基于min-max准则与区域划分的I-k-means-+聚类算法

针对I-k-means-+算法聚类结果不稳定、求解精度较低的问题,提出一种基于min-max准则与区域划分的I-k-means-+聚类算法.首先,提出min-max准则,计算每个数据点到最近中心的距离,优先选择距离最大的数据点作为新的聚类中心,避免多个初始中心聚集在同一个簇中的情况;其次,将分裂簇中的数据点分割到不同区域,在每个区域中选取一个数据点作为候选中心,以增加候选中心的多样性;最后,对于配对失败的簇,通过增益重新选择新的分裂簇与原删除簇再次配对,以提高配对成功率,进一步降低目标函数值.实验结果表明,与I-k-means-+算法相比,本文算法在运行效率基本相当的前提下,求解精度平均提高6.47%,且聚类结果更稳定;与k-means、k-means++算法相比,本文算法的求解精度更高.

基于动态Lloyd-Max量化的网络化系统实时状态估计

针对网络化线性动态系统的实时状态估计,采用均方误差(MSE)作为性能准则,研究了最优实时量化与估计结构和具体实现方案。根据估计-量化分离原理,优化问题可以等效转换为一阶高斯-马尔可夫信源的最优量化与重构问题,分析了最优实时量化与估计的等效结构形式。基于向量Lloyd-Max量化原理和量化信源预测分布的高斯近似,设计了递推形式的动态Lloyd-Max量化与估计(DLMQE)实现方案,其中采用双边同步器利用发送端和接收端的共有信息实现编码与解码操作的同步,并导出了最优实时估计和误差协方差阵的解析形式。仿真结果表明,所提出的DLMQE方案估计性能优于现有的量化卡尔曼滤波器(QKF),且即使对于较低量化比特率的区域,DLMQE算法依然有效。

AHP结合K-Means算法在三分球评价体系中的应用

随着小球时代的到来,三分球施加于比赛的影响不断加深,不仅NBA联盟对于三分球出手后的保护愈发完善,NBA各大豪强对三分球射手的各项指标也越来越重视。因此,对三分球的研究受到广泛关注。文中选取了7项对三分球能力有显著影响的数据,包括三分球命中率(X1)、三分命中数(X2)、场均得分(X3)、三分球出手速度(X4)、出场次数(X5)、分均命中数(X6)、关键时刻命中率(X7)。针对以上数据,文中首先对其进行了预处理,使用min-max数据标准化方法,建立新的指标体系,在处理后指标数据的基础上,使用层次分析法计算出各指标的权重,进而计算出各球员的三分球能力值,并根据计算结果来对球员进行能力等级划分。由于层次分析法的主观性较强,因此文中又引入了K-Means算法,并结合R来弥补层次分析法的不足,对其进行修正和检验。

基于改进流形距离的粗糙集k-means聚类算法

针对现有的基于流形距离的聚类算法对"绝对流形"数据集较"相对流形"数据集聚类效果佳和参数ρ在较大范围内变化时,聚类性能较差等问题,提出基于改进流形距离的粗糙集k-means聚类算法。该算法通过用属性划分和最大最小距离选择初始聚类中心,以改进的流形距离和粗糙集优化k-means,并结合终止判断条件以达到解决边界数据聚类问题和提升聚类效果的目的。仿真结果表明:该算法对"绝对流形"和"相对流形"数据集聚类效果均有较好改善,且参数变化对聚类性能影响较大。

加速大数据聚类K-means算法的改进

为有效处理大规模数据聚类的问题,提出一种先抽样再用最大最小距离进行K-means并行化聚类的方法。基于抽样的方法避免了聚类陷入局部解中,基于最大最小距离法使得初始聚类中心趋于最优化。大量实验结果表明,无论是在单机环境还是集群环境下,该方法受初始聚类中心的影响降低,提高了聚类的准确性,减少了聚类的迭代次数,降低了聚类的时间。

