基于遗传算法和k-medoids算法的聚类新算法

提出一种基于遗传算法和k-m edoids算法的新的聚类算法。指出该算法除能提高聚类的精度和识别孤立点外,还能加速遗传算法的收敛速度,节约时间成本。

QPSO与K-Medoids相结合的带障碍空间聚类新算法

分析了现有的带障碍约束空间聚类算法,针对基于PSO优化的带障碍约束的K-Medoids聚类分析方法的不足,提出了QPSO与K-Medoids算法结合的带障碍空间聚类新算法(QKSCO)。在带障碍约束的空间条件下,该算法依据蚁群格网障碍距离作为聚类依据,引入了QPSO的快速全局收敛的特性,使之与K-Medoids算法的局部收敛特性相得益彰。实验结果表明该算法比PSO优化的带障碍约束的K-Medoids聚类算法更加稳定,聚类效果更好。

增量式K-Medoids聚类算法

聚类是一种非常有用的数据挖掘方法,可用于发现隐藏在数据背后的分组和数据分布信息。目前已经提出了许多聚类算法及其变种,但在增量式聚类算法研究方面所做的工作较少。当数据集因更新而发生变化时,数据挖掘的结果也应该进行相应的更新。由于数据量大,在更新后的数据集上重新执行聚类算法以更新挖掘结果显然比较低效,因此亟待研究增量式聚类算法。该文通过对K-Medoids聚类算法的改进,提出一种增量式K-Medoids聚类算法。它能够很好地解决传统聚类算法在伸缩性、数据定期更新时所面临的问题。

基于改进流形距离K-medoids算法

针对空间分布复杂的数据以及空间分布未知的现实数据聚类问题,设计了一种改进流形距离作为不相似测度。该不相似测度可有效利用所有数据点之间的全局一致性,挖掘无类属数据集的空间分布信息。通过使用该不相似测度,提出了基于改进流形距离K-medoids算法。将新算法与基于已有的流形距离和基于欧氏距离的Kmedoids算法进行性能比较,对八个人工数据集以及USPS手写体数字识别问题的实验结果表明:新算法针对不同结构的测试数据集,在聚类性能上均优于或接近于另外两种K-medoids算法,并且对于各种分布的,无论简单或复杂,凸或者非凸的数据都可以进行聚类。

改进K-medoids算法对小麦籽粒挤压数值的分析应用

通过应用传统PAM算法、快速K-medoids算法及自行设计提出的基于领域的改进K-medoids算法与对西旱2号小麦籽粒挤压破碎负载进行聚类分析比较,实验结果表明:基于领域的改进K-medoids算法的聚类时间与快速K-medoids算法基本持平,并明显优于PAM算法,在小麦籽粒挤压破碎负载的分析时间上分别减少了0.005s和0.331s,较后两种算法的聚类误差平方和小、聚类准确率高(90%以上),该算法能够为小麦籽粒面粉加工数据整理提供参考。

基于密度RPCL的K-medoids算法

针对K-medoids算法需要事先给定聚类数目和初始聚类中心的问题,借助次胜者受罚竞争学习算法RPCL确定数据集的类簇数目,提出以密度RPCL作为预处理步骤的K-medoids聚类算法。通过密度RPCL算法对数据集进行处理,从而确定Kmedoids算法的合理类簇数目,然后再运行改进K-medoids算法,由此提高K-medoids算法的聚类效率和聚类准确性。采用UCI机器学习数据库数据集进行实验测试,使用不同的聚类结果评价指标对实验结果进行分析,证明本文基于密度RPCL的K-medoids算法具有很好的聚类效果。

考虑节点电压可控性的聚类型电网解列分析

传统的主动解列研究没有针对性地考虑过节点电压的无功支撑问题,使得大量解列方案在满足了基本的发电机同调性和有功功率平衡要求后,却无法在各孤网中得到可以接受的稳态潮流。其主要原因是解列方案中构建的孤网结构不尽合理,导致节点电压偏低,甚至引起潮流解奇异。针对以上问题,文中通过在解列分析中引入电压无功控制约束来影响解列断面的形成,以改善孤网中的节点电压状况。解列分析采用效率较高的聚类型方法,并在算法中引入电压可控性要求,主要包括VQ灵敏度和无功源容量限制2个方面;同时,提出一种兼顾有功功率平衡和电压可控性的节点间电气距离表达方法;最后,利用改进的K-Medoids聚类算法获取解列方案。算例分析及对比说明了所述方法的有效性。

