改进的全局K′-means算法及其在数据分类中的应用

为了解决初始聚类中心的选择、簇个数的确定以及孤立点的避免等问题,提出了一种改进的全局K′-means算法.改进的算法不仅能够利用辅助聚类函数来计算初始点,而且能够利用目标函数在没有预定义聚类个数的前提下,找到实际的聚类中心个数,同时避免了孤立点问题.将改进的算法应用到实际数据集的分类中,并与改进的全局K-means算法以及K′-means算法进行了比较,实验结果证明所提出的算法能获得更好的聚类结果.

一种基于改进PSO的K-means优化聚类算法

针对传统的K-means算法对初始聚类中心的选取敏感、容易收敛到局部最优的缺点,提出一种基于改进粒子群优化算法(PSO)的K-means优化聚类算法。该算法利用PSO算法强大的全局搜索能力对初始聚类中心的选取进行优化:通过动态调整惯性权重等参数增强PSO算法的性能;利用群体适应度方差决定算法中前部分PSO算法和后部分Kmeans算法的转换时机;设置变量实时监控各个粒子和粒子群的最优值变化情况,及时地对出现早熟收敛的粒子进行变异操作,从而为K-means算法搜索到全局最优的初始聚类中心,使聚类结果不受初始聚类中心影响,易于获得全局最优解。实验结果表明文中提出的改进算法与传统聚类算法相比具有更高的聚类正确率、更好的聚类质量及全局搜索能力。

基于全局K-means算法的高校学生成绩分析

采用无监督聚类算法实现对学生成绩的评价分析。在给定的聚类个数区间内,全局K-means聚类算法对学生成绩数据进行聚类,得到不同聚类个数下的成绩分类结果;结合聚类有效性指标自动地确定出最佳聚类数目,实现对学生多科成绩数据的无监督分类。实验结果表明,本方法能够发现不同成绩聚类结果之间的差异,揭示影响数据分布的主要因素,平衡了数据的所有属性对最终的分析结果的影响,同时避免了手动分析中结果容易产生较大偏差的问题。对指导学生选修课程、教师对个人的教学方法进行调整以及改善学校教学质量和提升学生成绩都具有重要作用。

融合快速全局K-means与区域合并的图像分割

提出一种融合快速全局K-means与区域合并的图像分割方法。该方法利用中值滤波方法对图像去噪;运用快速全局K-means算法对图像的颜色空间进行聚类分析;结合区域合并准则,对初始分割合并得到最终的分割结果。实验表明,与同类算法比较,该方法的分割结果在图像细节方面能够很好地满足人的主观视觉。

基于搜寻者优化算法的K-means聚类算法

针对K-means聚类算法易陷入局部最优的问题,提出一种改进的K-means算法,将搜寻者优化算法(SOA)和K-means聚类算法结合起来,利用SOA鲁棒性好、全局搜索能力强的特点,通过确定搜寻者的搜索方向和搜索步长,更新搜寻者的位置,进行全局寻优,提高K-means聚类算法的聚类精确度。在仿真实验过程中,首先,选取具有代表性的处于三种燃烧状态的水泥回转窑窑内视频图像为研究对象,分别采用K-means算法和改进后的算法进行仿真实验,实验结果表明,改进算法所获得的图像聚类效果更加精确;然后,分别用上述两种算法对数据集Iris和Wine进行相关测试,结果表明,改进算法的聚类精确度和运行效率都得到了有效提高。

基于动态隧道系统的K-means聚类算法研究

针对K-means聚类算法易陷入局部极小的问题,利用动态隧道算法在解决全局最优化问题中的有效性,将算法中的动态隧道过程引入到K-means聚类算法中,提出了一种基于动态隧道算法的K-means聚类算法。该算法在K-means聚类算法寻优得到的局部极小值基础上,利用动态隧道过程寻找更小的能量盆地,再将其值提交给K-means聚类算法进行迭代寻优,重复该过程,直到找到全局最小值。理论分析和仿真实验证明,该算法的聚类效果要优于K-means聚类算法。

引入全局算法的小批量K-Means

提出一种引入全局算法的小批量K-means.算法应用全局搜索算法,解决在大数据情况下运算耗时问题和传统K-means对初始中心点敏感的问题.实验结果表明,该方法在获得最佳结果的前提下可以节省大量的计算时间.

