一种改进的全局K-均值聚类算法

将快速K中心点聚类算法确定初始中心点的思想应用于全局K-均值聚类算法,对其选取下一个簇的最佳初始中心的方法进行改进,提出选取下一个簇的最佳初始中心的一种新方法.该新方法选择一个周围样本分布相对密集,且距离现有簇的中心比较远的样本为下一个簇的最佳初始中心,得到一种改进的全局K-均值聚类算法.改进后的算法不仅可以避免将噪音点作为下一个簇的最佳初始中心点,而且在不影响聚类效果的基础上缩短了聚类时间.通过UCI机器学习数据库数据以及随机生成的人工模拟数据实验测试,证明改进的全局K-均值聚类算法与全局K-均值聚类算法及快速全局K-均值聚类算法相比在聚类时间上更优越.

状态演化模式挖掘在交通流预测中的应用

在交通流诱导中,交通流量的预测是研究热点。为了提取交通流变化的特征规律,针对交通流的数据特点,采用了状态演化模式挖掘的框架对其进行挖掘,提出了一种交通流量模式和规则发现的方法,并且通过实验对这种方法进行了验证。

独立于应用的数据库聚类技术

文章提出了一种独立于应用的数据库聚类技术,是多数据库挖掘的重要步骤,处于数据准备阶段,也是分组规则合成的前提,该技术主要包括多数据库最优划分方法,该方法将数据库的属性集当作其特征。数据库最优划分方法采用非对称二元变量相似度计算方法得到数据库间相似度,利用分裂层次聚类法对数据库进行完全划分,然后借鉴k中心点方法提出最大树方法选出对应簇中心,最后利用自适应模糊C-均值聚类方法的评价函数获得最优划分。