改进的k-平均聚类算法研究

聚类算法的好坏直接影响聚类的效果。该文讨论了经典的k-平均聚类算法,说明了它存在不能很好地处理符号数据和对噪声与孤立点数据敏感等不足,提出了一种基于加权改进的k-平均聚类算法,克服了k-平均聚类算法的缺点,并从理论上分析了该算法的复杂度。实验证明,用该方法实现的数据聚类与传统的基于平均值的方法相比较,能有效提高数据聚类效果。

基于Ward’s方法的k-平均优化算法及其应用

通过对k-平均算法存在不足的分析,提出了一种基于Ward’s方法的k-平均优化算法。算法首先在用Ward’s方法对样本数据初步聚类的基础上,确定合适的簇数目、初始聚类中心等k-平均算法的初始参数,并进行孤立点检测、删除;基于上述处理再采用传统k-平均算法进行聚类。将优化的k-平均算法应用到罪犯人格类型分析中,实验结果表明,该算法的效率、聚类效果均明显优于传统k-平均算法。

k-平均问题及其变形的算法综述

k-平均问题是计算机科学和组合优化领域的经典问题之一.k-平均聚类作为最受重视而且最简单易懂的一种聚类分析方法流行于数据挖掘领域.k-平均问题可描述为:给定n个元素的观测集,其中每个观测点都是d维实向量,目标是把这n个观测点划分到k(≤n)个集合中,使得所有集合中的点到对应的聚类中心的距离的平方和最小,其中一个集合的聚类中心指的是该集合中所有观测点的均值.k-平均问题在理论上是NP-难的,但有高效的启发式算法,广泛应用在市场划分、机器视觉、地质统计学、天文学和农业等实际背景中.随着实际问题中遇到的k-平均问题更加复杂,数据量更加庞大,还需学者进行更深一步的研究.罗列出k-平均问题及其诸多变形及推广问题的经典算法,并总结k-平均中尚待研究的若干问题.

用遗传算法改进聚类分析中的K-平均算法

Ｋ－平均算法属于聚类分析中的动态聚类法，但其聚类效果受初始聚类分类或初始点的影响较大。本文提出一种遗传算法（ＧＡ）来进行近优初始分类。以内部聚类准则作为评价指标，实验结果表明，该算法明显好于Ｋ－平均算法。

基于人工免疫网络的k-平均聚类算法的研究

以人工免疫网络理论结合k-平均算法,尝试了一种聚类分析的新的解决方案.对k-平均算法中每一次迭代求平均值来确定聚类中心的方式进行改进,采用人工免疫网络中克隆选择和变异机制对聚类中心进行操作,选取最优抗体作为下一次迭代的聚类中心,克服了k-平均算法中对孤立点敏感的缺点,从而大大减少了迭代次数.通过对4组标准数据的实验,结果表明,该算法具有很好的自适应性,收敛速度快,提高了聚类性能.

基于相对最佳划分的加权K-平均聚类改进算法

针对K-平均算法存在的缺陷,通过引入相对最佳随机划分方法以及在计算样本与簇中心时的权重,改进了K-平均算法。并通过电信运营商客户通话数据进行试验,取得了预期的效果。

技术创新中的供需对接加权k-平均聚类

以加权k-平均聚类方法为工具,对技术创新中的供需对接进行聚类,促进技术转化。由实际应用环境,构造抽象空间中两点的加权距离函数,通过计算空间中每个点与k个簇中心距离进行聚类,并且讨论了不同参数组合对聚类结果的影响。仿真实验表明,所建模型具有合理性和求解过程的可行性。

基于深度特征K-平均字典的场景识别

计算机视觉中的中级词袋模型广泛采用滑动窗口作为图片的分割方法。然而由滑动窗口产生的图块充满随机性,部分图块并没有明显的语义含义,会给后续的聚类带来困难。针对这个问题,提出采用似物检测取代滑动窗口。同时,根据词袋模型字典设计中关于字典词区别性和代表性的思路,对K-平均算法进行了改进,并在MIT-67室内场景数据库中进行了测试,该方法取得了良好的效果,最好的结果为76.31。

一种基于K-平均簇划分算法的图像分割方法

给出了一种对簇分布近似球状分布的图像进行分割的有效算法,与其他算法相比,这种算法不但是一种阈值自适应分割算法,而且正确分割率较高。

K-平均算法的综合优化策略

在典型的空间聚类算法K-平均算法中,输入参数K一般为用户事先确定的值,在实际应用中K值很难精确地确定,同时算法执行时首先随机选取初始聚类中心,初始聚类中心选取的不同往往会导致算法陷入局部最优,使得聚类结果不够准确。本文提出将以上两个方面的优化结合起来进行优化的K-平均综合优化算法,对K-平均算法的综合优化问题进行了初步的研究。

