基于差分隐私保护的二分k均值聚类算法研究

针对差分隐私保护k均值聚类算法(DP k-means)随机选取初始点,导致算法往往收敛于局部最优,进而影响聚类效果的问题,本文结合差分隐私的相关理论以及层次聚类的思想提出了一种基于差分隐私保护的二分k均值聚类算法(DP Bi-k-means)。首先,以得到全局最优为目标,将随机选取初始点的过程进行改进,由上至下对目标数据集进行二分;其次,在迭代过程实现基于拉普拉斯机制的差分隐私保护。经安全性分析以及实验结果证明:该算法与传统差分隐私保护k均值算法(DP k-means)相比,可以避免聚类结果受初始点的影响陷入局部最优解,从而优化聚类效果,并为聚类分析提供了有效的隐私保护能力。

基于K均值聚类算法的电气控制教学资源整合方法

为提升资源整合效率,提出基于K均值聚类算法的电气控制教学资源整合方法。通过模糊综合评价方式划分教学资源等级,建立电气控制教学资源库,基于K均值聚类算法整合资源库中的教学资源。实验结果表明,该方法可节省5~10 s的时间,能够加快资源整合的聚类速度。

基于K均值聚类算法的景区旅游最佳路线定制

假期旅游时要去的景点很多,如何方便、快捷的到达每个景点。就需要一个将这些景点进行聚类的算法,以安排交通工具将不同游客送达这些聚类后的簇中心,然后游客自行到每个簇内景点。通过K均值聚类算法可以得到一条景区旅游最佳路线。

基于改进人工蜂群算法的K均值聚类算法

针对K均值聚类(KMC)算法全局搜索能力差、初始聚类中心选择敏感,以及原始人工蜂群(ABC)算法的初始化随机性、易早熟、后期收敛速度慢等问题,提出了一种改进人工蜂群算法(IABC)。该算法利用最大最小距离积方法初始化蜂群,构造出适应KMC算法的适应度函数以及一种基于全局引导的位置更新公式以提高迭代寻优过程的效率。将改进的人工蜂群算法与KMC算法结合提出IABC-Kmeans算法以改善聚类性能。通过Sphere、Rastrigin、Rosenbrock和Griewank四个标准测试函数和UCI标准数据集上进行测试的仿真实验表明,IABC算法收敛速度快,克服了原始算法易陷入局部最优解的缺点;IABC-Kmeans算法则具有更好的聚类质量和综合性能。

K均值聚类算法初始质心选择的改进

聚类分析在信息检索和数据挖掘等领域都有很广泛的应用,K均值聚类算法是一个比较简洁和快速的聚类算法,但是它存在着初始聚类个数必须事先设定以及初始质心的选择也具有随机性等缺陷,造成聚类的结果不是最优的。针对K均值聚类算法中的随机指定初始质心的缺点,提出了基于密度和最近邻相似度的初始质心选择算法,实验显示该算法可以生成质量较高而且较稳定的聚类结果,但是改进的算法需要事先设定最近邻相似度的阈值计算量较大等缺点,还有待改进。

基于粒子群K均值聚类算法的电梯交通模式识别

针对传统方法存在的缺点,提出一种基于粒子群K均值聚类算法的电梯交通模式识别方法.该方法通过对此前一周的原始客流数据进行聚类分析,得到相应交通模式的聚类中心坐标.针对实时变化的交通流数据,采集5min时段客流数据,根据最近邻原则划分其归属的聚类中心,从而识别出当前的交通模式.仿真实验表明,该方法能对电梯交通模式进行有效识别,实时性较好.

