主动学习半监督聚类入侵检测算法

针对聚类的入侵检测算法误报率高的问题,提出一种主动学习半监督聚类入侵检测算法.在半监督聚类过程中应用主动学习策略,主动查询网络中未标记数据与标记数据的约束关系,利用少量的标记数据生成正确的样本模型来指导大量的未标记数据聚类,对聚类后仍未能标记的数据采用改进的K-近邻法进一步确定未标记数据的类型,实现对新攻击类型的检测.实验结果表明了算法的可行性及有效性.     

基于半监督信息的截集式可能性C-均值聚类算法

截集式可能性C-均值(C-PCM)聚类算法将截集概念引入可能性C-均值(PCM)聚类算法中,明显改善了PCM的聚类中心重合问题,并能够对噪声和奇异点的数据进行有效聚类,但该聚类算法对小目标数据聚类时仍然存在聚类中心偏移的问题.针对此问题,该文将半监督学习机制引入C-PCM的目标函数中,通过部分先验信息来指导聚类过程,提出半监督截集式可能性C-均值(SS-C-PCM)聚类算法.为了提高彩色图像的分割效率和分割准确率,将差分进化超像素(DES)算法获得的图像空间邻域信息融入SS-C-PCM目标函数中,并利用彩色直方图重构目标函数,以降低算法的计算复杂度,进而提出基于差分进化超像素的半监督截集式可能性C-均值(desSS-C-PCM)聚类算法.通过人造数据和彩色图像分割的仿真并与多种相关算法进行对比,表明该文算法能够有效改善小目标数据的聚类效果,提高算法的执行效率.     

一种新的半监督聚类入侵检测算法

针对基于监督学习的入侵检测算法所面临的标记数据问题,本文提出了一种基于主动学习的半监督聚类入侵检测算法,利用少量的标记数据,生成用于初始化算法的种子聚类,然后辅助聚类过程,并根据网络数据的特点,将主动学习策略应用于半监督聚类过程中,检测已知和未知攻击。     

基于半监督信息的截集式可能性C-均值聚类算法

截集式可能性C-均值(C-PCM)聚类算法将截集概念引入可能性C-均值(PCM)聚类算法中,明显改善了PCM的聚类中心重合问题,并能够对噪声和奇异点的数据进行有效聚类,但该聚类算法对小目标数据聚类时仍然存在聚类中心偏移的问题。针对此问题,该文将半监督学习机制引入C-PCM的目标函数中,通过部分先验信息来指导聚类过程,提出半监督截集式可能性C-均值(SS-C-PCM)聚类算法。为了提高彩色图像的分割效率和分割准确率,将差分进化超像素(DES)算法获得的图像空间邻域信息融入SS-C-PCM目标函数中,并利用彩色直方图重构目标函数,以降低算法的计算复杂度,进而提出基于差分进化超像素的半监督截集式可能性C-均值(desSS-C-PCM)聚类算法。通过人造数据和彩色图像分割的仿真并与多种相关算法进行对比,表明该文算法能够有效改善小目标数据的聚类效果,提高算法的执行效率。     

半监督谱聚类比较研究

半监督谱聚类是当前模式聚类领域研究的一个重要方向.本文在分析三种传统半监督谱聚类方法的基础上,提出一种新的多二类谱聚类方法.考虑到拉普拉斯矩阵的第二特征向量具有最强的聚类能力,该方法使用多个拉普拉斯矩阵的第二特征向量实现聚类,不同于传统方法只使用一个拉普拉斯矩阵的多个特征向量.在Iris等标准数据集和图像分割上的实验结果表明本文方法的有效性.     

拉普拉斯加权聚类算法

 本文提出了一种用于聚类分析的加权聚类算法,通过利用拉普拉斯权,将聚类对象之间的结构信息自动转换为对象的权重.由于拉普拉斯权能够描述数据的邻域结构,从而能够更好的聚类.该加权聚类算法在性能上比经典聚类算法有较大改进,还具有对孤立点鲁棒、适合类别不平衡数据聚类、对聚类个数不敏感等优点.人工数据集以及UCI标准数据集上的实验证实了本文算法的可行性和有效性.     