基于K-平均值方法的入侵检测系统

介绍了入侵检测系统,将数据挖掘中的K-平均值聚类方法应用于入侵检测系统,对仿真实验的结果进行了分析,证明了将K-平均值方法用于网络入侵检测的可行性。

基于密度的自适应K-平均聚类算法在Web日志挖掘中的应用

针对目前面临的Web挖掘及个性化服务的主要挑战,研究了基本的聚类技术的K-平均算法,包括算法流程及其局限性。提出了改进的基于密度的自适应K-平均算法。其步骤包括初步分类和K均值迭代,以减少上述问题的影响,并提高聚类质量,最后通过Web日志上的聚类实验来验证其有效性。

一种新的K-Means蚁群聚类算法

针对蚁群聚类算法聚类质量不高的原因,使用K-M eans算法改进蚁群聚类规则,提出一种新的K-M eans蚁群聚类算法(KM-A n tC lust),并通过实验验证新算法的聚类效果。实验结果表明,新的算法可以明显提高聚类质量。

K-means聚类算法在入侵检测中的应用

提出了一种基于聚类分析方法构建入侵检测库的模型,实现了按K-平均值方法建立入侵检测库并据此划分安全等级的思想。该检测系统的建立不依赖于经验数据,能自动依据原有数据对入侵行为进行重新划分。仿真实验表明,该方法具有较强的实用性和自适应功能。

基于K-均值算法的植物彩色图像分割

图像的分割实质是将图像中的像素点依据对象的不同分为不同的类;应用经典的聚类算法即K-均值算法对植物彩色图像进行分割,实验结果表明:经该算法处理后能够将图像中的对象与背景分离开,并取得了较好的图像分割效果,拓宽了聚类图像分割算法应用的新领域。

基于SPSS和KNIME的K-means聚类结果研究

分别采用SPSS和KNIME软件分析了大样本和小样本两种数据集来比较不同的分析工具在运用K-means算法后得到的结论以及它们之间存在的差别,以期望对数据挖掘工具的选择带来指导作用。

K-means算法中k值优化问题研究

现有的分离系数、分离熵、紧致与分离性效果函数,反映的是对象与对象两两之间距离,而规划物业管理分处研究的是对象与类中心之间距离和类中心与全域中心之间距离,两者所研究的数学模型不同.针对规划物业管理分处个数求解问题,研究者新定义D函数、S函数以及L函数,提出L函数最小时的k值即最优k值.由于L函数是隐函数,无法用准确的数学式子描述与各种参数之间关系.借用函数曲线直观特性,用MATLAB工具绘制函数曲线,挖掘出函数特性以及与最优k值之间关系.用实验法证明了经验值k的取值为1~int(n^(1/2))是不准确的,有时可能漏掉了最优值,实验证明应该为1~int(n^(1/2))+1.讨论的k值优化算法,保证找出最优k值,大大缩小了求解最优k值的范围,节省了求解时间.

支持向量机优化基于K-means的蚁群聚类算法

基于K-means算法思想改进蚁群聚类算法聚类规则,提出一种新的K-means蚁群聚类算法,并通过实验验证其聚类效果;引入具有全局最优性的支持向量机SVM,取各类中心附近适当数据训练支持向量机,然后利用已获模型对整个数据集进行重新分类,进一步优化聚类结果,使聚类结果达到全局最优。UCI数据集实验结果表明,新的算法可以明显提高聚类质量。

一种改进的k-means聚类算法在入侵检测中的应用

讨论了经典的k-平均聚类算法,说明了它存在不能很好地处理符号数据和对噪声与孤立点数据敏感等不足,提出了一种改进的k-平均聚类算法,克服了k-平均聚类算法的缺点,并从理论上分析了该算法的复杂度。实验证明,用该方法实现的数据聚类与传统的基于平均值的方法相比较,能有效提高数据聚类效果以及入侵检测的准确度。

基于K-means的二阶段多类SVM分类器

提出了基于K-means的二阶段多类SVM分类方法。该方法分为二个阶段:第一阶段采用K-means聚类,通过抽样精度来提高聚类准确度;第二阶段采用LIBSVM进行分类。通过使用LIBSVM提供的语料进行实验,结果显示比直接使用LIBSVM进行分类准确度提高了9.35%。