基于PAM聚类的工业设计方案评价共识度达成方法

为提高工业设计方案评价结果的可信度,建立了评价群体共识度模型,引入围绕中心点的划分聚类算法处理设计方案评价中的"少数意见",通过形成意见簇促进评价群体对设计方案的认知沟通,以加速意见收敛。研究了围绕中心点的划分聚类原理,提出基于围绕中心点的划分聚类的工业设计方案评价共识度达成流程,以户外检测车的设计方案评价为例,验证了该方法能够在共识度不一致时,通过围绕中心点的划分聚类识别"少数意见",促进评价群体间的交流沟通,实现共识度的达成。最后,通过与K-均值算法的聚类效果比较,显示了该方法的优越性。

一种基于SOM和PAM的聚类算法

提出了一种基于自组织映射(SOM)算法和围绕中心点的划分(PAM)算法相结合的SOM-PAM聚类算法。该算法首先利用SOM算法对数据集进行“粗聚类”并得到簇数k;然后,根据簇数k再利用PAM算法对“粗聚类”结果进行聚类并得到最终聚类结果。通过实验表明,SOM-PAM算法具有比SOM算法更高的聚类效率和更好的聚类质量。

基于SOM-DB-PAM混合聚类算法的电力客户细分

针对电力客户具有客户数量大、存在孤立点等特点,提出一种适用于对大量电力客户进行快速聚类的SOM-DB-PAM混合聚类算法。该算法利用自组织映射神经网络训练输入数据,以获取代表输入模式且数据量远小于输入数据量的原型向量,使用围绕中心点的切分(PAM)对该原型向量聚类并用Davies-Bouldin指标判定最优聚类个数以保证聚类效果。实验结果表明,与传统聚类算法相比,该算法具有更高的分类正确率,当客户数量较大时,能实现对客户的快速、有效聚类,并减少人为指定聚类个数的盲目性和主观性。

智能制造系统可靠性与风险评估模型

针对智能制造系统的可靠性与风险评估问题,提出一种基于改进失效模式与影响分析(FMEA)的智能制造系统可靠性与风险评估模型。从创新运用组合权重、逼近理想解排序法思想和模糊多准则妥协解排序法的角度对传统FMEA模型进行改进;基于逼近理想解排序法思想得到专家权重,减少了专家团队对失效模式风险因子分析过程中的个体差异;使用模糊层次分析法和熵权法分别计算风险因子的主观和客观权重,减少了风险因子确定的主观性。最后,运用围绕中心点划分(PAM)聚类算法对改进模型得到的结果进行分析,并应用于智能制造系统风险评估中,确定了智能制造系统中各失效模式的重要程度,通过比较分析验证了改进模型的有效性。

基于PAM和均匀设计的并行粒子群优化算法

聚类技术是数据挖掘中的一个重要方法,PAM(Partitioning Around Medoids)是基于分区的聚类算法的一种,它试图将n个数据对象分成k个部分。在并行粒子群PSO(Particle Swarm Optimization)算法中,需要划分整个种群为几个相互不重叠的子种群。因此,引入PAM来划分整个种群。通过聚类,相同子种群的粒子相对集中,从而能够较容易地相互学习。这使得有限的时间能够花费在最有效的搜索上,以便提高算法的搜索效率。为了均匀地探测整个解空间,引入均匀设计来产生初始种群,使种群成员均匀地分散在可行解空间中。进化过程中,均匀设计也被引入来替换种群中的较差个体。提出基于PAM和均匀设计的并行粒子群算法,它结合并充分利用了二者的优点。对几个测试问题的实验结果证明,提出的算法比传统的并行粒子群算法具有更高的性能和更好的收敛准确性。

Robust的分布式k中心聚类算法的研究与实现

并行处理的研究在数据挖掘中是十分必要的。在理论分析的基础上,提出在对经典串行PAM算法进行并行时应如何从局部聚类信息生成完备的全局聚类信息,据此提出了算法DPAM,在提高计算性能的同时,使聚类质量等价于相应串行PAM算法。为提高并行算法的执行效率,还介绍了如何减小计算结点间通信的代价。最后对提出的算法进行性能分析和实验,说明该算法是高效可行的。

核函数在划分聚类中的应用与实现

聚类是数据挖掘的一种重要方法,核函数是能够将低维不可分的数据映射到高维空间进行线性可分时能够降低数据处理难度的重要手段。介绍了聚类算法和核函数的特点。通过引入基于核函数的相似性测度,对k-平均聚类算法和围绕中心点的划分(PAM)算法在Matlab上做了改进和实现。

基于代表性数据的决策树集成

为了获得更好的决策树集成效果,在理论分析的基础上从数据的角度提出了一种基于代表性数据的决策树集成方法。该方法使用围绕中心点的划分(PAM)算法从原始训练集中提取出代表性训练集,由该代表性训练集来训练出多个决策树分类器,并由此建立决策树集成模型。该方法能选取尽可能少的代表性数据来训练出尽可能好的决策树集成模型。实验结果表明,该方法使用更少的代表性数据能获得比Bagging和Boosting还要高的决策树集成精度。