基于K均值聚类算法的雾天识别方法研究

为实现视频监控设备对雾天天气现象的自动识别,提出了基于K均值聚类算法的雾天天气现象自动识别方法。该方法通过分析雾天天气现象对视频图像采集的影响,提取图像饱和度的均值、方差为特征参数,并利用K均值聚类算法对训练图像进行分类,得到不同图像类别的聚类中心,测试阶段计算不同图像与聚类中心的相异度即可完成分类。实验结果表明,该方法简洁高效,易于实现对大规模图像数据的处理,并能实现图像分类后类别的标注,对雾天的识别率高于90%。

基于微粒群的K均值聚类算法在图像分类中的应用

提出一种新的图象分类算法—基于微粒群的K均值聚类图象分类算法.将此算法和K均值聚类算法以及微粒群图像分类算法分别应用于MRI人脑图象的分类,并进行了比较.实验结果表明:基于微粒群的K均值聚类图象分类算法具有较好的全局收敛性,不仅能有效克服K均值算法易陷入局部极小值的缺点,且全局收敛性能优于微粒群图像分类算法.

基于改进K均值聚类算法的星点聚类研究

针对高分辨率天文图像中的星点聚类研究中存在的2个问题:①天文图像的分辨率较高,且图像处理速度较慢;②选取何种聚类算法对天文图像中的星点进行聚类分析效果较好。在研究中,问题1采用图像分块的方法提高图像的处理速度;问题2提出了一种改进的K均值聚类算法,以解决传统的K均值聚类算法的聚类结果易受到k值和初始聚类中心随机选择影响的问题。该算法首先在用K均值聚类算法对数据初步聚类的基础上确定合适的k值,其次用层次聚类对数据聚类确定初始聚类中心,最后在此基础上再采用K均值聚类算法进行聚类。通过MATLAB仿真实验的结果表明,该算法的聚类结果与效率优于其他聚类算法。

基于改进的K均值聚类算法提取彩色图像有意义区域

针对传统的K均值聚类算法随机选取初始聚类中心与分类类别数的缺陷,提出了一种新的初始聚类中心与分类类别数的选取方法,并将此方法应用在彩色图像有意义区域提取中。实验证实:新算法不仅能有效地改善初始聚类中心,而且能够提高图像分割的精度;与复杂的协方差矩阵分割算法相比,算法更易于实现有意义区与背景的分离,分割效果令人满意。

改进的层次K均值聚类算法

针对传统K均值聚类方法采用聚类前随机选择聚类个数K而导致的聚类结果不理想的问题,结合空间中的层次结构,提出一种改进的层次K均值聚类算法。该方法通过初步聚类,判断是否达到理想结果,从而决定是否继续进行更细层次的聚类,如此迭代执行,从而生成一棵层次型K均值聚类树,在该树形结构上可以自动地选择聚类的个数。标准数据集上的实验结果表明,与传统的K均值聚类方法相比,提出的改进的层次聚类方法的确能够取得较优秀的聚类效果。

基于协议组降低策略的二次并行k均值聚类算法

针对传统MapReduce框架下多点接口通信时间复杂度过高的问题,提出一种二次并行k均值聚类算法,用于解决大数据聚类问题。采用组降低操作策略,定义组成员管理协议对操作组成员进行管理,通过对组成员的参考列表p ID的广播、删除和添加操作,实现基于组降低的同步操作。定义中间缓冲聚类数量并结合k均值算法,减少二次并行聚类算法组降低操作的输入数据量,进一步降低算法的时间复杂度。在自建大数据测试集上的仿真实验结果表明,该算法能够在保证聚类精度的前提下有效加快算法聚类效率。

基于K均值聚类算法提取CT图像的肺部肿瘤

为自动提取CT肺部肿瘤,辅助医生对患病部位进行诊断和治疗,利用K均值聚类算法自动提取肺部肿瘤和剩余肺部图像,并分别和影像医生手工分割的肺部肿瘤和剩余肺部图像作对比。结果表明,自动提取的肺部肿瘤图像与专业医学影像医生手工提取的肺部肿瘤图像在外形、灰度和方差方面非常接近,说明利用K均值聚类算法自动提取肺部肿瘤的方法是有效的、可行的。