融合对称特性的混合标签传递半监督直觉模糊聚类图像分割

现有的直觉模糊聚类算法应用于图像分割时,往往只考虑图像的像素信息,忽略了图像的几何特征和区域信息,使得分割效果不太理想。为了提高直觉模糊聚类算法的分割性能,提出一种融合对称特性的混合标签传递半监督直觉模糊聚类算法。该算法首先对图像进行对称轴检测获取图像的对称特性,接着利用图像的对称特性进行对称像素的标签传递并改进像素对聚类中心的直觉模糊距离测度,然后设计一种混合标签传递半监督策略,对所有像素进行隶属度的估计并将其作为监督隶属度进行引入,随后构建融合对称特性的混合标签传递半监督直觉模糊聚类目标函数,通过聚类获得最终的分割结果。两个彩色图像库上的实验结果表明,该算法能够将目标从复杂背景中完整的分割出来,分割性能优于对比算法。      

基于半监督学习的入侵检测算法研究

为了克服入侵检测系统对孤立点敏感的缺点,采用半监督学习方法改进入侵检测系统.在检测时标签数据及其相关信息较难获得.针对这一特点,利用半监督学习方法改进算法,减少了对标签数据的依赖,加强了对未标记数据信息的利用.最终降低了算法的复杂性及系统的误报率,改善了系统的整体性能.通过对不同算法结果的分析比较,验证了该方法的有效性.     

区域信息驱动的多目标进化半监督模糊聚类图像分割算法

现有的多目标进化聚类算法应用于图像分割时,往往是在图像像素层面上进行聚类,运行时间过长,而且忽略了图像区域信息使得图像分割效果不太理想。为了提高多目标进化聚类算法的分割效果和时间效率,该文将图像区域信息与部分监督信息引入多目标进化聚类,提出图像区域信息驱动的多目标进化半监督模糊聚类图像分割算法。该算法首先利用超像素策略获得图像的区域信息,然后结合部分监督信息,设计融合区域信息和监督信息的适应度函数,接着通过多目标进化策略对多个适应度函数进行优化得到最优解集。最后构造融合区域信息与监督信息的最优解评价指标,实现从最优解集中选取一个最优解。实验结果表明:与已有多目标进化聚类算法相比,该算法不但分割效果有所提升,而且运行效率得以提高。     

近邻半监督聚类算法的MATLAB实现

本文提出了一种用Matlab实现近邻半监督聚类算法的实例,补充进入MATLAB工具箱,并使用该算法对三个UCI数据集进行聚类,并通过F-measure指标验证了该算法的有效性。     

约束蚂蚁聚类算法

通过对真实世界蚁群的模拟仿真,提出一种基于随机游走的约束蚂蚁聚类算法来处理以must-link和can-not-link形式出现的约束聚类问题.在人工数据集和UCI标准数据集上的实验结果表明我们的算法优于无监督的蚁群聚类算法和COP-Kmeans算法.     

密度敏感的谱聚类

谱聚类是近来出现的一种性能极具竞争力的聚类方法,它的成功很大程度依赖于相似性度量的选择.本文通过分析这一性质并结合数据聚类特性,提出一种数据依赖的相似性度量--密度敏感的相似性度量.该相似性度量可以有效描述数据的实际聚类分布.将其引入谱聚类得到密度敏感的谱聚类算法.与原有的谱聚类算法相比,新算法不仅能够处理多尺度聚类问题,而且对参数选择相对不敏感.算法有效性分析以及实验验证了所提算法的有效性和可行性.     

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。     

改进型规模约束在聚类算法中的应用

规模约束可有效改善聚类算法的性能,但是各类规模约束后所含实例对象数量不一致将降低聚类算法的性能.采用一种新的模式对各类进行了规模约束,并转化为线性规划问题进行求解.UCI标准数据集上的实验结果表明本算法与随机模式相比具有更好的聚类精度,即使当规模约束适当放宽后,聚类性能也可得到明显提升.提出的方法能够有效地提高聚类的准确性.     

