一种基于人工免疫系统的聚类算法

根据数据分析中聚类判断所遵循的原则,模拟抗体捕获抗原的机制,提出了一种基于人工免疫系统的聚类算法,最终可以获得全局最优解,并且具有本质上的并行性、计算效率高和聚类能力强等优点。

一种基于人工免疫系统的聚类算法

该文根据数据分析中聚类判断所遵循的原则,模拟抗体捕获抗原的机制,提出了一种基于人工免疫系统的聚类算法。该方法最终可以获得全局最优解,并且具有本质上的并行性、计算效率高、聚类能力强等优点。

混合属性数据聚类的新方法

提出了一种数值型和类别型混合属性数据聚类的全局算法。算法通过随机选取足够多的初始原型来覆盖数据集的全局分布信息,然后通过评估函数迭代地消去多余的原型。最后对本文算法进行了验证,证明了该算法的有效性和收敛性。并与其他已有同类型算法的聚类结果进行比较,说明本文算法对混合属性数据具有更高的聚类准确度,为解决混合型数据聚类问题提供了一种新途径。

基于人工鱼群算法的聚类挖掘

聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同种类。目前聚类分析算法普遍存在对初始参数敏感,难以找到最优聚类以及聚类有效性等问题。人工鱼群算法作为一种新型仿生优化算法,具有良好的克服局部极值和获得全局极值的能力。引入聚类数学模型,结合现有人工鱼群算法的特点和聚类算法理论,通过模拟鱼群的智能行为进行聚类分析,提出了一种基于人工鱼群算法的聚类挖掘方法。对空间数据的实验和蚁群算法的对比研究表明,该算法具有良好的聚类效果。

基于Boltzmann选择的人工蜂群KFCM算法

为提高算法的搜索效率、减少搜索过程中陷入局部最优的现象,将人工蜂群算法用于核模糊C-均值聚类,但在聚类数比较大和维度较高时效果不太好,为此引入Boltzmann选择机制代替轮盘赌的选择方式,并采用小区间生成法使初始群体均匀化,使得该算法的全局寻优能力更强,有效克服了KFCM算法易陷入局部最优的缺点.实验结果表明,对于聚类数比较大、维度较高的数据样本,新算法与FCM和KFCM聚类算法相比,聚类效果更准确,效率更高,迭代次数更少.

人工蜂群算法的改进及应用

针对人工蜂群算法容易陷入局部最优值,收敛到最优解速度慢的缺点,通过使用固定步长和可变步长,定义采蜜蜂搜索食物源的公式,提出了一种改进的人工蜂群算法.对四个标准测试函数仿真表明该改进算法提高了算法的优化性能.为了改善数据挖掘中聚类算法效率,从人工蜂群算法评价函数入手,使用凝聚度函数、分散度函数,将改进的人工蜂群算法用于解决聚类问题,对三个数据集测试表明新算法在聚类准确率方面有一定提高.

用于精准预测的人工蜂群聚类数据挖掘算法研究

为了提高数据挖掘算法的查全率,为精准预测工作提供更加精准的数据支持,利用人工蜂群聚类技术在传统数据挖掘算法的基础上进行优化设计。针对不同的精准预测任务准备对应的数据样本,并通过选择、预处理和数据转换三个步骤,实现对初始样本数据的处理。利用人工蜂群聚类技术分类样本数据,并剔除离群数据。在设置关联规则的约束下,得出数据挖掘结果。通过算法性能的测试对比实验得出结论:与传统的数据挖掘算法相比,人工蜂群聚类数据挖掘算法的查全率提高了1.3%,将其应用到精准预测工作中,可以有效的降低预测误差。

利用聚类算法建立免疫模型自我库

基于误用的入侵检测和基于异常的入侵检测是入侵检测的两种常用技术。目前大多数的入侵检测系统没有检测未知入侵的能力,甚至对已知入侵的微小变化也显得无能为力。人工免疫系统虽然可以较好地解决这一问题,但其本身也存在着难以建立自我库的难点。作为一种数据挖掘技术,聚类算法可以有效建立两种入侵检测技术之间的联系,在收集大量实际数据的基础上得到自我、非我库的初始输入集,使人工免疫系统和实际的入侵更好地匹配。

数据挖掘方法及其在医学领域中的应用

简单扼要地介绍了数据挖掘中各种方法如关联分析、聚类分析、决策树方法等的相关内容和它们在医学领域中的主要应用。

数据挖掘中聚类算法综述

大数据时代,如何对海量的数据进行有效的聚类、分析和预测,解决用户信息超载的问题已成为重要的研究课题。聚类算法作为数据挖掘的重要技术,已被广泛应用在数据分析、客户细分、人工智能等领域。本文在分析五类传统聚类算法的研究现状基础上,综述了一些新发展的聚类算法。归纳总结了已有聚类算法存在的问题,并从搜索引擎领域、个性化推荐领域与人工智能领域三个方面探讨聚类算法的发展方向。

基于聚类算法的入侵检测技术

讨论入侵检测系统的基本技术,探讨基于智能技术的入侵检测方法,提出基于聚类算法的入侵检测系统。从实验结果来看,该入侵检测系统检测率高,误警率低,能有效满足用户的需求。