基于MapReduce的K-means聚类算法的优化

针对传统的聚类算法K-means对初始中心点的选择非常依赖,容易产生局部最优而非全局最优的聚类结果,同时难以满足人们对海量数据进行处理的需求等缺陷,提出了一种基于MapReduce的改进K-means聚类算法。该算法结合系统抽样方法得到具有代表性的样本集来代替海量数据集;采用密度法和最大最小距离法得到优化的初始聚类中心点;再利用Canopy算法得到粗略的聚类以降低运算的规模;最后用顺序组合MapReduce编程模型的思想实现了算法的并行化扩展,使之能够充分利用集群的计算和存储能力,从而适应海量数据的应用场景;文中对该改进算法和传统聚类算法进行了比较,比较结果证明其性能优于后者;这表明该改进算法降低了对初始聚类中心的依赖,提高了聚类的准确性,减少了聚类的迭代次数,降低了聚类的时间,而且在处理海量数据时表现出较大的性能优势。

一种有效的K-means聚类中心初始化方法

传统K-means算法由于随机选取初始聚类中心,使得聚类结果波动性大;已有的最大最小距离法选取初始聚类中心过于稠密,容易造成聚类冲突现象。针对以上问题,对最大最小距离法进行了改进,提出了最大距离积法。该方法在基于密度概念的基础上,选取到所有已初始化聚类中心距离乘积最大的高密度点作为当前聚类中心。理论分析与对比实验结果表明,此方法相对于传统K-means算法和最大最小距离法有更快的收敛速度、更高的准确率和更强的稳定性。

基于距离和密度的d-K-means算法

针对K-means算法对初始聚类中心和噪声敏感的缺点,提出了d-K-means算法(distance&density),在K-means算法的基础上权衡了密度和距离对聚类的影响,对数据进行加权处理,在权值基础上引入最小最大原则选择初始聚类中心,自动确定类中心个数。实验结果表明,d-K-means算法在低维与高维数据上都可以取得较好的聚类效果,并且可以更好地应对低密度区域数据,更好地进行类中心选择。

基于K-means^(++)的WiFi指纹定位算法

针对接收信号强度(RSS)的波动性、易受干扰等特征,在匹配算法时易被较远处参考点所干扰,导致定位结果偏差较大,提出了一种基于聚类结果的指纹定位算法。与传统的按参考点处信号强度进行聚类不同,采取了利用K-means^(++)算法按参考点位置聚类的方法。在聚类的结果上,选择RSS均值最大的M个AP,使用有监督的学习算法KNN对测试点进行分类,再用确定性的匹配算法加权K最近邻居法来计算位置坐标。实验结果表明:所提方法在定位性能上比按信号强度聚类的方法有较大提高。

加权局部方差优化初始簇中心的K-means算法

在传统K-means算法中,初始簇中心选择的随机性,导致聚类结果随不同的聚类中心而不同。因此出现了很多簇中心的选择方法,但是很多已有的簇中心选择算法,其聚类结果受参数调节的影响较大。针对这一问题,提出了一种新的初始簇中心选择算法,称为WLV-K-means(weighted local variance K-means)。该算法采用加权局部方差度量样本的密度,以更好地发现密度高的样本,并利用改进的最大最小法,启发式地选择簇初始中心点。在UCI数据集上的实验结果表明,WLV-K-means算法不仅能够取得较好的聚类结果,而且受参数变化的影响较小,有更加稳定的表现。

3Ds MAX课程学习心理的影响因素及对策探讨

3Ds MAX课程学习中,学生的学习心理至关重要。教学实践中发现,学生学习中会有一些积极因素,如好奇心强,兴趣点高,自我展示的空间广等;同时还会不可避免地产生一些不利因素,如沾沾自喜、急于求成、迷茫沮丧等。教师要结合实际情况抓住学生的学习心理,准确运用教学手段并采取相应的教学方法和教学技巧,从而提高学生的学习效率。

基于邻域密度的K-means初始聚类中心优选方法

传统K-means算法初始聚类中心的选择具有随机性且对离群点敏感,导致聚类结果不稳定、准确率低等问题。针对上述问题,提出基于邻域密度的NDK-means算法。首先,通过多维网格划分得到样本的网格分布特性;然后,通过定义网格密度和网格邻域密度,确定多个局部高密度网格,同时引入迭代因子合并相邻高密度网格中心得到初始聚类中心候选集;最后,结合网格密度和距离,利用最大最小距离算法得到K个初始聚类中心。在UCI数据集上进行实验,实验结果表明:相对于其他局部邻域算法,新算法提高了聚类结果的准确率,具有较好的稳定性。

