一种新的基于粗糙集的leader聚类算法

传统聚类方法将对象严格地划分到某一类,但很多时候边界对象不能被严格地划分。粗糙集用上近似集和下近似集表示一个类,对这种边界不确定的处理非常有效,典型算法有基于粗糙集的k-means聚类算法和基于粗糙集的leader聚类算法。本文针对RFA(Rough Fuzzy Approach)算法存在的不足,提出了一种新的基于粗糙集的leader聚类算法(NRL,Novel Rough-based Leader)。其基本思想是首先数据项由于与其最近类中心的距离不同,分别被划分到leader集或者supporting leader集,然后对leader集和supporting leader集进行标号,得到聚类结果。实验结果表明NRL算法非常有效。

负投影梯度的特征权重Leader聚类算法

Leader算法是一种基于粗糙集的层次聚类算法,其聚类过程中各维特征贡献作用均等,这样的处理方法降低了主要特征在聚类中的贡献作用,从而影响聚类的效果.采用负投影梯度法对各维特征的权重进行自适应学习,从而优化地获得各维特征的权值,进而建立了基于负投影梯度法的特征权重Leader聚类算法.该算法强化了重要特征在聚类过程中的作用.聚类结果用"熵"和"精度"来评价,实验结果证明,改进后的聚类算法能够改善聚类的效果,验证了本文方法的可行性与有效性.

基于leader的k-means改进算法

针对传统k-means算法中初始聚类中心选取的随意性对于聚类结果影响较大的问题,提出了基于Leader算法的k-means改进算法——Lk-means算法.该算法有效避免了初始聚类中心选取的边缘化和随意性.实验证明,Lk-means算法的聚类结果更加有效合理.

一种新的粗糙Leader聚类算法

聚类是数据挖掘领域重要的研究方向。在众多的聚类算法中,Leader算法运用很广泛,但Leader算法没有考虑到聚类分析中内在的不确定性。对Leader算法做了相应改进,加入了粗糙集和粒计算的思想,使其能够处理聚类中固有的不确定性,得到更合理的聚类结果。最后,通过实验证明了该算法的优越性。

基于改进Leader算法的Web存取模式的聚类

介绍了一种新颖的Web存取模式的聚类算法,该算法是一种结合粗糙理论和模糊理论的改进Leader算法,既体现了粗糙理论和模糊理论在处理含有不确定信息问题上的优势,同时使用了Leader算法进行聚类以提高算法的时间复杂度,从而在Web存取模式的聚类中的聚类的时间花费是令人接受的而且聚类结果是相对满意的。通过实例分析及实验结果,该算法是行之有效的。

基于粗糙集的改进Leader聚类算法

传统的聚类算法,如Leader算法和k-Means方法等,只能处理完整精确的数据集,数据项只能被划分到一个簇.而粗糙集理论用上近似集和下近似集表示一个类,尤其当数据有噪声、不完全和不精确性时,非常有优势.在经典的Leader算法中引入粗糙集理论,以处理模糊数据的聚类,得到改进的Leader算法——IRL(improved roughbased Leader)算法.IRL算法首先扫描数据项集,生成初始L集、RL集、RU集;然后优化RU集;最后再合并L集、RL集、RU集,得到最后的聚类结果.实验结果表明,IRL算法非常有效.

基于聚类的Web用户访问模式的算法研究

用户对Web站点的访问代表了用户对Web站点上页面的访问兴趣,这种兴趣程度可以通过用户对Web站点上页面的浏览顺序及页面上的浏览时间表现出来.通过对Web用户访问路径的分析,提出一种基于浏览路径及浏览时间的相似度的度量方法.然后,把粗糙度的概念引入Leader聚类算法中,提出粗糙Leader聚类算法.最后使用标准数据集进行了试验,证明基于此种相似度计算方法,应用粗糙Leader聚类算法Web用户的有效性.

基于聚类分析的Web信息搜索算法研究

本文分析了Web信息搜索中的Leader算法其聚类结果中可能存在重叠区域;k-means算法其k参数的确定可能需要多次尝试。结合上述二种聚类分析算法提出将Leader算法和k-means算法融合可以同时解决上述问题,且在实际的Web信息搜索中更能体现聚类分析的优势。

基于Leader的K均值改进算法

研究了K均值算法中初始聚类中心的选择对算法本身聚类精度及效率的影响,并提出了改进的算法(LK算法,Leader+K-means).LK算法中的初始聚类中心选择不是随机的,而是利用Leader算法得到若干个初始类中心,然后选择包含数据项最多的k个类中心,作为K均值算法的初始类中心.实验结果表明,LK算法在聚类结果的稳定性和正确率方面都是有效可行的.

基于抽样融合改进的大数据聚类方法

校园网络大数据集的有效挖掘以提高信息的使用价值,对校园网络优化有着极其深远的影响,为此,本文提出一种基于leaders算法的校园网络大数据聚类改进算法leaders-k-means算法,算法首先通过leaders算法对校园网大数据集进行初始聚类,并根据初始聚类中心对校园网络大数据进行多次随机抽样形成多个小样本集,然后利用初始聚类中心做为初始值对每个小样本集进行k-means聚类,既保证了k-means算法初始值设置的合理性,又使得算法在一个较小的样本集中聚类,提高效率,最后对聚类后的多样本集合并,利用自下而上的层次聚类方法重新聚类获得原始样本的聚类中心.算法融合了层次方法、划分方法以及密度方法的优势,通过对比实验验证,算法取得较好的聚类效果.

基于改进聚类的电力大数据审计证据发现

随着电力企业数据量成海量增长以及大量的非结构化数据存储,计算机辅助审计方式遇到了极大的数据处理瓶颈和审计局限性,为此,提出了基于并行蜂群优化K-means聚类电力大数据审计证据发现算法。算法通过Leaders算法初始聚类使初始聚类中心的设置更合适,通过改进蜂群与K-means算法交替迭代优化聚类中心,使得数据聚类更加精确,同时通过并行运算使得算法在大数据下仍能保持较高的运行效率;在审计大数据精确聚类基础上,含有实例数较小的聚类则被认为具有较大审计可疑,从而配合审计经验实现审计疑点发现。仿真数据和实际数据对比实例验证了算法的有效性。