基于K均值聚类算法的位置指纹定位技术

为了减小位置指纹定位算法的计算量,提出一种基于K均值聚类分析的位置指纹定位算法。通过对指纹数据库进行K聚类分析,形成聚类索引,定位时通过查询聚类索引来缩小指纹库查询空间。利用改进后的算法进行室内定位实验,并将其与K近邻法进行对比测试。实验结果表明,改进后的定位算法有效减小了定位过程的计算量,而且还能保证定位精度,在短距离范围内定位平均误差可限制在2m以内。

密度K均值聚类算法及在复杂网络分析中的应用

现代信息社会中,许多实际问题都归结为复杂网络中模块问题的研究,而聚类方法是研究复杂网络中模块性的重要方法。本研究将基于视觉原理的密度聚类算法与传统的K均值聚类算法相结合,提出了一种新的聚类算法,即密度K均值聚类算法。该算法在一定程度上克服了传统的K均值聚类算法易受异常点影响和无法确定聚类数的问题,具有对初始参数不敏感、可发现任意形状的聚类,以及能找到最优聚类等优点。基于此,以城市建通网络中交巡警指挥平台的设置问题为例,通过Matlab程序求解说明了所给出聚类算法的应用。

基于初始中心点K均值聚类算法的改进方法研究

传统聚类算法随机选取初始中心不能有效处理不规则数据集的边缘数据.该文主要叙述了K均值聚类算法基本思想和流程,详细分析了其算法的优点及存在的问题,提出对现有基于初始中心点K均值聚类算法的改进方法.

基于联合改进人工蜂群及K均值聚类算法的洪水分类研究

引入一种基于改进人工蜂群算法的K均值聚类算法,利用人工蜂群算法优化K均值聚类算法的聚类中心,消除K均值聚类算法因初始聚类中心随机性造成的影响和陷入局部最优解的可能;以金沙江流域下游的寸滩站为研究对象进行洪水分类研究。结果表明,基于改进人工蜂群算法的K均值聚类算法得到的分类结果更加准确合理,并且通过判别分析,进一步说明该算法用于解决洪水分类实际问题的可行性及优越性。

改进的K均值聚类算法在支持矢量机中的应用

将一种改进的K均值聚类算法应用于支持矢量机(SVM)的训练。基于这一改进的聚类算法,设计了SVM的增量式训练步骤,并给出了在训练过程中删除无用样本的的方法。模式分类的实验结果表明,这种改进的K均值聚类算法在SVM中的应用不仅大幅度地缩短了SVM的训练时间,而且进一步提高了它的分类能力。

基于K均值聚类算法的雾霾天气自动识别

雾霾天气造成的图像模糊影响户外视觉系统的正常运行,为实现雾霾天气的自动观测,提出一种基于K均值聚类算法的雾霾天气识别方法。该方法在传统K均值聚类算法的基础上,提取图像饱和度分量作为识别雾霾天气的特征,采用马氏距离作为图像间的相似性度量,将相邻迭代次数内聚类中心的变化距离作为聚类准则函数,对图像进行聚类,实现雾霾天气的识别。测试结果表明,该方法简单快速,适用于大规模图像处理,对雾霾天气的识别正确率高于95%,有助于智能去雾技术的研究。

Louvain算法与K均值聚类算法的比较研究

复杂网络是近年来新兴的研究领域,社区发现是其应用方向之一.对于现实数据集进行聚类分析是数据挖掘的一个重要方法,但存在聚类分析效果不佳的情形.此时若引入相关性度量,将数据集构建成复杂网络,便可使用社区发现方法对其进行处理.现有文献大多针对算法进行改进,对两种方法的划分结果进行比较的研究较少.本文选取了社团划分中的Louvain算法与聚类算法中的K均值聚类算法,首先对两种算法的理论进行比较,接着利用心脏病、肾病患者数据构造复杂网络,比较了Louvain算法的社区划分结果与K均值聚类算法的聚类结果,在正确划分率的评价标准下,Louvain算法的社团划分结果优于K均值聚类算法的聚类结果.