优先级k-中心问题的FPT近似算法

优先级k-中心问题是聚类领域中1个经典的NP-难问题。给定度量空间中的1个集合X和参数k∈N+,其中,集合X中每个点v都被赋予1个优先级参数r(v)∈R+,求解1个大小为k的子集S■X,考虑集合X中任意数据点到集合S的距离与r(v)之间比值,找到最大比值,目标是最小化该比值。对于优先级k-中心问题,目前最好的结近似算法是多项式时间内的2-近似算法,该问题不存在1个(2-ε)-近似算法,(其中,ε为用于控制算法近似比的参数)。本文研究优先级k-中心问题的固定参数可解(fixed-parameter tractability,FPT)时间内的近似算法。基于k-中心问题的贪心策略,提出新的中心点选取方法。研究结果表明:该方法通过贪心策略选取一定规模的候选中心点集,利用加倍度量维度的性质去限制该集合的大小,实现了FPT时间内的(1+ε)-近似算法,降低了目前该问题的近似比。

基于K-中心点聚类的模糊航迹关联算法

为提高目标航迹相交和近距平行状态时航迹关联的正确率,提出了一种基于K-中心点聚类的模糊航迹关联算法。该算法基于K-中心点聚类算法,将系统航迹作为聚类中心,采用局部航迹与系统航迹关联的策略,为描述航迹间的相似性,采用模糊分析方法,综合考虑各个因素的影响,构造模糊关联矩阵,并利用历史信息和先验知识进行航迹关联。仿真表明该算法在航迹相交状态下,相交时刻关联正确率比K-medoids聚类算法提高5%左右,近距平行状态下关联正确率的收敛速度优于K-medoids聚类算法。

基于k-中心点法的改进粒子群算法在旅行商问题中的应用

为将面向连续优化的粒子群优化算法应用于旅行商问题的求解,提出了旅行商问题的权重编码方案。该方案将属于组合优化的旅行商问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性。针对粒子群算法易陷入局部最优的问题,提出了适合旅行商问题的基于k-中心点法的改进措施。该措施利用简单匹配系数构建粒子群的相异度矩阵,在此基础上采用k-中心点法对粒子群进行聚类分析,实现了粒子之间的信息交换,扩大了粒子的搜索空间,避免算法陷入局部最优。最后,用旅行商问题标准库的4个算例验证了权重编码方案和改进粒子群算法的有效性。

一类网络k-中心选址问题的改进算法

为解决基于城市道路交通网络的应急设施选址问题,建立了此问题的网络k-中心选址抽象模型。针对此模型在分析研究已有算法的基础上,设计了一种具有多项式时间的改进置换迭代算法,证明了算法迭代的有效性,分析了算法的计算复杂度,并利用实例进行了对比分析。实例分析表明,改进的置换迭代算法降低了受限p-中心的并行迭代算法中的网络中心置换的条件,而算法的效率有明显的提高。

赋权树状网络中r-控制集问题和k-中心问题

图G=(V,E;f,w)是顶点和边都赋权的树,f:V→R^+,w:E→R^+.本文给出了顶点u与v之间距离的一种新的定义.在顶点和边都赋权的树中,研究在新距离条件下的r-控制集问题与k-中心问题.对于r-控制集问题,设计出了复杂性为■(n)的多项式时间算法;对于k-中心问题,设计出了■(n^2 log n)的多项式时间算法.

推进式优化特征权重的K-中心点聚类方法

为获得更贴近于混合属性数据点集空间的相异性度量,从而探测出数据点集的更有意义的聚类分布,提出了一种推进式优化特征权重的K-中心点聚类算法。对该聚类算法进行了必要的讨论,给出其时间复杂度分析及算法收敛性分析。为实现该聚类算法的特征权重优化步骤,给出了二种不同的特征权重优化方法和几个自适应优化距离权重系数、目标函数系数的方法。这些优化方法在一定的理论层次上解决了相异性度量的自适应优化问题。通过几个UCI标准数据集验证了该聚类算法有时能取得更好的聚类质量,从而说明该加权聚类算法具有一定的有效性。给出了几点研究展望,为下一步的研究指明了方向。

