的K-modes聚类算法有不错的聚类效果,但是存在迭代次数多、计算量大、容易受到冗余属性的干扰等问题,且仅采用简单的0-1匹配的方法来定义2个样本属性值之间的距离,没有充分考虑每个属性对聚类结果的影响。针对上述问题,该文将粗糙熵引入K-modes算法。首先利用粗糙集属性约简算法消除冗余属性,确定各属性的重要程度;然后利用粗糙熵确定每个属性的权重,从而定义新的类内距离。将该文所提算法与传统的K-modes聚类算法分别在4组公开数据集上进行对比试验。试验结果表明,该文所提算法聚类准确率比传统的K-modes聚类算法更高。

模糊K-Modes聚类精确度分析

模糊K-Modes聚类算法是对具有分类属性的数据进行聚类的一种有效的算法。为了评价聚类结果，以具有明确分类结构的数据作为输入数据，将模糊K-Modes聚类结果与原始数据的分类结构进行对比，分析了确定它们之间对应关系的方法，在期望聚类结果应该具有的特点的基础上，对现有的精确度定义和计算方法进行修正，在划分相似度的基础上，重新定义模糊K-Modes聚类精确度。

基于K均值算法-TOF聚类分析的复合材料板冲击损伤层析研究

碳纤维增强型复合材料(CFRP)中的冲击损伤是威胁压力容器结构安全的重要隐患,有必要对CFRP中的冲击损伤进行层析研究,促成CFRP复合材料损伤定量化分析。提出基于K均值算法对超声C扫的飞行时间(TOF)图像进行聚类分析,并结合TOF值确定不同簇所在层,对CFRP冲击损伤进行逐层定量化分析。同时,分析了冲击损伤的TOF图像,验证了基于K均值算法-TOF聚类分析的冲击损伤层析方法,并进一步通过水浸超声C扫试验获得多组试验数据,指出K均值聚类中簇的总数K为铺层总数的1.25倍即可满足损伤逐层分析,实现了不同铺层总数CFRP层合板冲击损伤的层析研究。TOF聚类分析方法可以直接对CFRP层合板各铺层的冲击损伤进行定量化,具有一定的工程意义。

K型小麦保持系遗传多样性的系统聚类分析

为了给K型小麦雄性不育系、保持系的选育及杂种组合选配提供依据,对25份K型小麦保持系品种的7个主要农艺性状进行了遗传多样性、相关性和聚类分析。结果表明,25份K型小麦保持系品种的7个主要农艺性状都表现出较大的变异性,变异系数从低到高依次为株高(7.12%)、千粒质量(7.49%)、每穗粒数(9.12%)、穗长(9.61%)、单株粒数(16.69%)、单株穗数(18.37%)、单株粒质量(20.61%)。相关性分析结果表明,3对性状达到了极显著正相关,分别为单株粒数与单株粒质量(相关系数r=0.732)、单株穗数与单株粒数(r=0.577)、单株粒质量与单株穗数(r=0.522);4对性状呈显著正相关,分别是千粒质量与单株粒质量(r=0.371)、穗长与每穗粒数(r=0.278)、株高与穗长(r=0.269)、穗长与单株粒数(r=0.211);2对性状呈显著负相关,分别为株高与每穗粒数(r=-0.214)、每穗粒数与单株穗数(r=-0.399)。聚类分析结果显示,25份K型小麦保持系品种的遗传距离变化范围为1.15~26.25。在遗传距离12.50处,将供试品种划分为5个类群:Ⅰ类群共有17个品种,第Ⅰ类群在遗传距离7.50处,分为3个亚类;第Ⅱ类群有1个品种,为石H09-7075,单株粒质量为8.59 g,低于其他类群;第Ⅲ类群1个品种为浚2016,株高为50.67 cm,低于其他类群;第Ⅳ类群5个品种,包括衡4568、山农0911、周麦16等,单株穗数为9.27个,多于其他类群;第Ⅴ类群为衡5011,株高为70.52 cm,高于其他类群。