DS-UWB系统中利用辅助序列的MAX/TC准则同步算法研究

DS-UWB系统是否能够获得快速可靠的信号同步是系统设计的一项重要指标。该文在最大值选择/过门限(MAXimum selection/Threshold Comparison,MAX/TC)准则DS-UWB系统同步捕获算法的基础上,提出一种采用辅助序列的MAX/TC准则改进型同步捕获算法,算法利用辅助序列信息判断本地伪随机序列发生器相位更新方向,能够较大程度降低系统伪随机序列同步捕获时间;通过对改进算法进行较为详细的理论分析,并且在超宽带室内信道环境中进行仿真实验,结果表明,采用该文算法可以在保证系统同步捕获性能的同时有效缩短平均同步捕获时间。

Max-plus代数中analogy-transitive矩阵及其本征问题

定义一类analogy-transitive矩阵,讨论其基本性质,给出判定一个矩阵是否为analogytransitive矩阵的判定定理及算法,最后讨论关于analogy-transitive矩阵的本征问题.对于analogytransitive矩阵,存在一个O(n2)的算法计算其唯一本征值λ(A)和所有本征向量x=(x1,…,xn)使得max j=1,…,n(aij+xj)=λ+xi(i=1,…,n).该结果较一般情况下O(n3)的算法有所改进.

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。

结合最大最小距离和加权密度的K-means聚类算法

随机选取初始聚类中心和根据经验设置K值对K-means聚类结果都有一定的影响,针对这一问题,提出了一种基于加权密度和最大最小距离的K-means聚类算法,称为KWDM算法。该算法利用加权密度法选取初始聚类中心点集,减少了离群点对聚类结果的影响,通过最大最小距离准则启发式地选择聚类中心,避免了聚类结果陷入局部最优,最后使用准则函数即簇内距离和簇间距离的比值来确定K值,防止了根据经验来设置K值。在人工数据集和UCI数据集上的实验结果表明,KWDM算法不仅提高了聚类的准确率,而且减少了算法的平均迭代次数,增强了算法的稳定性。

基于改进人工蜂群算法的k-means聚类算法

为克服k-means算法对初始聚类中心敏感的缺点,提出用改进后的人工蜂群算法来优化k-means算法的聚类中心。用最大距离积法对蜜源进行初始化,提高了蜜源的质量。增加蜜源搜索范围的动态调整因子,加快了算法的收敛速度。蜂群间经验值的交换,让算法在跳出局部最优解的同时,获得一个适应度值较高的蜜源;孤立点的寻找进一步提高了算法的有效性。实验表明,该算法加快了算法的收敛速度并提高了k-means聚类结果的准确度。

改进的K-means算法在校车站点布局中的应用

校车站点布局问题是一种典型的设施选址问题。大多数设施选址问题均属于区域选址,将设施选址限定在一定空间范围内,其方法并不适用于需要将位置固定在道路上的校车站点布局问题。因此,为保证生成的站点分布在路网上,且学生到站点的步行距离较短,提出了一种改进的K-means聚类算法,以一定范围内密度最大的点为初始类中心,在逐次迭代中将类中心投影到路网上,进而聚类得到校车站点。与传统的利用最大最小距离法的改进方式进行对比发现,在相同的站点间最小间距下,基于密度法改进初始类中心的K-means算法使得学生到车站总步行距离较短,且迭代次数明显减少。该方法还可适用于超市班车站点选址、物流配送点选址等问题。

基于最大最小距离法的多中心聚类算法

针对k-means算法的缺陷,提出了一种新的多中心聚类算法。运用两阶段最大最小距离法搜索出最佳初始聚类中心,将原始数据集分割成小类后用合并算法形成最终类,即用多个聚类中心联合代表一个延伸状或者较大形状的簇。仿真实验表明:该算法能够智能地确定初始聚类种子个数,对不规则状数据集进行有效聚类,聚类性能显著优于k-means算法。

基于粒计算的粗糙集聚类算法

针对传统K-means聚类算法初始聚类中心随机选取、不能处理边界对象、效率低、聚类精度低等问题,提出了一种新的K-means聚类算法。算法引入粒计算理论,并依据密度和最大最小距离法选择初始聚类中心,避免初始聚类中心在同一个类中,结合粗糙集,通过动态调整上近似集和边界集的权重因子,以解决边界数据的聚类问题;最后采用类间距和类内距均衡化准则函数作为算法终止判断条件,来得到更好的聚类效果。实验结果表明:该算法具有较高的准确率,迭代次数较少,并降低了对噪声的敏感程度。