基于全局性分裂算子的进化K-means算法

进化算法可以有效地克服K-means对初始聚类中心敏感的缺陷,提高了聚类性能。在进化K-means聚类算法(F-EAC)的基础上,针对其变异操作——簇分裂算子的随机性与局部性,提出了两个全局性分裂算子。结合最大最小距离的思想,利用待分裂簇的周边簇信息来指导簇分裂初始点的选择,使簇的分裂更有利于全局划分,以进一步提高进化聚类的有效性。实验结果表明,基于全局性分裂算子的算法在类数发现及聚类精度方面均优于F-EAC。

大数据挖掘中的K-means无监督聚类算法的改进

针对K-means聚类算法简单,并且收敛速度比较快的问题,提出基于大数据挖掘的K-means无监督聚类算法。此算法设置一定范围,在迭代次数不断动态增加中,交叉算法增加,从而使算法在迭代过程中实现全局搜索,再实现局部搜索,有助于平衡算法全局寻优及局部搜索能力,使算法收敛速度加快。对K-means聚类算法和标准差分进化算法进行分析,提出K-means聚类算法的改进,给出算法改进的步骤,利用实验对算法进行仿真。通过仿真结果表示,此算法聚类效果良好,聚类划分精度和稳定性高,还具有较高的稳定性。

混合PSO的K-means算法在B2C电子商城客户细分中的应用研究

因B2C电子商务的竞争对个性化服务提出更高的要求,该文以某B2C电子商务网站建设为研究背景,结合粒子群优化算法与K-means算法,以改进K-means算法陷入局部最小和对初始聚类中心敏感的缺陷,并应用到本文电子商务网站客户细分中,得到具有不同特征的客户群组,方便企业对客户进行针对性推荐服务,用有限的资源提高客户购买量,提高企业效益。理论分析和实验结果表明本算法具有较优的全局收敛性且收敛速度快的特点。

一种基于K-Mean算法的移动应用兼容性测试方法

随着移动应用市场的快速发展,移动应用兼容性测试问题日显突出和紧迫。本文提出了一种基于K-Mena算法的移动应用兼容性测试设备选择方法。该方法首先建立移动应用兼容性测试设备的特征树模型,确定各个基本特征的测试值,定义初始K值和中心点。然后给出一种基于设备特征树模型的特征距离计算方法。最后基于K-Mean聚类算法,对移动设备进行聚类,从各个聚类中选择适合的移动应用兼容性测试设备。通过实例进行验证分析,结果表明该方法能够帮助测试人员选择适合的测试设备,从而降低测试成本,提高测试效率和测试质量。

ML组合的CYGNSS海面风速反演质量控制模型

卷积神经网络(CNN)可用于气旋全球导航卫星系统(CYGNSS)的海面风速反演。虽然在模型训练前设置了质量控制指标来检测和削弱CYGNSS的异常观测数据,但CYGNSS观测数据中仍存在异常值导致模型反演精度降低,甚至出现错误反演结果。因此,提出一种基于机器学习(ML)组合的海面风速反演模型。在基于CNN回归模型的CYGNSS反演海面风速基础上,ML分类模型生成CNN回归结果的质量标志位,该标志位可以检测并删除CNN回归结果的异常值,进一步提高风速反演结果的数据质量,ML分类模型能够更好地考虑各种数据误差之间的相互作用,而不是单独使用每个条件的阈值,以达到更优的海面风速反演精度的效果。实验对比了Logistic回归(LR)、决策树(DT)、朴素贝叶斯模型、K最邻近(KNN)算法、神经网络(NN)模型、支持向量机(SVM)算法等6个分类模型,其中,基于KNN算法的分类模型对风速反演质量控制的效果最优。所提风速反演组合模型显著提高了反演结果的精度,在0~20 m/s区间内,异常样本过滤率为81.27%,在所有被过滤的数据中,过滤正确率为86.03%;风速反演误差的均方根误差从无ML分类模型的1.7 m/s降低到有ML分类模型的1.44 m/s,其中,训练样本为0~10 m/s的反演结果精度提升效果较为明显,证明了所提风速反演组合模型对风速质量控制的有效性。

