初始中心优化的K-Means聚类算法

1.引言 聚类分析(clustering)是人工智能研究的重要领域.聚类方法被广泛研究并应用于机器学习、统计分析、模式识别以及数据库数据挖掘与知识发现等不同的领域.

基于改进K-means聚类的在线新闻评论主题抽取

新闻评论反映民众对新闻事件的观点,抽取评论主题,对用户、企业、政府都具有很高的情报分析价值。基于K-means聚类的主题挖掘算法应用到新闻评论中时,在欧氏距离下,如果使用最大距离法选初始点则会聚成一大类。为解决这个问题,论文首先在预处理阶段增加同义词替换和自动构建领域词典的部分,改善了数据稀疏性和高维性。其次,提出了K-means改进算法,用隐藏长评论-最大距离法选初始点,解决了初始点多为离群点的问题,用方差拐点确定K值,解决了预先设定聚类个数的问题,实验发现了先用BW权重选初始点,再用新提出的BW-DF权重聚类的效果最好。最后,将改进算法与原算法的聚类效果比较,实验结果表明,改进算法准确率高,抽取新闻评论主题的效果明显。

K-means聚类与SVDD结合的新的分类算法

为了提高支持向量数据描述(SVDD)的分类精度,引入局部疏密度提出了改进的SVDD算法。该算法提高了分类精度,但增加了计算复杂度。为此,先用K-means聚类将整个数据集划分为k个簇,再用改进的SVDD算法并行训练k个簇,最后再对获得的k个局部支持向量集训练,即得到最终的全局决策边界。由于采用了分而治之并行计算的方法,提高了算法的效率。对合成数据(200个)和实际数据的实验结果表明,所提算法较SVDD算法,训练时间降低为原来的10%,分类错误率较原来的降低了近一半。因此,所提算法提高了分类精度和算法效率。

一种改进的K-means聚类彩色图像分割方法

图像分割是从图像处理到图像分析的关键步骤.图像分割的目的是将图像分割为多个互不重叠且又各具特性的区域,主要应用于图像压缩、目标提取、模式识别等.以往的图像分割技术主要应用于灰度图像,随着计算机技术的进步,彩色图像分割逐渐受到关注.该文在前人对彩色图像分割问题的大量研究成果基础上,提出了一种将K-means聚类、蚁群算法以及分水岭算法相结合的分割方法.本方法有效的克服了聚类数目必须依据先验知识提前设定、最初的聚类中心是随机选取的、聚类的效果好坏依赖于距离判定公式的缺陷.

一种优化初始中心的K-means聚类算法

针对传统K-means聚类算法对初始聚类中心的敏感性和随机性,造成容易陷入局部最优解和聚类结果波动性大的问题,结合密度法和最大化最小距离的思想,提出基于最近高密度点间的垂直中心点优化初始聚类中心的K-means聚类算法。该算法选取相互间距离最大的K对高密度点,并以这K对高密度点的均值作为聚类的初始中心,再进行Kmeans聚类。实验结果表明,该算法有效排除样本中含有的孤立点,并且聚类过程收敛速度快,聚类结果有更好的准确性和稳定性。

基于改进K-means聚类和量子粒子群算法的多航迹规划

针对在复杂环境下需要通过多航迹规划以实现武器协同的问题,利用排挤机制产生Kmeans聚类的初始聚类中心,并将改进K-means聚类与量子粒子群算法(QPSO)相结合应用于无人机的三维多航迹规划。改进算法解决了K-means聚类易陷入局部最优、聚类准确率低的问题。根据产生的初始聚类中心,将粒子划分成多个子种群,利用QPSO算法对每个子种群进行优化,使得每个子种群可以产生一条可行航迹。仿真分析证明了改进算法可以有效保证子种群之间的多样性,生成较为分散的多条可行航迹。

基于K-means聚类的纺织品印花图像区域分割

对纺织品彩色印花图像进行颜色区域分割.将彩色纺织品印花图像转换到CIEL*a*b颜色空间,用K均值聚类分析算法对描述颜色的a*和b*通道进行聚类分析;通过提取各个颜色区域独立成为单色的新图像,对彩色纺织品印花图像进行分割处理.实验结果表明,在CIEL*a*b空间使用K-means聚类算法可以有效地分割彩色纺织品图像的颜色区域.

用核K-means聚类减样法优化半定规划支持向量机

提出了使用核空间K-means聚类算法从训练集中抽取特征边界支持向量集,在边界集上构造支持向量机的半定规划问题,由于边界集的规模比原始训练集要小,降低了半定规划支持向量机的规模,达到优化向量机的目的.在UCI数据集上的实验结果表明:所提优化方法在求解多核半定规划向量机时,比原始方法获得几倍以上的速度提升,分类精度基本不变.

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。

改进的K-Means聚类算法在保险客户信用分析中的算法实现

针对保险业对客户信息的分析中缺乏考虑客户信用分析的问题,根据聚类分析算法理论和保险公司客户数据库特点,进一步对K-means聚类算法在大样本环境下初始聚类中心的选取提出有效改进,同时选取一家财产保险公司的客户信用数据,来探讨聚类算法在保险客户信用分析中的应用.

