一种新的空间数据服务发现模型及其在P2P网络上的实现

针对集中式机制的空间数据服务发现的各种弊端,如单点失效、扩展性差等,提出一种分布式空间数据服务发现机制.基于信息检索模型来实现分布式的空间数据服务发现,将空间数据服务元数据分别表达为索引词汇和地理范围,其中,索引词汇表示服务的非空间属性;地理范围表示服务的空间属性,并提出索引词汇相似性和地理范围相似性来计算查询请求与服务对象间的匹配程度.最后给出了该发现模型在P2P网络的设计与实现,提出一种节点相关模型来将空间数据服务聚簇成不同的地理语义组,查询协议在组间采用有偏漫步试探性查询,在组内则采用泛洪机制查询.实验表明,上述分布式空间数据服务发现模型具备良好的可行性;基于该模型在P2P网络上的实现系统性能较好,是有效克服集中式空间数据服务发现机制各种弊端的途径之一.     

一种基于信息熵的空间聚类算法

空间数据挖掘技术是从空间数据库中提取隐含的、用户感兴趣的知识.针对当前的聚类算法没有很好考虑到空间数据的复杂性和数据之间的联系,再加上聚类的精确度不高,设计了一种新的算法—基于信息熵的空间聚类算法（ESCA算法）,该算法优先考虑空间数据的复杂性和数据之间的联系,并采用蚁群优化机制改善传统算法中聚类簇数不确定的缺点.实验结果表明该算法是可行,并且具有更高的精确度.     

基于最小生成树的并行分层聚类算法

分层聚类技术在图像处理、入侵检测和生物信息学等方面有着极为重要的应用,是数据挖掘领域的研究热点之一.针对目前基于SIMD模型的并行分层聚类算法存在的无法解决存储冲突问题,提出一种基于最小生成树无存取冲突的并行分层聚类算法.算法使用O(p)个并行处理单元,在O(n2/p)的时间内对n个输入数据点进行聚类,与现有文献结论进行的性能对比分析表明,本算法明显改进了现有文献的研究结果,是一种无存储冲突的并行分层聚类算法.     

基于协同过滤改进的电子商务个性化推荐算法的研究

协同过滤技术一直受到世界各方的广泛关注与研究,但是该算法本身存在冷启动,数据稀疏的情况下易引发推荐效果差等各种问题。针对上述问题,改进了分层聚类的准则,弥补两种常用的分层聚类算法的不足,并将这种优化后的准则与融合了基于用户和基于项目的推荐结合,提出一种带有改进后分层准则的分层聚类组合性协同过滤推荐算法。实验结果表明,该优化后的个性化推荐算法能将相似性把握更精确,推荐效果显著提升。     

聚类算法在高校学生微博的应用研究

为研究聚类算法在高校学生微博的应用情况,针对K-means算法和分层聚类算法在聚类中心选择不精确的问题,基于高校学生使用微博的背景,对微博文本挖掘应用中聚类算法的应用进行改进。通过文本的矢量表示、文本相似度计算和聚类算法的实现,验证了聚类算法在微博热门话题检测的准确性和效率,并针对实验数据提出几点针对性的措施。     

基于块特征的H.264压缩域对象分割

针对H.264压缩域,提出一种改进的运动对象分割方法。首先提取运动矢量场,对该矢量场进行矢量中值滤波,然后基于块进行前向矢量累积获得更加显著的矢量场,最后采用改进的K均值和EM的混合分层聚类方法,基于宏块层、块层两次聚类将运动对象分割出来。实验表明,该方法通过分层聚类,进一步提高了分割效率,能实现满足实时要求的较精确分割。     

一种改进的层次聚类算法

为了更好地实现聚类,在分析层次聚类(agglomerative)算法和神经网络的ART2算法的基础上,提出了一种改进的层次聚类算法.改进算法将首先采用一种基于ART2的改进神经网络聚类算法得到一个初始的聚类结果,然后在此基础上利用agglomerative算法实现分层聚类.实验结果表明,改进算法较原先传统的聚类算法,不但算法执行速度快、效率高,而且聚类效果也比较好.     

基于置信区间的智能语音客服质检方法研究

当前智能语音客服质检方法无法安全转换语音信息，语音质检过程优先级混乱，导致质检过程流量消耗较大。为此，提出基于置信区间的智能语音客服质检方法。构建智能语音客服质检信息的算术编码模型，实现智能语音客服质检信息的模糊聚类和特征提取。建立智能语音客服质检信息的统计特征辨识参数模型，完成对智能语音信息的安全转换控制。分析智能语音客服质检信息参数，根据智能语音客服质检等级实现对质检置信度区间设置，实现对智能语音客服质检优化控制。仿真实验结果表明，所提方法的输出可靠性较好，质检置信度水平较高。     

一种分层组合的半监督近邻传播聚类算法

 针对近邻传播(AP)聚类算法的计算复杂度和准确性,该文提出一种分层组合的半监督近邻传播聚类算法(SAP-SC)。算法引入“分层聚类”的思想,将一次AP聚类过程等分成若干层聚类,使得处理过程简单、易于实现;每层只关注聚类“困难”的数据点,并通过构造“成对点约束”和使用“子簇标签映射”进行半监督学习;基于“组合提升”的方法将各层聚类结果加权叠加,从而提升了算法的准确性能。理论分析和实验结果表明：算法在聚类准确性和计算复杂度方面有了较大改进。     

基于分层聚类的并行数据预处理算法

分层聚类技术在图像处理、入侵检测和生物信息学等方面有着极为重要的应用,是数据挖掘领域的研究热点之一。针对目前并行分层聚类算法处理大数据集时速度较慢的特点,提出一种并行数据预处理算法,该算法可使原始输入数据的规模最多减少为原来的1/10,从而可减少总的并行分层聚类时间。在测试数据集上的实验结果表明使用本算法进行预处理后,能显著减少分层聚类的运行时间。