QPSO与K-Medoids相结合的带障碍空间聚类新算法

分析了现有的带障碍约束空间聚类算法,针对基于PSO优化的带障碍约束的K-Me足,提出了QPSO与K-Medoids算法结合的带障碍空间聚类新算法(QKSCO).在带障碍约束的空间条件下,该算法依据蚁群格网障碍距离作为聚类依据,引入了QPSO的快速全局收敛的特性,使之与K-Medoids算法的局部收敛特性相得益彰.实验结...     

A comparison study on node clustering techniques used in target tracking WSNs for efficient data aggregation

Wireless sensor applications are susceptible to energy constraints. Most of the energy is consumed in communication between wireless nodes. Clustering and data aggregation are the two widely used strategies for reducing energy usage and increasing the lifetime of wireless sensor networks. In target tracking applications, large amount of redundant data is produced regularly. Hence, deployment of effective data aggregation schemes is vital to eliminate data redundancy. This work aims to conduct a comparative study of various research approaches that employ clustering techniques for efficiently aggregating data in target tracking applications as selection of an appropriate clustering algorithm may reflect positive results in the data aggregation process. In this paper, we have highlighted the gains of the existing schemes for node clustering‐based data aggregation along with a detailed discussion on their advantages and issues that may degrade the performance. Also, the boundary issues in each type of clustering technique have been analyzed. Simulation results reveal that the efficacy and validity of these clustering‐based data aggregation algorithms are limited to specific sensing situations only, while failing to exhibit adaptive behavior in various other environmental conditions. Copyright © 2016 John Wiley & Sons, Ltd.     

Fuzzy clustering with pairwise constraints for knowledge-driven image categorisation

The identification of categories in image databases usually relies on clustering algorithms that only exploit the feature-based similarities between images. The addition of semantic information should help improve the results of the categorisation process. Pairwise constraints between some images are easy to provide, even when the user has a very incomplete prior knowledge of the image categories that one can expect to find in a database. A categorisation approach relying on such semantic information is called semi-supervised clustering. A new semi-supervised clustering algorithm, pairwise-constrained competitive agglomeration, is presented on the basis of a fuzzy cost function that takes pairwise constraints into account. Evaluations show that with a rather low number of constraints this algorithm can significantly improve the categorisation.     

基于改进KFCM聚类的数据关联算法

针对传统的基于模糊C-均值(FCM)聚类的数据关联算法存在的缺陷,提出了一种基于改进核函数模糊C-均值(KFCM)聚类的数据关联算法。该算法以改进的KFCM聚类为基础,通过放宽KFCM聚类的约束条件来增强系统的鲁棒性,并引入信息熵自动确定目标数以作为数据关联的前期准备,再将改进的KFCM聚类算法引入JPDA算法,通过避免对联合事件的概率计算和对确认矩阵的拆分,以实现数据的正确关联和对多目标的实时跟踪。仿真结果表明算法有效可行。     

传感器网络中一种分布式数据汇聚层次路由算法

由于传感器网络具有能量约束,低速率冗余数据和多对一传输等特点,传统的端到端集中式路由算法一般不适合传感器网络.提出了一种分布式数据汇聚层次路由算法,该算法利用能量核的思想汇聚数据和减少传输到目的节点的信息.模拟结果表明:比较传统的端到端集中式路由算法,该算法可以显著减少能量消耗;与一般的数据汇聚算法相比,该算法在保证能量消耗少的条件下,具有复杂度低和可扩展性好的特点.     

3D human posture segmentation by spectral clustering with surface normal constraint

In this paper, we propose a new algorithm for partitioning human posture represented by 3D point clouds sampled from the surface of human body. The algorithm is formed as a constrained extension of the recently developed segmentation method, spectral clustering (SC). Two folds of merits are offered by the algorithm: (1) as a nonlinear method, it is able to deal with the situation that data (point cloud) are sampled from a manifold (the surface of human body) rather than the embedded entire 3D space; (2) by using constraints, it facilitates the integration of multiple similarities for human posture partitioning, and it also helps to reduce the limitations of spectral clustering. We show that the constrained spectral clustering (CSC) still can be solved by generalized eigen-decomposition. Experimental results confirm the effectiveness of the proposed algorithm.