基于航迹点法向距离的航迹聚类研究

随着民航业的飞速发展,机场噪声污染问题越来越严重,研究航迹聚类对机场噪声预防治理工作具有重要意义。现有航迹聚类算法所采用的航迹点对选取方式,无法实现所选航迹点对在空间上的对应,严重影响聚类效果。针对这一问题,提出一种基于航迹点法向距离的航迹聚类模型。该模型采用航迹点法向距离作为航迹相似性度量方法,有效地解决了因飞机速度差异引起的航迹点对选取不匹配问题。通过K-medoids聚类算法对航迹进行二维和三维聚类,使用Davies Bouldin(DB)指标、Dunn指标对聚类结果进行评价。实验表明,提出的模型能够更好地度量航迹之间的相似性,航迹聚类效果更好,从而验证了该模型的合理性和有效性。

基于多层核心集凝聚思想的视频关键帧提取

关键帧提取是视频检索的一项关键技术。针对传统的关键帧提取算法准确度低,视频检索的查全率和查准率不高的问题,提出一种基于多层核心凝聚思想的视频关键帧提取算法。首先,对文献[1]提出的多层核心集凝聚算法(MULCA)进行研究,并利用K-medoids算法用真实数据作为聚类中心的特性,对MULCA算法的凝聚粗化和凝聚细化两个重要过程进行改进,用其替代原粗化过程得到的顶层核心集,设计了一种新的多层核心集凝聚算法(IMULCA),实现了顶层核心集的快速准确定位,并可适当减少凝聚层数,简化了算法的计算复杂性。然后,将IMULCA算法应用到视频关键帧提取中,实验结果表明所提改进算法相对于原有算法能够更加有效地对视频关键帧进行提取。

结肠癌患者诊断的基因标志物识别算法

为了得到具有强分类信息的极少结肠癌特征基因,实现对结肠癌患者的准确识别,文中提出结肠癌患者诊断的基因标志物识别算法.首先提出基因密度和基因距离的概念,构造以基因密度和基因距离分别为横纵坐标的基因2D空间散列图,选择处于密度峰值点的基因构成优选基因子集,然后采用密度峰值K中心点(DP_K-medoids)算法对降维后的结肠数据集样本进行聚类分析.基因距离和样本距离分别采用欧氏距离、曼哈顿距离、切比雪夫距离和夹角余弦距离度量.实验表明,在夹角余弦距离下,文中算法可以选择到具有高准确率、高灵敏度、高特异度和高马修斯相关系数的规模较小的结肠癌基因子集.

一种用于寻找典型病理图像的聚类分析方法

目的:探讨利用K-medoids聚类分析方法来寻找典型病理图像。方法:对正常、低度和高度鳞状上皮内病变宫颈细胞的51个特征参数进行标准化处理,以消除原始变量数量及量纲影响。运用统计软件R对所有特征参数进行K-medoids聚类分析。结果:对于正常、低度和高度鳞状上皮内病变宫颈细胞的分类正确率分别为91.7%、98.0%和92.0%。作为类中心点的3个病理图片可作为典型病理图片指导临床及教学研究。结论:该方法简单、方便,客观性强,可应用到其他医学领域定量研究。

基于密度的改进聚类算法比较

针对传统K-means算法的聚类结果依赖初始聚类中心的缺陷,提出了一种基于密度的改进K-means聚类算法,该算法选择位于数据集样本密集区且相距较远的数据对象作为初始聚类中心,实现K-means聚类。针对PAM算法时间复杂度高,且不利于大数据集处理的缺陷,提出了一种基于密度的改进K-medoids聚类算法,在选取初始中心点时根据数据集样本的分布特征选取,使得初始中心点位于不同类簇。UCI机器学习数据库数据集和随机生成的带有噪音点的人工模拟数据集的实验测试证明,基于密度的改进K-means算法和基于密度的改进Kmedoids算法都具有很好的聚类效果,运行时间短,收敛速度快,有抗噪性能。

一种基于LEACH路由协议的改进算法

无线传感器网络的生存时间受传感器节点软硬件条件的限制,改进传感器网络路由协议是延长网络生存时间的有效途径。LEACH协议是最早提出的经典分层路由协议,文中基于LEACH协议提出改进,应用K-medoids算法改进LEACH协议的簇首分簇机制,并通过Matlab仿真实验,证实了改进后的LEACH算法在均衡化网络能耗,延长网络的生命周期方面具有优越性。