浅谈遗传算法的聚类分析

聚类分析属于多元统计方法中的一种,将多元分析与当代分类学结合起来。聚类分析通常构造一个m维的距离函数,然后利用该函数来进行聚类划分。常见的聚类算法有划分方法、层次方法、基于密度方法、基于网格方法、基于模型方法等几种类型。     

一种T-S模糊模型的聚类分析与辨识方法

传统的模糊聚类分析方法分两个步骤,首先使用目标函数进行模糊生成,然后应用聚类有效性函数决定聚类的最佳数目。针对模糊形成和有效性验证函数的内在不同所导致的聚类不准确性,应用一种新的基于双目标模糊聚类分析（BOFCM）的聚类方法。同时将基于三角形隶属函数的T-S模糊系统应用于非线性系统辨识中,该方法可以很方便地确定输入空间的划分及隶属函数的形状,减少了计算量。将以上方法应用于一个二阶系统辨识分析,证实了该方法的有效性。     

一种基于动态遗传算法的聚类新方法

 如何确定聚类数目一直是聚类分析中的难点问题.为此本文提出了一种基于动态遗传算法的聚类新方法,该方法采用最大属性值范围划分法克服划分聚类算法对初始值的敏感性,并运用两阶段的动态选择和变异策略,使选择概率和变异率跟随种群的聚类数目一致性变化,先进行不同聚类数目的并行搜索,再获取最优的聚类中心.七组数据聚类实验证明该方法能够实现数据集最佳划分的自动全局搜索,同时搜索到最佳聚类数目和最佳聚类中心.     

基于划分的聚类算法研究综述

在数据挖掘的所有算法中,聚类分析尤为重要.基于划分的聚类算法就是用统计分析的方法研究分类问题.本文介绍了聚类的定义及聚类算法的种类,详细阐述了K均值聚类算法和K中心点聚类算法的基本原理并对它们的性能进行分析,对近年来各学者对基于划分的聚类算法的研究现状进行了梳理,对其具体应用实例做了简要介绍。     

基于模糊聚类分析的能源产业信息自动挖掘建模研究

针对当前能源产业信息挖掘结果完整性差的问题，提出一种基于模糊聚类分析的能源产业信息自动挖掘建模方法。在模糊聚类分析算法中引入核学习算法，添加Gaussian核函数，搭建核模糊分析算法。确定核模糊分析算法的初始聚类中心，利用粒子群优化算法优化初始聚类中心，根据优化的初始聚类中心建立能源产业信息自动挖掘的目标函数，获取适应度值。根据适应度值与目标函数选择最佳个体，求解最佳个体的聚类有效性函数，解码输出聚类有效性函数最大时所对应的最优聚类数量与对应的聚类中心，以此搭建能源产业信息自动挖掘模型。实验结果表明，该模型可有效挖掘能源产业信息，在数据集规模不同的情况下该模型的调整兰德系数均较高，挖掘结果的完整性较高，自动挖掘效果佳。     

基于 Laplace 矩阵 Jordan 型的复杂网络聚类算法

在目前复杂网络聚类算法中,基于Laplace特征值的谱聚类方法具有严密的数学理论和较高的精度,但受限于该方法对簇结构数量、规模等先验知识的依赖,难以实际应用。针对这一问题,基于Laplace矩阵的Jordan型变换,提出了一种先验知识的自动获取方法,实现了基于Jordan矩阵特征向量的初始划分。基于Jordan型特征值定义了簇结构的模块化密度函数,并使用该函数和初始划分结果完成了高精度聚类算法。该算法在多个数据集中的实验结果表明,与目前主流的Fast-Newman算法、Girvan-Newman算法相比,基于Laplace矩阵Jordan型聚类算法在不依赖先验知识的情况下,实现了更高的聚类精度,验证了先验知识获取方法的有效性和合理性。     

基于共形几何代数的C-球壳聚类方法及其实现

提出一种新的基于共形几何代数的C-球壳聚类算法。首先C-球壳聚类分析中的模式和球壳原型,在共形几何代数中可以表示为矢量,而共形空间中模式与球壳的内积,等价于模式与球壳的距离,从而能够有效地表示球壳聚类分析中的目标函数,并且推导给出求解该目标函数最小化的新方法;介绍该算法基于VB和MatrixVB的实现,该方法将Matlab的强大计算功能与VB的windows用户界面开发方面优势结合起来,充分发挥了各自优势,缩短了软件的开发周期。实验结果表明,该算法能够有效地对球壳形数据进行聚类,计算方法正确、计算速度快、系统资源消耗少,能满足数据聚类的要求。     