基于复合形遗传算法的K-means优化聚类方法

针对基本遗传算法所存在的缺点和不足,提出了一种改进的遗传算法———复合形遗传算法,并将其用于K-m eans优化聚类。把复合形法嵌入到遗传算法中,利用复合形法对遗传算法群体中的部分个体进行处理,来改善种群的质量,以加快最优解的搜索进程。该方法既有复合形法快速高效的特点,又有遗传算法全局性好的特点。算例的结果表明,该方法用于改进K-m eans优化聚类是可行的与有效的。

基于组合优化方法的K-means聚类算法实现

针对标准遗传算法用于K-means优化聚类存在的问题,提出了一种基于组合优化方法的K-means聚类算法.实验结果表明:基于组合优化方法的K-means优化聚类算法效率较高,结果较好.

基于K-means聚类算法的沥青烟电除尘器火花分析

为了保证沥青烟电除尘器的除尘效率、降低除尘设备的火灾风险,采用了K-means聚类的方法分析ESP放电信号。首先将ESP伏安特性曲线的二维空间进行了分割,确定了不同运行状态与聚类中心的关系,然后使用K-means聚类算法计算其聚类中心,最后根据当前ESP输入参数与各个聚类中心欧氏距离的关系,从而判断出ESP是否处于火花放电状态。仿真结果表明该方法可以准确地判断出所有火花放电信号。

基于最小方差的K-means用户聚类推荐算法

协同过滤推荐算法是一种传统的推荐技术,具有简单高效的特点,在实际中有广泛的应用,获得了大量研究者的青睐。虽然传统的协同过滤推荐算法在一定程度上缓解了用户当前所面临的信息超载问题,但其在处理大数据时存在的数据稀疏性和扩展性等问题却日益突出。于是,提出了一种基于最小方差的K-means用户聚类推荐算法。在缓解数据稀疏性方面,利用Weighted Slope One算法对初始用户—项目评分矩阵进行有效填充,降低了数据稀疏性;在提高算法扩展性方面,采用基于最小方差的K-means算法对用户评分数据进行聚类,将相似的用户聚到一起,减小目标用户的最近邻搜索空间,提高了算法扩展性。通过在Movie Lens数据集上的对比实验,结果表明,相比于传统的协同过滤推荐算法,改进算法具有更高的推荐准确度。

基于K-means聚类点密度的WSNs加权质心定位算法

为降低无线传感器网络(WSNs)在节点众多时算法复杂度,提高定位精度,提出一种基于K—means聚类点密度的WSNs加权质心定位算法(KCPD—WCLA)。首先,对空间中随机大量布设的锚节点进行分组,利用三边测量定位法在二维平面上得到许多接近真实值的结果;然后将K—means聚类算法引入到WSNs的定位问题中,对K个聚类点密度加以考虑,利用加权质心定位算法(WCLA)得到定位结果。理论分析与仿真结果表明:计算复杂度明显降低,定位精度比多边定位算法(MLA)和WCLA有显著提高。

结合k-means聚类和Hough变换的原木根数统计方法

为了准确识别原木端面区域,在RGB颜色空间和Lab颜色空间对装载原木车辆的图片进行k-means算法以实现原木端面区域与背景的分离,实验证明:基于Lab颜色空间中a(红/绿)、b(黄/蓝)层信息进行k-means聚类分割,能够正确识别原木端面区域的阴影部分.在原木根数的统计中,Hough变换圆检测方法能够较好地解决原木轮廓偏离圆形及边缘相交的问题.K-means聚类结合Hough变换可实现原木根数的统计,能提高人工统计根数的效率.

基于优化粒子群K-means聚类算法在风功率预测中的应用

由于风的间隙性、随机性、波动性很大,为了提高电网运行稳定性,有必要进行风功率预测。由于风电机组在实际当中运行受地理环境因素的限制,所以传统风电场建模进行风功率预测的方法不再适用,而通过K-means聚类算法求取风电机组的风速-功率曲线虽然准确性有所提高,但由于k-means聚类中心随机选择,仍然存在很多缺陷。本文提出利用优化粒子群的K-means聚类算法进行风功率预测,通过仿真结果验证了利用优化粒子群的K-means聚类算法进行风功率预测的准确性要比传统的方法以及K-means聚类算法的准确性高。

基于K-means聚类的RGBD点云去噪和精简算法

针对Kinect等深度相机扫描获取的点云数据数量庞大、噪声较多的问题,提出一种特征保持的点云去噪和精简算法。使用K-D树快速分类点云;通过曲率估计算法得到局部曲面的曲率值;使用K-means聚类算法对点云进行聚类,对每个类中的点,根据点到聚类中心的欧式距离和邻近点曲率变化判断是否为噪声点;通过保持特征的点云精简算法实现对点云数据的简化。实验结果显示,算法快速有效,对于去除大量外部噪声有良好效果,且精简后的点云数据保持了原始点云特征。

结合级联仿射变换和K-means聚类的全局运动估计

视频稳像中全局运动的提取过程常会受到局部运动的干扰。针对这一问题,提出一种结合级联仿射变换和K-means聚类的全局运动估计方法。首先,利用加速鲁棒性特征算法(SURF)匹配帧间特征点,并建立二维特征空间。然后通过K-means聚类法剔除误匹配点对,最后采用级联仿射变换模型计算出帧间全局运动估计,消除了视频中的局部运动,获得了稳定的视频序列。

基于K-means聚类的光纤环边缘提取算法

光纤环是光纤陀螺中引起的两相向传播光波之间的Sagnac相位差的部件,光纤环如何缠绕将对光纤陀螺的测量精度产生直接影响。本文提出一种基于K-means聚类的光纤环边缘检测识别算法,通过与常见边缘提取方法的比较,发现用K-means聚类算法能够准确的找出初始簇中心,可以比较准确完整的将光纤环边缘轮廓从背景中分割出来,并具有较强的抗噪性。