基于K-modes聚类算法的山东省传统村落空间风貌类型及区划研究

传统村落的类型解析及空间区划是开展传统村落整体性保护和区域性发展的基础前提,本文在对山东省传统村落调查的基础上,基于空间基因理论视角,从地景、聚落、建筑、文化4个层次构建起13个指标的传统村落空间风貌分类指标体系,并采用K-modes聚类算法对山东省177个传统村落进行聚类分析,得到八大空间风貌类型,进一步结合区域文化、地理特点及行政区划,划分出山东省5个传统村落风貌区,从宏观视角分析了山东省传统村落空间风貌特征及其形成与发展的内在逻辑和地理分布规律,为更加整体全面地认识山东省传统村落特点、开展区域性传统村落集中连片保护利用等工作提供科学参考。

基于动态层次K-Modes的电网数据聚类分析

随着电力工业的发展与电力计量体系的不断完善,电网需求侧用电特性呈多样化发展态势。智能电表走进人们的生活,带来海量电力数据。如何挖掘用户的用电行为特性,从而促进电价市场化成为人们所关心的问题。首先介绍了聚类分析中的K-modes算法以及层次K-means算法,并结合考虑其优缺点提出动态层次K-modes算法来处理类属型数据并给出合理的k值;其次提出了将曲线数据进行差分及类属型转化的数据处理方法,使之能更好地反应用户曲线形态;最后利用动态层次K-modes算法在模拟数据以及厦门岛内地区电力用户的真实数据上进行聚类试验,得到优良的分类结果。

K-Modes聚类数据收集和发布过程中的混洗差分隐私保护方法

针对目前聚类数据收集与发布安全性不足的问题,为保护聚类数据中的用户隐私并提高数据质量,基于混洗差分隐私模型,提出一种去可信第三方的K-Modes聚类数据收集和发布的隐私保护方法。首先,使用K-Modes聚类数据收集算法对用户数据进行采样并加噪,再通过填补取值域随机排列发布算法打乱采样数据的初始顺序,使恶意攻击者不能根据用户与数据之间的关系识别出目标用户。然后,尽可能减小噪声的干扰,利用循环迭代的方式计算出新的质心完成聚类。最后,从理论层面上分析了以上3种方法的隐私性、可行性和复杂度,并利用3个真实数据集和近年来具有权威性的同类算法KM、DPLM、LDPKM等进行准确率、熵值的对比,验证所提方法的有效性。实验结果表明,所提方法的隐私保护和发布数据质量均优于当前同类算法。

改进的k-modes聚类算法在协同过滤就业推荐算法中的应用

为了给高校毕业生提供精准的个性化就业推荐服务,将基于动态权重相互依存距离的改进k-modes聚类算法应用于协同过滤推荐算法中。定义不同样本点属性之间的距离等于属性值内部距离和属性间外部距离的加权和,选择初始簇质心时,动态调整样本点与簇质心的距离以及簇密度的组合权重,动态设置簇密度计算公式的半径,根据样本点的概率值选出初始簇质心;迭代计算和优化得到满足精度的学生簇和职位簇;构建学生-职位矩阵,计算应届生和往届生的相似度、往届生和入职岗位的相似度,选择二者的相似度超过阈值的应届生簇和职位簇组合为匹配对进行匹配,并将匹配信息降序排列形成匹配列表,依据匹配列表进行双向推荐和信息推送,为高校的就业推荐和指导提供信息导向和技术支持。

基于k-modes聚类算法的混洗差分隐私方法

首次提出一种基于k-modes聚类算法的混洗差分隐私保护方案(简称SDPk-modes).SDPk-modes根据每个数据之间的距离划分为不同的组,得到足够的细粒度优化效用,采用基于梯度随机扰动技术使计算最优概率耗时更短;在k-modes聚类过程中,通过将数据中频繁出现的特征向量作为聚类中心点,基于属性熵的距离度量方法,加快算法收敛至聚类中心的速度,解决原始算法聚类速度慢、易陷入局部最优等问题,显著提高聚类的效果.实验验证表明,本文提出的方案优于当前同类方案.