K-means聚类算法性能分析与优化研究

随着信息技术的高速发展,数据对社会生产与生活中诸多领域的影响越来越突出;数据聚类分析是将数据以无监督方法,根据数据的特征划分成多个簇,聚类分析是对数据进一步处理的基础。本文主要研究基于K-means算法的聚类方法,介绍了K-means算法的原理和实现过程,分析了K-means聚类算法的性能以及不同因子对K-means聚类算法的影响机理。本文的研究能够为无监督聚类过程的设计与应用提供理论指导。     

数据挖掘中基于密度的聚类结构及算法设计

聚类分析是数据挖掘的主要技术之一。其中基于密度的聚类可以得到任意形状的聚类结果，从而可以观察到一个并发的、完整的聚类结构。对聚类、数据对象、簇的密度、基于密度的方法和OPTICS中的基本概念进行了描述，在此基础上，明确定义了簇的密度，建立了关于善的基于密度的簇、密度度量函数等概念，并设计了获得聚类结构的相应算法且对其进行了复杂性分析．     

基于加权co-occurrence矩阵的聚类集成算法

聚类集成是数据挖掘研究的一个热点。它是利用同一数据集的多个聚类划分集成在一起,以提高聚类分析的性能。当前相关研究大多没有考虑进行集成的聚类成员的质量,因此较差的成员会对集成结果产生不良影响。文中提出了一种基于加权co-occurrence矩阵的聚类集成算法(WCSCE)。该方法首先计算出聚类成员基于属性值的co-occurrence矩阵,然后对聚类成员的质量进行简单评价并赋予权重,生成加权co-occurrence矩阵,进而产生集成结果。最后通过实验验证了该算法的有效性,并提高了聚类质量。     

一种改进的基于K-means的信息聚类算法研究

聚类分析技术是数据挖掘中一个重要的分析手段,聚类结果要求数据组内的对象相似性较高,数据组对象之间的相似性较低。到目前为止,有各种各样的聚类算法,其中K-means算法最为广泛,它是采用误差平方和准则函数作为聚类准则函数。但是K-means算法也有不足之处,比如k值无法确定,时间开销很大等。针对这些缺点,文章提出了一种改进的基于K-means的信息聚类算法研究。     

基于决策树的网络高维数据软子空间聚类方法研究

典型网络高维数据软子空间聚类方法采用软子空间聚类算法,根据目标函数最优解判断聚类是否最优,最优解计算过程容易过度拟合陷入局部最优,导致分类结果精度低。故文中提出基于决策树的网络高维数据软子空间聚类方法,根据信息增益选择决策树节点,在信息增益基础上添加分裂信息项防止决策树节点过度分类,获取不同树节点属性类别划分结果。在此基础上采用后剪枝技术删除含有噪音和干扰属性结点,将包含样本数量最多的分类结果视为网络高维数据软子空间的分类结果。仿真实验结果表明,所提方法聚类分析正确率随着网络高维数据集维数的增加而增加,且随样本数量增加的同时运行时间增长幅度较低,用时较短,是一种应用价值高的网络高维数据软子空间聚类方法。     

基于模糊聚类遗传算法的图像分割方法研究

图像分割是图像处理和图像分析的关键步骤,在图像工程中占据重要地位.模糊C均值聚类(FCM)算法是一种经典的模糊聚类分析方法,但其算法初始聚类原型是随机选取的,从而造成算法性能强烈地依赖聚类原型的初始化,将遗传算法强大的通用性应用于模糊聚类算法,对模糊聚类中心进行编码,然后依据FCM算法的目标函数建立适应度函数,选择适当的交叉率和变异率,最终实现基于模糊聚类遗传算法的图像分割.采用这种方法一方面能较好地解决模糊聚类对初始化敏感的问题,又能在一定程度上提高了分割速度.实验结果表明,该算法具有良好的分割效果.     