一种基于差分演化的K-medoids聚类算法

针对传统的K-medoids聚类算法具有对初始聚类中心敏感、全局搜索能力差、易陷入局部最优、收敛速度缓慢等缺点,提出一种基于差分演化的K-medoids聚类算法。差分演化是一类基于种群的启发式全局搜索技术,有很强的鲁棒性。将差分演化的全局优化能力用于K-medoids聚类算法,有效地克服了K-medoids聚类算法的缺点,缩短了收敛时间,改善了聚类质量。通过仿真验证了此算法的稳定性和鲁棒性。

基于K-近邻算法的文本情感分析方法研究

为了识别网络文本的情感倾向性,通过分析文本结构以及情感表达的特点,提出了一种基于K-近邻的文本情感分析方法,将整个文本的情感划分为局部情感和全局情感。建立条件随机场模型,确定文本中的局部情感,通过K-近邻算法计算文本的全局情感。实验结果表明,与传统机器学习方法相比,该方法能细粒度、多层次的分析文本的情感,同时能有效提高情感分析的准确率。

粒子群的K均值算法在电信客户细分中的应用

在K均值算法中,对于随机的初始值选取可能会导致不同的聚类结果,甚至存在着无解的情况;还有该算法是基于梯度下降的算法,因此不可避免地常常陷入局部极优。针对K均值聚类算法存在的缺点,提出了一种新的聚类算法——基于粒子群的K均值聚类算法,理论分析和实验表明该算法有较好的全局收敛性,能有效地克服传统的K均值算法易陷入局部极小值的缺点,采用改进后聚类算法对电信客户数据进行聚类分析,得到具有不同特征的客户群组,聚类结果分析更合理清晰,更便于对不同群组采取不同的经营策略,为管理者提供了合理的决策支持。

基于GPU的K-近邻算法实现

K-近邻计算在数据集规模较大时计算复杂度较高,因此,利用图形处理器(GPU)强大的并行计算能力对K-近邻算法进行加速。在分析现有K-近邻算法的基础上,针对该算法时间开销过大的问题,结合GPU的体系结构特征实现基于GPU的K-近邻算法。利用全局存储器的合并访问特性,提高GPU全局存储器访问数据的效率,通过事先过滤数据的方法来减少参与排序的数据量,进而减少排序阶段的线程串行化时间。在KDD,Poker,Covertype 3个数据集上进行实验,结果表明,该实现方法在距离计算阶段每秒执行的浮点运算次数为266.37×109次,而排序阶段为26.47×109次,优于已有方法。

一种高效的全局K-均值算法

针对全局K-均值算法时间复杂度大的问题,提出一种增量选择初始聚类中心的新方法。选择数据集中周围分布最密集的样本作为第一个初始聚类中心,选择最小化目标函数贡献大,并且和已有聚类中心距离远的样本作为下一个初始聚类中心。改进算法减少了增量选取初始聚类中心时的计算量,降低了时间复杂度。实验证明,改进算法与全局K-均值算法、快速全局K-均值算法相比,在不影响聚类效果的基础上,减少了聚类时间,与优化初始聚类中心的算法相比,聚类效果更优。

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,提出一种混合K-调和均值聚类算法(G-KHM)。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-means聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好的效果。

基于障碍物群的k全局相异最优有序路径查询

提出障碍k全局相异最优有序路径的查询问题,利用可视图的思想给出近似查询算法,通过作用集与障碍角度点的引入有效地减少构造可视图障碍对象的数量,分析查询点和数据点构成的线段与可视图的顶点和弧的关系,减少内部障碍路径的计算次数,实现算法的全面优化。实验结果表明,该算法具有较好的性能。

基于K-均值的“教”与“学”优化算法

在解决复杂多峰优化问题时,传统的"教"与"学"优化算法易于陷入局部搜索且优化效率较低。针对此问题,提出了一种基于K-均值的"教"与"学"优化改进算法,算法采用K-均值来降低种群规模,又针对"教"和"学"两个阶段进行相应改进,提高全局收敛速度;还加入了"变异"操作来避免算法陷入局部最优。实验对7个单峰值优化问题和2个有代表性的多峰值优化问题进行优化,并与手榴弹爆破算法和传统"教"与"学"优化算法进行比较,实验结果表明,该改进算法在单峰和多峰测试函数中,均能快速高效地寻得全局最优解,优于原始"教"与"学"优化算法。