K-中心点聚类方法的优化模型与简化梯度算法

聚类分析是数据挖掘中的一项关键技术,有多种具体的用途。对于大规模的数据集合,常规的聚类分析方法基于样本数据的遍历,计算效率低下。针对这一问题,研究K-中心点聚类方法,首先建立优化数学模型,在对其随机变量取值范围进行松弛的基础上,采用梯度算法寻找其中心点;并对优化模型进行分解,建立时序数据的K-中心点修正算法。通过对电缆状态监测数据进行聚类中心点分析,判断所采集数据的孤立点,说明所提出方法是非常有效的。

限制条件下的空间聚类分析——改进的K-中心点聚类算法

针对空间聚类过程中存在障碍实体的问题,提出了改进的K-中心点空间聚类算法,提高了算法的执行效率,解决了限制条件下空间聚类问题,使得聚类结果更具实用性。

一种改进的k-中心聚类算法研究

聚类算法的好坏直接影响聚类的效果。文章讨论了经典的k-中心聚类算珐,说明了它存在不能很好地处理大数据集的问题,提出了一种基于加权改进的k-中心聚类算法,克服了k-中心聚类算法的一些缺点,并从理论上分析了该算祛的复杂度。实验证明,用该方法实现的数据聚类与传统的基于中心的方法相比较,能有效提高数据聚类效果。

基于K-中心点聚类算法的论坛信息识别技术研究

提出了一种从非确定结构的论坛页面自动获取信息区域的方法。该方法在对K-中心点聚类算法的研究基础上克服了算法中固定簇数的缺陷,并在算法的簇中心距离计算中引入Smith-Waterman改进算法,提高了算法聚类的精确度。通过对大量论坛网页进行信息识别的实验显示,该方法切实可行并且具有较高的准确性。

正交小波变换k-中心点聚类算法在故障诊断中的应用

k-中心点聚类算法(k-medoids cluster algorithm,KCA)是改进的机器学习聚类算法,该方法通过初始聚类中心选取和聚类中心更新,对无标记训练样本的学习揭示数据的内在性质及规律,从而区分出机器的运行状态。提出了一种正交小波变换k-中心点聚类算法(orthogonal wavelet transform k-medoids clustering algorithm,OWTKCA)诊断方法,利用正交小波变换(orthogonal wavelet transformation,OWT)方法提取各细节信号作为训练样本,用KCA方法进行分类。通过滚动轴承的试验数据分类结果显示,该方法相对于没有提取特征值的KCA能有效处理复杂机械振动信号,明显提高了故障数据聚类效果,缩短了聚类时间,提高了智能诊断效率。

基于改进K-中心点的电子地图数据质量检查算法

K-中心点聚类算法对噪声和孤立点的敏感性小,比较适用于增长速度快、更新频繁的电子地图数据,但K-中心点聚类算法初始中心点的选择会直接影响算法的稳定性和准确性,容易陷入局部最优解,从而影响聚类效果。提出一种基于改进K-中心点的电子地图数据质量检查算法,通过对样本数据集进行网格划分,结合样本密度信息选取初始中心点,解决了算法依赖样本数据实际分布的问题。评估实验结果表明,改进算法较K-中心点算法正确率提升了9.56%,效率提升了56.33%。

基于k-中心聚类与布谷鸟搜索的伙伴选择

针对供应链合作伙伴选择问题,提出一种基于布谷鸟搜索和k-中心聚类算法相结合的寻优算法。构造基于多目标优化的合作伙伴选择模型,形成离散化的数据,用k-中心聚类算法对数据进行分组,利用布谷鸟全局搜索能力强的特性寻求问题的最优解;利用布谷鸟搜索算法对每簇进行寻优得到每簇的局部最优解,作为下一阶段的初始解,利用布谷鸟算法对初始解进行寻优,求得供应链合作伙伴选择的最优解。对比该算法与离散化的粒子群算法、布谷鸟搜索算法,对比结果表明,该算法的搜索效果更好。