基于新型混合SVC算法的雷达辐射源信号识别

无监督学习方法能够对雷达辐射源信号进行有效的识别,支持向量聚类（Support Vector Clustering,SVC）算法是一种基于支持向量机的无监督聚类方法。SVC不仅时间复杂度高．而且在处理分布复杂、不均匀样本时,识别率较低。文章结合模糊C-均值算法与SVC算法的优点．提出了一种新的混合模糊C-均值法和SVC算法的无监督聚类方法。此方法用模糊C-均值聚类算法对数据样本作初步地线性划分,以将原数据样本划分成若干子样本。再用SVC算法分别对这些子样本进一步划分,再由模糊C-均值聚类法将二次规划问题分解,因而大大减少了SVC的计算量．降低了时间消耗。相对于原数据样本,子样本的分布较为简单、均匀,容易找到更为合适的SVC参数值。对雷达辐射源信号进行聚类分析的实验结果表明,此方法处理速度较快,具有较高的识别率。     

聚类分析的遗传算法方法

本文提出了一种利用遗传算法来对传统的聚类算法中的目标函数进行寻优的聚类分析方法，实验结果表明，本文方法得到最优（或近似最优）解的可能性比ｃ－均值和ｃ－线聚类算法大得多。     

基于覆盖的粗糙聚类算法

传统的聚类算法大都得到了样本集的一个划分,类之间是严格的互斥关系,而现实世界中类与类之间往往没有明确的边界。该文将粗糙集理论引入到聚类分析中,提出了一种基于覆盖的粗糙聚类算法KMMRSC,它用多个中心点代表一个类,并用上、下近似来刻画样本的归属,类与类之间是一种覆盖关系。实验结果表明,该算法聚类质量优于k-均值算法,且能发现非球状簇。     

基于统计检验指导的聚类分析方法

本文提出了一种基于统计检验指导的聚类分析方法,该方法同时处理聚类趋势、聚类分析和聚类有效性三个数据分析中的关键问题,为模式无监督分类的合理性和有效性提供了分析工具。在大样本情况下更能体现该方法的优越性。实验结果证明了它的有效性。     

结合Voronoi划分HMRF模型的模糊ISODATA图像分割

为了解决传统模糊聚类图像分割方法对噪声敏感及无法自动准确确定聚类数的问题,提出结合Voronoi划分HMRF模型的模糊ISODATA图像分割方法。利用Voronoi划分将图像域划分为若干子区域,以划分子区域为基本单元定义基于隐马尔科夫随机场(HMRF)模型的模糊聚类目标函数,以解决噪声敏感问题;通过迭代自组织数据分析技术算法(ISODATA)中聚类分裂、合并技术改变聚类数,以实现聚类数的自动确定。对模拟、合成图像和真实图像分割结果的定性和定量分析表明:提出算法不仅可以有效克服噪声和像素异常值对分割结果的影响,而且还能自动准确确定聚类数,实现高精度的自动变类图像分割。      

基于二维灰度直方图的蚁群图像分割

提出了一种基于二维灰度直方图的蚁群图像分割方法。该方法基于二维灰度直方图 的灰度、邻域平均灰度及灰度频数进行蚁群模糊聚类,通过二维灰度直方图的一维最佳投影,设置精确的初始聚类中心来解决蚁群算法循环次数多、计算量大的问题;并针对具体应用,对聚类半径、信息激素和启发式引导函数进行了相应的修正。实验表明该算法速度快、划分特性好,可以准确地分割出目标。     

高维数据集中局部离散文本数据挖掘方法研究

提出利用基于多目标优化软子空间聚类理论的关联规则数据挖掘方法对高维数据集中局部离散文本数据实现数据特征有效挖掘。首先,利用多目标优化软子空间聚类思想结合非支配排序遗传理论优化加权类内紧致及加权类间分离函数,获取优化后的目标函数及非占优Pareto最优解集,运用加权子空间划分方法对最优解集完成特征聚类;其次,基于关联规则思想运用一种特征提取和关联文本的识别方法,对聚类后的文本特征进行文本间及文本内部的特征识别和分类,即实现了文本信息数据的有效挖掘。实验证明,利用多目标优化软子空间聚类数据挖掘方法可以有效实现高维集中局部离散文本数据的挖掘。