基于加权欧式距离的k_means算法研究

传统的k_means算法将欧式距离作为最常用的距离度量方法.针对基于欧式距离计算样本点与类间相似度的不足,用"相对距离"代替"绝对距离"可以更好地反映样本的实际分布,提出一种在领域知识未知的情况下基于加权欧式距离的k_means算法.针对公共数据库UCI里的数据实验表明改进后的算法能产生质量较高的聚类结果.

快速查找初始聚类中心的K_means算法

传统的k_means算法对初始聚类中心十分敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优.为消除这种敏感性,针对k_means算法,提出了一种新的基于数据样本分布选取初始聚类中心的方法,对公共数据库UCI里面的数据实验表明改进后的k_means算法能产生质量较高的聚类结果,并且消除了对初始输入的敏感性.

用户兴趣实例模型与K_means算法的改进

Web检索越来越重要,但检索的效率和准确性始终成为当前面临的主要问题。本文提出了一种用户兴趣模型,以用户感兴趣的实例文档作为用户兴趣的表示方法。接着提出一种以实例文档为聚类中心的K-means聚类算法。实验证明具有较好的准确性和较高的效率。

基于混沌剑鱼算法的K_means算法

传统K-means聚类算法容易受到初始聚类中心影响,从而导致聚类准确度较差的问题,本文利用剑鱼优化算法全局搜索能力强、收敛速度快的优势,提出一种基于改进剑鱼算法的K-means聚类算法。为增强剑鱼优化算法全局搜索能力,采用Tent混沌序列初始化种群,利用Tent混沌序列遍历性、随机性和规律性提高初始解的质量;为了提升算法搜索的精度,引入高斯变异,以此增强算法局部搜索能力;为了促使算法在跳出限制后继续搜索,在搜索停滞的解的基础上生成Tent混沌序列,用Tent混沌序列对部分陷入局部最优的个体进行扰动。最后,在9个标准测试函数上进行仿真实验,验证了所提算法的优越性;通过与传统K_means聚类算法在UCI数据集上聚类结果的对比,证明所提出的聚类算法具有更好的聚类性能,可以有效降低初始聚类中心对K-means算法的影响。

基于布谷鸟算法优化K_means聚类的缺失数据填充算法

针对K_means聚类算法对初始参数较敏感且相对容易出现局部最优解的问题,提出基于布谷鸟算法优化的K_means聚类算法,并将优化后的K_means聚类算法与条件均值填充算法相结合,递归地填充缺失数据。实验结果表明:与传统算法相比,基于布谷鸟算法优化K_means聚类的缺失数据填充算法具有更好的效果。

基于改进的K_Means算法的城市高架桥交通流分析

将数据挖掘技术应用到合肥市金寨路高架桥的交通流分析中。分析研究了聚类中已有的K_Means算法的不足,对算法中聚类中心初始化问题进行了改进,通过对聚类结果的分析研究,得到该高架桥的一些交通特性。这些信息可以使高架桥的管理更安全有效,也可以方便驾车人员的出行,对城市道路规划也有参考意义。

入侵检测技术中k-means聚类算法综述

聚类是入侵检测中重要技术之一,本文对入侵检测技术中k-means聚类算法进行了分类分析,分析了各种改进的k-means聚类算法的优点及其在入侵检测技术中的应用。

一种LEACH协议的改进算法LEACH_EH

根据LEACH协议的特点和局限性对其进行了改进,提出了一种LEACH_EH(LEACH EAHANCE)算法。它使用K_MEANS算法对簇进行一次性分簇,之后结合节点到簇内质心距离与节点自身剩余能量选举出簇头。它将簇形成的顺序由先簇头后成簇变为先成簇后簇头,形成一次分簇多次选举簇头的模式。通过MATLAB进行仿真,实验结果表明,改进后的算法比原来的协议在节点能量均衡方面有了较大的提升,延长了网络生存周期。

基于历史的动态手势识别

基于表观建模的方法是当前手势识别的主流,我们采用基于历史的手势表示方法,用皮肤历史图像建立手势表观模型,然后用原型模板匹配的方法进行手势识别,并使用切线距离来进行测试样本与模板之间的相似性度量,以消除视觉敏感问题.实验结果表明,该方法显著地提高了识别准确率.

基于数据挖掘的电动汽车用户细分及价值评价方法

用户细分可以掌握不同电动汽车用户充电行为的特征及其之间的差异性,对充电服务运营企业具有重要意义。基于运营管理系统迅速积累的大量充电服务数据,对全量数据进行探索性分析,筛选出细分模型关键变量,给出了基于数据挖掘技术和K均值(K_MEANS)聚类算法的电动汽车用户细分方法,提出了电动汽车用户价值评价方法。针对北京地区电动汽车用户开展分析并得到用户行为特征及价值评价结果。相关结论可为运维管理机制优化和精准营销策略制定提供数据支撑。

基于改进K＿means的发动机状态评估方法

针对目前在缺少先验知识和小样本条件下,进行发动机状态评估难度大的问题,本文中提出了一种基于改进K_means聚类算法的发动机状态评估方法。该方法利用K_means算法的基本原理,避免了评估过程中主观因素的影响;提出相关性指标,对算法进行改进,根据特征参数性质赋予其相应权重;提出最小方差启发式初始聚类中心优选方法,避免小样本条件下初始聚类中心选择中孤点和噪声点的干扰;并充分利用Bootstrap小子样统计方法削弱了试验样本的随机性对评估模型的影响。最后通过实例评估,验证了该方法的可行性和有效性,与传统方法相比,该方法具有更强的客观性与稳定性。

聚类分析在桥梁监测异常数据处理中的应用

桥梁监测工程中,数据累积的问题日渐显现,对数据进行及时快速的处理甚为重要。作为新兴的现代化大数据处理技术,数据挖掘可以从数据库中发现隐含的、有意义的知识模式,可以反映不同事物之间的属性差别。引入数据挖掘中的聚类分析进行桥梁监测数据的异常判别,并设定合理阈值作为剔除异常监测数据的依据,为海量监测数据的处理提供了一条可靠道路。

壳体曲面的机械臂喷涂路径规划方法研究

机械臂喷涂轨迹依靠示教模式与离线编程系统生成,人工示教需要多次实验调整,费时费力,传统的路径规划方法较难捕捉复杂的壳体外表面的特征,喷涂路径仍然依赖于操作者经验,所以应用一种新型机械臂喷涂轨迹规划方法来实现壳体外表面的喷涂,应用改造K_means聚类算法将曲面分成数个较为简单的子片,以涂层均匀性为目标确定子片喷涂轨迹与喷枪模型参数,将子片之间的连接顺序定义为旅行商(Traveling Salesman Problem,TSP)问题,应用蚁群系统对子片喷涂顺序进行搜索,实验结果表明该方法能够生成所有子片的完整的喷涂路径,并且在喷涂时间上具有明显优势。