基于改进k-中心聚类的P2P模式合作伙伴选择

由于当前已有方法未能考虑改进k-中心聚类算法各个簇的寻优问题,导致求解耗时增加。为此,本文提出一种基于改进k-中心聚类的P2P模式合作伙伴选择方法。仿真实验结果表明,本文方法可以有效提升收敛率,降低平均迭代次数以及最优解耗时,选取最理想的合作伙伴。

动态粒度结合中心点算法在电力设备缺陷管控中的应用研究

针对电力设备缺陷管控问题,文章研究提出了一种基于改进k-中心点聚类算法与动态粒度的电力设备缺陷管控模型。首先,利用改进的k-中心点聚类算法对设备缺陷数据进行聚类处理;然后,将动态粒度与改进算法进行结合,用于构建缺陷管控模型。结果表明,缺陷管控模型的数据聚类正确率为93.07%,聚类效率能够达到90.07%,同时数据识别准确率、召回率和F1值分别为93.27%、93.52%和0.951,均优于对比方法。这说明研究构建的电力设备缺陷管控模型显著可以提高设备的可靠性和稳定性。

一种改进的k-中心点聚类算法及在雷暴聚类中的应用

传统k-中心点聚类算法初始中心点的选取直接影响算法效率和稳定性,易使算法陷入局部最优解,从而影响在带时序群体分析的聚类应用效果.本文提出了一种基于密度信息的k-中心点算法,通过获取样本密度信息来选取初始中心点,有效解决了聚类结果对初始中心点选择的依赖性问题,并应用于雷暴聚类中.雷暴聚类评估实验结果表明了改进算法的有效性.

基于核的自适应K-Medoid聚类

针对K-Medoid算法不能有效聚类大数据集和高维数据的弱点,将核学习方法引入到K-Medoid算法,提出了基于核的自适应K-Medoid算法。该算法利用核函数将输入空间样本映射到一个高维的特征空间,在这个核空间中进行K-Medoid聚类,在聚类过程中,数据可以自适应地加入到最适合它的簇当中,并且聚类结果与初始k个中心点的选取无关,该算法可以完成对大数据集和高维数据的聚类。实验结果表明,与K-Medoid算法相比,该算法具有较高的聚类准确率。

一种基于CF树的k-medoids聚类算法

当存在噪声和离群点时,k-medoids算法具有较好的鲁棒性,但是对于大数据集,算法的计算代价比较高。CF树是Birch算法中常用的一种结构,对于大数据集的聚类有较好的可伸缩性,但是对于非球形的数据,聚类结果较差。因此,在两种算法的基础上,提出一种基于CF树的k-medoids算法,先用数据集构建CF树,形成微簇,改进了欧式距离计算式,最后使用k-medoids算法对微簇进行聚类。当数据点较多时,改进算法比k-medoids算法运行速度快了近2倍。实验表明,改进算法具有较高的性能和可伸缩性。

基于障碍物约束的遗传-中心点聚类算法研究

面对障碍物约束的聚类问题,分析了目前障碍物约束聚类算法的不足,定义了相关概念,随机选择k个样本作为聚类中心点,以距各聚类中心点的可达距离为样本划分依据,以类内平方误差和(WGSS)为聚类目标函数,引入遗传算法,提出一种基于障碍物约束的遗传-中心点聚类算法。最后,通过实例进行了算法测试,并与k-中心点算法进行比较。算法测试结果表明:基于障碍物约束的遗传-中心点聚类算法是完全可行和有效的,所提算法使得聚类结果符合地理空间实际情况,解决了聚类结果对初始化敏感的问题。

基于加权SVC和K-Mediods联合聚类的雷达信号分选方法

为了提高复杂体制雷达信号分选的正确率,提出了加权SVC和K-Mediods联合聚类算法,针对雷达参数特点,对SVC算法的核函数内积和K-Mediods算法的欧氏距离进行加权计算,从而避免聚类结果被弱相关的特征所支配。与SVC与K-Means联合聚类算法相比,SVC与K-Mediods联合聚类算法有效降低了"离群点"的影响。结果表明,该算法能够提高复杂体制雷达信号分选的正确率,存在部分"离群点"时分选正确率较高。