基于主成分分析和K-Modes蚁群聚类的本体映射方法

指挥信息系统测试数据在利用本体技术进行数据集成时,现有的本体映射模型准确率不高,影响集成效果。针对这种情况,提出基于主成分分析(Principal Component Analysis,PCA)和K-Modes蚁群聚类(K-Modes Ant Colony Clustering,KMACC)算法的本体映射方法。在基于PCA算法的本体概念相似度综合计算模型基础上,引入KMACC算法,实现批量本体概念映射关系的发现,进一步提高映射的准确性。实验结果表明,相比于传统基于Hownet的映射方法和RiMOM方法,该方法有效提升了本体映射的查全率和查准率,较好地解决了本体概念集成中的关键问题。

地理加权的K-Modes算法在城市餐饮空间分析中的应用

通过Python获取大连市餐饮空间数据,在SPSS中采用K-Modes聚类分析算法进行了第一次基础聚类,以经纬度作为地理权重进行二次聚类,在Arcgis中分析了大连市线上餐饮业空间消费规律。通过划定消费区间,在固定区间内实现附加地理权重的K-Modes聚类,将线上餐饮消费空间差异程度进一步放大。研究发现:附带地理权重的K-Modes聚类算法能更精准地体现餐饮消费规律地理空间上的差异性。

基于新的相异度量的模糊K-Modes聚类算法

传统的模糊K-Modes聚类算法采用简单匹配方法度量对象与Mode之间的相异程度,没有充分考虑Mode对类的代表程度,容易造成信息的丢失,弱化了类内的相似性。针对上述问题,通过对象对类的隶属度反映Mode对类的代表程度,提出一种新的相异度量,并将它应用于传统的模糊K-Modes聚类算法。与传统的K-Modes和模糊K-Modes聚类算法相比,该相异度量是有效的。

基于遗传算法的K均值聚类分析

This paper proposes a K-Means clustering method based on genetic algorithm. We compare our method with the traditional K-Means method and clustering method based on simple genetic algorithm. The comparison proves that our method achieves a better result than the other two. The drawback of this method is a comparably slower speed in clustering.

基于贝叶斯距离的K-modes聚类算法

K-modes算法中原有的分类变量间距离度量方法无法体现属性值之间差异,对此提出了一种基于朴素贝叶斯分类器中间运算结果的距离度量。该度量构建代表分类变量的特征向量并计算向量间的欧氏距离作为变量间的距离。将提出的距离度量代入K-modes聚类算法并在多个UCI公共数据集上与其他度量方法进行比较,实验结果表明该距离度量更加有效。

基于改进K均值聚类分析的迷彩伪装色选取

伪装色是影响迷彩伪装效果的关键因素。提出一种基于改进K均值聚类分析的迷彩伪装色选取算法:在Lab颜色空间中选择色差尽可能大的标准伪装色作为初始聚类中心,由最小色差原则和相邻元素特征共同决定目标像素归属,最后将得到的背景优势色(最优聚类中心)转换为军标规定的迷彩伪装色。通过迷彩伪装图案设计实例对伪装色选取算法进行了实验分析,并通过边缘检测和识别跟踪算法对不同背景下的目标迷彩伪装效果进行了验证。结果表明,基于改进K均值聚类分析的迷彩伪装色选取方法能够满足迷彩图案具备较好伪装效果的要求。

基于K均值动态聚类分析的地球物理测井岩性分类方法

在地球物理测井数据处理与解释中,岩性识别是地层评价、油藏描述等方面的一项重要内容。利用计算机自动进行岩性识别已成为测井解释发展的重要方向、人们研究和关注的内容。聚类分析是数据挖掘中的一个重要研究领域,是一种数据划分或分组处理的重要手段和方法。K均值算法是聚类算法中主要算法之一,它是一种基于划分的聚类算法。依据不同岩性在常规测井资料中的不同响应,根据K均值动态聚类方法的原理,结合其它资料,对井中的岩性进行分类,从而达到了区分和识别钻孔不同岩性的目的。

基于模拟退火的粗糙集K均值电力负荷聚类分析

为了建立合适的变电站负荷模型,将聚类方法引入到负荷特性分析,提出了一种基于模拟退火的粗糙集K均值电力负荷综合聚类算法。该算法将粗糙集理论、模拟退火思想与K均值相结合,通过模拟退火思想优化K均值聚类算法,采用最大最小原则动态生成K均值聚类数和初始聚类中心,同时结合粗糙集理论的上逼近和下逼近处理边界对象。最后,对变电站综合负荷静态特性进行聚类分析,比较类间距离和类内距离,结果验证了本文算法的可行性和有效性。